数据产品经理的自我修养

古牧图书《数据产品经理的自我修养》读后感 客观的书粉留言，这里韩瞳，《策略产品经理实践》的作者。 机缘巧合下和古牧君在线上成了网友，然后正好这段时间gap写我的第二本书，写书既有务实的理想主义考虑，也有本心执念，觉得行业里的策略产品强的不多，和算法配合也较少得到算法团队的尊敬，另外关于推荐策略、流量策略、生态策略和社区产品这几个职位也处于偏混沌的状态，所以和编辑讨论后希望能给行业提供一些信息，出书是最不赚钱，但能跨越周期的方式，所以新书部分也结合了AI学习的一些方法，在这个过程中大量补课相关图书，读到古牧老师的书是巧合，也很幸运，今天暂停一天的写作计划，写一个古牧君的《数据产品经理的自我修养》的学习笔记。 本读书笔记包含三种信息： 部分A：新知道的信息增益 —— 今天学到了！ 部分B：我认可的信息，并融入自己的知识框架 —— 相当于好评！ 部分C：我持不同意见的观点 —— 提出讨论 首先从书名开始，《数据产品经理的自我修养》不是一个好的书名（我最开始看到书名时低估了书），实际上书的内容比名字好很多很多，如果图书是面向读者的搜索query，应该是“数据产品/实践/干货/职业选择/宏观思考/需求分析”等词语的排列组合，10个字以内的书名相对卖的最好。【c】 其实在看本书之前，我对数据产品定义一直不太清楚，我一直认为数据产品是做埋点的，因为我在第二段工作里接触了一个还不错的 7 级数据产品，把所有基础数据弄得很好，第四段工作里我也带过数据产品团队，当时需要做埋点平台，我没什么经验基本放手让一线新人去做，后来陆陆续续的补课，但一直没有体系的认知 打开书的第一部分，古牧用自己的一些案例先友好的把数据产品的工作范围铺在读者面前，从写作技巧看是很好的，所以第二本书里我也吸取了一些他的叙事结构，我们大学时候的教科书最大的问题是没有案例，即使有案例也是 19-20 世纪的一些老旧案例，除了彰显概率论的历史悠久之外没办法让学生提起兴趣。【b】 古牧君对数据产品给了 6 个案例后，做了总结： 数据产品 = 在数据全链路（6 个环节）的每个环节，以产品形态为个人/企业降本增效、促进营收的工具 这块我尝试把这个定义融入到我自己的知识框架之中，人类和机器人相似的地方在于【感知-分析-行动】的行为模式是相同的。 在感知环节，数据产品负责将线上线下的信息收集，数据化，然后定好数据采集的流程 在感知环节，通过智力加工，从而可以提升了效率，此时的 output = 数据报告 在行动环节，数据产品通过分析得到 todo，如果人类授权 ai 去做，那直接闭环了，现在这块还有一些难点，因为不是所有的报告都有明确 todo，大多报告是消除信息差用的（探索性分析） 在第一部分，感知环节中有纸质版的数据，有通过电话但没录音的信息，有沉淀在 im 里的各种零散信息，有的有结构化的表，包括昨天我线下和朋友采风的信息，国内数据化程度比想象的低很多，所以这里脏活累活很多 还是那个观点，原子世界难搞，比特世界好弄，指数加速。 在这个环节我认为本质做的是熵减的工作， 降低整个系统的混乱度，就像丹布朗的小说中提到的【混沌化为有序】，没一点浪漫的话很难坚持这种工作 0 0 熵减是抽象说法，数学角度看就是将所有信息映射为实数集合，变成随机变量，所以有字段，字段里有离散型随机变量也有连续型随机变量。 再抽象一层，我理解就是把这些数据信息都变成矩形数据，类似 python pandas的 dataframe，有横轴有纵轴，就有表了。表和表之间连接，数据就好起来了。 我对古牧老师的定义有一些建议，我觉得数据产品是： 在全链路环节，通过广义产品手段（输入-函数-输出，有 interface 交互手段，帮助问题解决问题等特征的概念），提升数据资产的使用效率，帮助企业取得商业竞争优势地位的职位 在各个环节都能提效率，在感知环节能熵减，在分析环节有很多智力创造产品，在行动环节取得授权后可以赚钱，飞轮是这样的我觉得。【c】 在第二章中，古牧老师认为“数据产品是产品，不是技术”，这个话的另一个说法叫做【用户是目的，技术是手段】，很多 pm 的确追技术把自己的竞争力忘了，人是目的，不是手段，技术是手段而不是目的。【a】 掌握手段可以提效，但目的不是技术，在长远来看技术和产品也不会合并，在大职位分类上。 未来的职位应该是 产品、研发、ui 和销售、支持部门普遍外包（hr 行政 财务），法务待定，法务很重要。 在我自己的数据产品定义中提到了数据资产的概念：ABCD 是四个表，A 表有横轴纵轴，横轴是 index，纵轴是 columns，B 表和 A 表的某一列完全一致，意思是可以 join，有相同的 key；同理 C 和 B 也能形成这样的立方折叠结构，D 表也同理 数学上的处理是高维数据，数据通过高维度折叠的方式形成了交互信息，就能做很多交叉分析了。 我记得在【与数据同行】公众号看到的所谓大数据的定义，不是行数多，而是数据全，数据维度多，这个我是认可的。 然后问了一下 AI，什么是劳动资料，马克思观点中认为劳动资料 = 劳动者 + 生产环节的资料，生产环节里的种子、拉磨的驴、水都是生产资料，劳动者通过劳动将生产资料变成产品 而现代科技企业的生产资料是数据，而且数据是壁垒，所以国家数据局最近几年也成立了。 然后就是古牧老师非常精彩的案例部分，我第一次见到有作者这么耐心的将自己的 从业经验和思考交代的这么细致，换我的话我的确是没有耐心。。。所以这本书很值得需要做细节项目的同学深度阅读。照着做，拿个offer 真的没什么问题。 在我自己第一本书的时候我会比较胆怯认为自己当时工作时间太短而被嘲笑，后来有个朋友鼓励我说【魔鬼在细节】，真的给了我很多的勇气。 从企业经营看，战略错的多吗？我觉得聪明人多的公司在大方向选错的概率不高，小公司的确不少，但聪明的公司里战略错不了太久，后边拼的都是谁的落地水平高，谁的组织效率高，以我对《毛选》的理解，主要是： 统一战线：找最大利益共同体 实事求是：别作假，实事求是，领导错了就应该认错，天塌不下来 群众路线：没人是傻子，上下同欲者胜 所以实事求是（细节质量决定业务竞争成败），不能天天给 CEO 吹风战略，总监层就是要用最优世界线的方法抓好落地，古牧这本书就很务实、落地。只是不知道什么时候，务实都变成了稀缺品质了。 古牧老师按照数据产品的【获取存储】、【管理】、【分析和应用】划分了案例，并且把作者亲历 or not 作了分界线，有他的观察部分，也有他的操盘部分，很明显操盘部分的案例写的好很多。 后边我分每一章节谈谈收获： 第四章收获主要是埋点设计，我提炼的原则是全局性/最小维度数/易读性，古牧写的更细，我提炼的意思是数据采集部分要更全面，能尽量包住所有数据信息，实现最大信息熵；最小维度是最少的字段设计，否则表会很长；易读性是人能看懂，别用德语法语命名，最好用英语 第五章讲的是线下信息采集，比较好的介绍了语音收集信息的一些经验，还是在我思维模型的【感知】部分，pm 最开始想多了后来被人类拖垮被迫妥协的感觉，很熟悉 第六章讲商业化标签，看的兴趣标签大多内部用，买的标签大多外部用，这里介绍了商业的特征是行业和行业树形结构，从线下找对比，互联网从线下学习的思路很棒【a】，至于标签怎么设计我的第一本书里有相应补充，看到这里的读者可以在微信读书中看看我对标签的 5 个原则的定义，第二本书我就不写了，建议古牧的和我的可以交叉对照着看 第七章讲百度指数，战略是什么呢，梁宁说战略其实就是位置，谁是入口，谁是大哥，认清自己的位置，赚自己那份儿钱。百度指数的目标是搜索主要入口，所以是内容行业晴雨表，给品牌广告的做个标尺，给创作者一个内容创作引子，这个产品分析的还可以 第八章我觉得不算惊喜，套用阿里的知道-能做-愿意做的 model，是否愿意创作是作者来小红书有利可图，是否知道怎么写是能提供的建议，作者能做的其实选题、标题、干涉推荐这些工作，这些我觉得头条号当时做的比小红书现在做的更好。 第八章我额外备注了一下，古牧对几种数据产品卖钱的方式做了总结，这块我认可【b】，按自己的理解归类了 卖种子赚钱，比如八爪鱼 卖土豆赚钱，比如标签半成品，比如隐藏关键信息的运营商数据 卖土豆丝赚钱，成品赚钱，给 todo，你要是信任我，我就帮你吃了土豆丝了，直接卖准许行动的 agent 应该是下一步趋势，但这就到策略的部分了，离最终的钱越近，越好卖钱。最终能卖多少钱，主要看智力加成的效果 以及 数据垄断程度是否掌握定价权，一流公司卖标准，懂得都懂。 第九章，我觉得比较好，品牌广告部分我第一次 get 流程是什么，然后《种草》一书对于种草的定义也很好，种草是向往生活的解决方案，从定义看高下，这个定义很优雅。古牧老师在第九章给了很多自己的复盘，当时过于追求炫技，做的很复杂，但用户不用。另外他提到的竞品识别，我切身体验是商业竞争里竞对是谁很重要，百度的对手不是谷歌，而是谁有更多的内容，不是搜索技术的 pk，而是内容池子的 pk。百度的技术是底子很厚的，但现在是新一盘的游戏了 it‘s new play 第九章额外的信息是，我认为数据产品的两个关键点是： 做的好，还得说的好，会构建，还得会 Sales，过于内向的人不太适合搞数据产品。外向的人先享受世界，搞出来的数据产品得天天在公司里宣传，要不没人用，自己就没价值 数据产品的核心卡点是看图表的能力稀缺，我们可以大胆对人群做分类，会看图表的人大概率数据资产利用效率更高，平均薪酬应该更高，我之前的老板们看图表能秒懂并且能迅速挑错，但很多一线同学看图表就发懵。所以数据产品搞一堆图表，但外包运营不会用，看不懂，不能说这届用户不行，还是得做更多的【行动】工作。所以结合大模型推理，嚼碎了喂到嘴边才行。 第十章和第九章差不多，感受是一起的。 第十一章，古牧老师和我讨论过，我当时给了这个我的策略解决方案 （我的理解）比如数据产品有一类是服务于运营的，内容运营需要看某个分类下的up 主的排序，商业运营需要看某个行业下的商品的排序​排序考虑的因子包含：现状能力、用户需求量、潜在能力​具体 KR 测度大概是（内容/商业）：当前阅读量/GMV，内容话题搜索量/商品搜索量，快滑率+完播率+平均播放时长/投放 ROI​然后具体数据产品在做这类需求的时候，遇到的问题是归一化问题，比如内容行业里，阅读量第一的可能有 1e8，最低的是 0，而且还有很多 0常见的归一化方法是 zscore、极差归一化方法，就大家日常问 ai，或者查这几本产品经理的新华字典类的书，都是这么教的​如果采用极差归一化的方法，那最大的 1e8 变成 1，最小的 0 变成 0，中间大多数数字都是 0.00000...但这样的数字就没什么意义了​然后这类问题一般咋整，因为我经常手搓各种指数类的问题，所以这里其实是个数学建模题，有两套思想：​1）非参数检验 vs 参数检验，非参数检验为什么能有效果，降低了一类错误但提升了二类错误概率，是因为非参数检验是考虑 rank，而不是用原始数值，比如中位数检验这种方式，或者 spearman 相关系数也好于 pearson 相关系数，对异常值不那么敏感，因为pearson 用的是原始数值，spearman 变成了秩排序，所以 1e8 这种数据就变成了 1（因为他排第一）​2）真实世界的数据生成逻辑是什么，这个其实我在 mcm 比赛的论文也是我第一本书 6.3介绍过，2014 年的美赛论文，论证 100 年里的 best coach，还有上本书里提到过的榜单问题​比如我们思考奥运会男子短跑比赛，第一名的人和第 30 名的人的战斗力，第一名是 100 的话，第 30 名大概是多少？ 是 99、70、50？​数据生成逻辑看，我觉得应该服从幂律分布，第一名一定付出了好几倍的努力、以及有天赋的情况下，所以第一名到第 30 名就不是线性关系，而是幂律关系​然后我们回到这个题，其实第一名的内容或者商品，假设推荐系统是公平的（实际不可能，差得远），那第一名的商品应该比第二名的强不少，第二名比第三名强一些，以此类推，后边的就比较平了，就像我跑马拉松总能跑进 20 小时（走路就行了。。。）​---所以归一化的方式，应该是先变成秩排序，再套幂律分布原始数据是 10000000,10000,1000,100,100,0,0,0,0,0,0,0 -》 1,2,3,4,5,6,7,8,9 -》ascending = False 调过来 -》 套幂律分布幂律分布的参数根据真实值做估计​ 第 12-13 章的内容受限于当前的互联网人力结构，讨论很有价值，但我觉得变化比较快，所以这两章内容能管用多久不清楚。 一个显而易见的趋势是组织会大变革，就这几年的事儿，所以这段更多的应该是参考能力模型，照着多学科的复合能力模型走，这里我在新书里介绍了很多，到时候可以看新书

认识古牧君那会儿还在做老公司中台做数据产品，当时最大感受数据价值不在数据而是在业务流中。因为从“采集、存储、加工、消费应用”环节看，应用层距离价值创造环节最近，而数据产品只是下了高铁后的地铁，距离到家还差最后一公里。这一公里也是当时做数据产品的最大感受，一拳打在棉花上。同样的感受，在实习做数据科学的时候也很强烈。 很赞同古牧君最后关于数据产品和业务产品的界限！ 我认为数据应用产品（非采集存储数据产品）大多数场景就应该在业务产品内，或者说中台做成通用产品能力，业务产品在外边包一层。而不是让业务从业务产品中跳转出来单独用数据应用产品。因为从迈克尔波特的企业价值流来看，不存在所谓数据产品，企业只有创造价值的生产活动和赋能创造价值的辅助活动，所有产品开发都是为了创造价值的生产活动。而数据产生在生产活动的流程中，策略是不同细分场景的生产活动业务流程。 因此，我觉得产品是由流程、数据、策略组成的。只是因为早期大厂的业务组织发展速度太快、业务线多，为了快速抢占市场，必须抽象公共数据需求，以产品形态支撑。但物极必反，当子业务发展见顶、足够成熟，各业务线的差异性和矛盾也就是中台无法调和的了。这个时候的数据产品，也因为抽象通用能力而逐渐脱离业务。 但最后想一下，除了大厂，有多少企业同时拥有电商，游戏，社交这种业务差异巨大的多条业务线呢？对于广大中小企业，眼下活下去才是最重要的吧…

这本书断断续续读了近两个月，只能说，真的很干货和硬核！！ 这并不是一本很容易读的书，内容成体系，专业，所以注定需要在每个地方思考很多。从案例步步拆解到真正会面对的职场问题，是我最喜欢的，很多书只讲了放之四海而皆准的方法，却没有告诉读者什么真实场景下可以怎么参考，就像很多自传只讲了艰苦奋斗的那一面，遇到真实的细节问题却避开。 自己不是数据产品的从业者，因此无法对其中的专业知识评论太多，其实第一遍看完依然有很多值得再细细思考和回味的地方 读完这本书是有点感动，被作者对行业的热爱，在行业的专业度，对读者的细心所感动，从每个真实的案例，难点、困境，到拆解的思路，试错、最后不断迭代出解决方案，学到了很多，专业知识、思维方式等等，不出意外会再看几遍 此外，还有这本书的人文主义关怀，比如作者也会感叹如果大学的时候知道这些知识原来是这么用的，可能会学得更认真和有目标（自己也深有同感，目前市场产学研分离越来越严重的情况下，了解真实产业运作，然后有意识地去学有所用真的太重要了）；以及在ai热潮下，如何发挥“人”的主体性等等很多 其实我更喜欢的是这些文字，因为把工作的内容sop化或者提炼出来被学习者使用，是行业的精英，而能把视野关注到“人”的层面，是行业的有心人，读完后也希望自己未来可以不囿于工作中局限的内容，视野放大，称为热爱自己所在行业的人，为后辈赋能吧 最后也感谢作者写出了这么用心的文字，希望可以被任何对数据相关的行业感兴趣的人看到！

断断续续读了一周，算是差不多把本书读完了。不过我并没有读完全部的章节，而是挑了自己感兴趣的章节读的，包括第一部分全部，第二部分的统一数据接入平台、商品数据中台、小红书数据中心，以及第三部分全部。 下面简单记录下自己的读后感。 首先，书中对数据产品的描述和理解非常全面。我作为某个互联网公司数据产品的后端研发，日常工作主要是做数据产品底层系统的设计和实现，远离一线的业务和用户，通过这本书可以站在一个更高的视角看清数据产品这个业务的全貌。 其次，书中的某些案例和观点很能和我共情。我印象比较深的有两个，一个是可视化算法平台，另一个是 AI 自助分析。对于可视化算法平台这个案例，我在前司也做过一个类似的平台，简单来说是一个低代码报表配置的平台，这个平台和可视化算法平台一样，也是从技术的视角出发进行建设的，过程中没有充分考虑用户的需求，导致配置成本随着平台迭代变得越来越高，最终也不了了之。对于 AI 自助分析，我的观点和作者类似，对于高级分析人员来说不需要 AI，页面上点点按钮查数效率更高，对于低级分析人员来说有 AI 也没用，因为他们并不会提问。 最后，书中对数据产品经理这一职业未来发展的讨论比较引人深思。我比较认同作者的一点是逻辑性和同理心并存。在互联网这个行业，尤其是我所在的研发序列，身边的人大部分都是理工科背景，比较崇尚和追捧理性的思维方式。但是随着职业经历的增加和生活阅历的丰富，我逐渐认识到“以理服人”往往很难，更多的是“以情动人”，这就需要在同理心上好好磨炼。 总之，本书既是一本数据产品的入门科普书，也是一本数据产品经理的职业规划书，从中也能看出作者古牧君在数据产品领域丰富的职业经验，非常推荐大家阅读~

古牧君的这本书既是对自己从业10年来的一份优秀答卷，同时也是一位数据产品领路人在向后人传递火炬过程中的一个生动实践。 书中从实际工作经历出发，详细介绍了数据的获取与存储、数据的管理与加工，数据的分析与应用相关案例，辅以自身的思考、遇到的困难及所需的能力进行了全面阐述。 作者逻辑自洽，语言平实，案例生动，足见其专业素养及个人良好的自我修养。 书中后记对自己的职业经历进行了总结，有前进道路上所遇到的荆棘，也有披荆斩棘后所收获的感悟，相信也会启迪有缘的读者。

数据产品经理入门的第一本书😄 “数据产品的本质是产品，数据产品经理的本质是产品经理。”如果这本书只让我分享一句话，那我就分享这句。 说说优点，基础概念解释清楚，论述逻辑框架清晰，产品案例详实，行文简洁明了 先给宏观总结和观点，再给细节案例，可以基于自己的需求选择章节来读，也不会有什么太多缺漏，能帮读者节省很多时间 适合的读者应该是初级、中级（数据）产品经理，尤其是在迈向高级岗位、或者管理岗位时，用书中的方法论和案例扫清盲区，打开视野，缕清思路 尤其是在中小企业，顶着数据产品经理头衔，做着各种各样事情的伙伴，能将这本书作为参考: 大型组织里有什么类型的数据产品，需要什么样的能力和素质 如果当年能读到这本书，或许我会在个人职业生涯规划、具体的产品规划上少走很多弯路 我也读过很多其他数据产品的书，尤其是拼盘类的书籍，偶有亮点，有时候还容易被文笔不好的作者被绕晕 也有其他讲数据产品的书，要么是理论套话过多，要么是视角单一，要么是写作能力不太行（读起来折磨人） 通盘能把数据产品介绍清楚，用一个更宏观的业务、产品、技术视角把数据产品串联讲好的，太少了，本书是一个不错的案例，推荐！

读书笔记：《数据产品经理的自我修养》 话题相关，书上架后就读了一遍。 整体来看，内容组织系统性强，内容选取上对泛人群具有针对性，能较为全面满足普通用户对数据产品领域的知识性诉求，也能满足初中级数据产品在获取案例、谋求进一步发展方面的心理诉求。略为不足的是，在组织架构视角的着笔较少，略显单薄。但整体上瑕不掩瑜，推荐对数据产品方向感兴趣的同学都来翻一下，相信会有一些收获和启发。 附：从事数据产品相关工作10年有余，个人认为数据产品话题值得思考的问题包括几个层面： 一、认知层 1、什么是数据产品？ 2、数据产品经理的能力模型是怎样的？哪些是核心能力？ （数据领域岗位间的关系） 3、数据产品经理现状 二、场景层 1、对于处于不同发展阶段的企业，数据产品需要解决的主要问题是什么？ 覆盖的场景以及典型产品形态有哪些？ 2、典型场景下，具体的场景与解决方案是怎样的？（是否具有通用性？） 3、如何评估产品对业务的价值？ 三、发展层 1、常见的组织架构有哪些？典型企业或业务有哪些？ 2、不同组织架构下，如何评估工作的成长性？ 3、数据方向的发展前景与数据领域从业者的影响？

关注作者很长一段时间了，这几年作者在持续输出。 很有含金量的一本书，买了实体书，也借给别人看了，看过了都买了当成工具书。 数据产品本来就是在逻辑底层全局查看整个组织，有逻辑有方案的梳理是非常有必要的。 适合全年龄段经验的同学

2026.01.21 早读笔记 第 8 本书｜数据产品经理的自我修炼 文｜橙沐 从数据到产品：一条不该被误解的能力路径 在 AIGC 逐步渗透各行各业的 2026 年，数据能力已不再是少数工程师或分析师的专利，而是一种跨领域、跨角色的基础理解能力。本书所提供的价值，不在于教人「如何分析数据」，而在于重新校正「如何看待数据、使用数据，以及用产品形式承载数据价值」。 一、数据不是只存在于报表里 数据的本质，远比多数人理解得更广。 1. 数字、图片、音频、文字，皆属于数据，只是区分为结构化与非结构化。 2. 数据不一定需要经过复杂分析才有价值，有些数据只要被看见，就能产生判断，例如即时温度、交通状态或库存变化。 3. 真正的问题不在于「数据够不够多」，而在于是否被放进正确的决策情境中。 二、数据产品的核心定义已逐渐清晰 若将数据从获取到应用视为一条完整链路，那么数据产品的定位可以被明确描述。 1. 在数据全链路的每一个环节中，以产品形态介入。 2. 为个人或企业用户降低成本、提升效率或促进营收。 3. 能被实际使用，而非只停留在展示或分析层。 离开业务与场景的数据产品，往往只会成为无人问津的工具。 三、数据与产品，必须同时看见现实 只懂数据、不懂产品，容易做出理论正确却无人使用的系统。 1. 数据负责「看问题」，产品必须「对应现场」。 2. 需求评审的目的不是流程合规，而是引入更多视角，修正问题本身。 3. 好的数据产品，往往来自对业务摩擦点的真实理解，而非模型复杂度。 四、数据产品经理，本质上是在经营一门小生意 数据产品并非技术展示，而是一项需要被验证的投资。 1. 产品调研、设计、需求评审、数据实验、上线迭代，构成基本工作循环。 2. 每一次功能投入，都应从商业角度检视是否「物有所值」。 3. 若无法回答「它为谁节省了什么成本，创造了什么价值」，再精致的设计也只是自我感动。 五、分析不是目的，解决问题才是 提升数据能力，并不等于追求更严密的分析结构。 1. 量化的介入，是为了避免过度感性与理想化的误判。 2. 但若被数据牵着走，反而会失去对问题本质的判断力。 3. 真正成熟的数据思维，是能够在数据、业务与产品之间自由切换视角。 六、教育与实务的落差，是更深层的结构问题 在不同地区，「实务逻辑」的成立条件并不相同。 1. 同一套方法，放在水里与沙漠里，结果截然不同。 2. 若无法看清环境差异，只谈通用实务，本身就是一种认知盲区。 3. 权威若停止更新知识，仍以旧武器投入新战场，被淘汰只是时间问题。 教育若无法培养具备视野与适应能力的人才，最终承担后果的，不只是学生。 七、岗位会消失，能力会留下 在快速变动的时代，职称与标签都只是暂时状态。 1. 接受自己可以被任何标签定义，但不被单一角色限制。 2. 以产品形态最大化发挥数据价值，才是真正可迁移的能力。 3. 能跨场景生存的，不是职位，而是理解问题、结构问题与解决问题的能力。 结语 这是一本逻辑清晰、结构完整的实务型书籍，对于建立数据与产品之间的正确认知极具帮助。在 2026 年的 AIGC 时代，数据能力不属于某一专业，而是一种现代人的基础素养。真正值得被尊敬的，不是喊口号的实务，而是走过战场、能够修正路线的实践者。

因为自己是跨行干的数分，最近恶补数据产品知识。通过本书算是最好的讲数据产品的书籍之一了。作者作为数据产品老炮，十年的功力全都体现在书中。 全书通过概念定义、真实案例解析以及职业发展展望这三个部分，清晰呈现了数据产品的规划、设计与落地流程，并且贴心的对照七项核心能力给出培养路径。给汤又给药，管杀还管埋。个人阅读本书最大的收货，就是作者对行业标杆的拆解，让本来只会无脑照搬的自己知道了如何进行迭代优化。 五星好评！