在线一本到无码av,成人久久

內容簡介

　　本書共13 章，匯集了7 位作者（來自多個大型互聯(lián)網企業(yè)）的知識總結和經驗分享。本書借助老湯姆、小風、阿北、小諾在某電商企業(yè)數(shù)據部門工作的故事，通過大量案例深入淺出地介紹了數(shù)據中臺建設與應用之路。本書以Why-What-How 的思路展開，從0 到1 介紹知識點，并重點講述How 的過程，同時結合某個場景下的具體案例，以使讀者更好地理解實操過程。每個企業(yè)都會面臨各種各樣的數(shù)據問題，有數(shù)據質量的問題、數(shù)據獲取效率的問題、數(shù)據應用價值的問題等。本書首先介紹數(shù)據中臺的建設，確保數(shù)據的質量，為企業(yè)的數(shù)據質量體系建設提供堅實的基礎；然后，進行深入業(yè)務的分析探索，介紹如何從數(shù)據分析角度更好地賦能業(yè)務發(fā)展；最后，介紹數(shù)據應用，解決數(shù)據獲取效率的問題，并把一些分析思路和業(yè)務策略沉淀為數(shù)據產品，從而更好地將數(shù)據應用于業(yè)務。本書結合多個大型互聯(lián)網企業(yè)的實際項目案例，讓讀者真正掌握數(shù)據產品經理這個新興職業(yè)的必備技能和核心能力。本書主要面向數(shù)據產品經理，數(shù)據分析師、數(shù)據運營人員等數(shù)據行業(yè)從業(yè)者也可以在本書中找到一些思路和方法，如了解數(shù)據的應用、掌握分析方法等。本書也可以為想轉行做數(shù)據產品經理的讀者提供幫助。

作者簡介

　　林澤豐，筆名小風，某國有企業(yè)的數(shù)據中臺產品負責人。UBDC全域大數(shù)據峰會“燈塔人物”，“友盟杯”數(shù)據大賽三等獎獲得者，公眾號“一個數(shù)據人的自留地”的課程講師。在電商、社交、交通、直播等領域擔任過產品、運營、數(shù)據等部門的負責人，有7年多的互聯(lián)網從業(yè)經驗?？珙I域、跨部門實戰(zhàn)經驗豐富，曾從0到1搭建過企業(yè)數(shù)據中臺、大數(shù)據平臺、智能營銷平臺，擅長埋點模型設計、指標質量治理、數(shù)倉架構、數(shù)據運營等。許秋貴，筆名阿北，貝殼找房的高級數(shù)據分析師，畢業(yè)于東北農業(yè)大學。在校期間主導開發(fā)了校園拼車等應用，幫助大學生拼車省錢出行。曾就職于百度、滴滴等互聯(lián)網“大廠”，有多年數(shù)據分析經驗。陳斌，筆名小諾，某互聯(lián)網“大廠”的策略產品經理，畢業(yè)于大連東軟信息學院。人人都是產品經理網站的“20年度熱文作者”，公眾號“一個數(shù)據人的自留地”的聯(lián)合創(chuàng)辦人。先后就職于百度、小米，在搜索引擎、資訊、電商等領域從事過搜索、推薦、BI、畫像、反作弊、消息觸達等產品工作，涉獵范圍較廣，經驗豐富。陳麗媛，筆名草帽小子，自如畫像數(shù)據產品經理，擁有兩項發(fā)明專利。人人都是產品經理網站的專欄作家，公眾號“一個數(shù)據人的自留地”聯(lián)合創(chuàng)辦人。在用戶畫像、數(shù)據埋點、指標體系、BI等方面具有豐富的實戰(zhàn)經驗，所著系列文章深受廣大讀者喜愛。梁旭鵬，筆名大鵬，某互聯(lián)網“大廠”的數(shù)據產品負責人，畢業(yè)于北京郵電大學的碩士研究生。人人都是產品經理網站的專欄作家，《數(shù)據產品經理修煉手冊：從零基礎到大數(shù)據產品實踐》的作者，公眾號“一個數(shù)據人的自留地”的創(chuàng)辦人。在電商、內容、出行、金融等領域有近10年的大數(shù)據從業(yè)經驗。黃為偉，筆名偉仔，資深數(shù)據產品經理，金融學碩士，理學學士，公眾號“一個數(shù)據人的自留地”的聯(lián)合創(chuàng)辦人。先后就職于清科集團、交通銀行、小米、字節(jié)跳動，在私募、銀行、信貸、財務領域從事過數(shù)據分析和數(shù)據產品的相關工作，經驗豐富。陳勃，筆名薄荷點點，某互聯(lián)網“大廠”的高級數(shù)據產品經理，公眾號“一個數(shù)據人的自留地”的作者。先后就職于dangdang網、北京中交興路信息科技有限公司、JD物流集團，曾負責貨運大數(shù)據平臺、無人倉倉儲大腦等數(shù)據產品，北京市科協(xié)金橋工程種子資金項目負責人。

圖書目錄

第1 章那些困擾我們的數(shù)據問題
數(shù)據中臺篇
第2 章元數(shù)據中心
2.1 元數(shù)據中心概述
2.2 元數(shù)據中心的核心功能
2.2.1 數(shù)據整合
2.2.2 數(shù)據管理
2.2.3 數(shù)據地圖
第3 章數(shù)據指標中心
3.1 數(shù)據指標中心概述
3.2 數(shù)據指標中心的設計思路
3.2.1 定義指標并將其歸集到對應的主題域
3.2.2 拆分原子指標與派生指標
3.2.3 定義原子指標與派生指標的生產邏輯
3.2.4 通過指標管理平臺對指標進行規(guī)范生產
第4 章數(shù)倉模型中心
4.1 數(shù)倉模型中心概述
4.2 數(shù)倉模型中心的設計思路
4.2.1 控制數(shù)據源
4.2.2 劃分主題域
4.2.3 構建一致性維度
4.2.4 構建總線矩陣
4.2.5 數(shù)倉分層建設
4.2.6 數(shù)倉效果評估
第5 章數(shù)據資產中心
5.1 數(shù)據資產中心概述
5.2 數(shù)據資產中心的治理流程
5.2.1 數(shù)據資產定級
5.2.2 數(shù)據資產質量治理
5.2.3 數(shù)據資產成本治理
第6 章數(shù)據服務中心
6.1 數(shù)據服務中心概述
6.2 數(shù)據服務中心的設計思路
6.2.1 將數(shù)據寫入查詢庫
6.2.2 搭建元數(shù)據模型
6.2.3 按主題歸類
6.2.4 緩存優(yōu)化
6.2.5 數(shù)據接口化
6.2.6 構建API 集市
6.2.7 統(tǒng)一數(shù)據服務
數(shù)據分析篇
第7 章數(shù)據分析理論
7.1 業(yè)務和數(shù)據
7.2 數(shù)據分析師的全貌
7.3 數(shù)據分析團隊的組織架構及其對應的工作模式
7.4 數(shù)據分析師的工作方式
7.4.1 工作象限圖
7.4.2 1+N 的工作內容
7.4.3 與業(yè)務方的合作模式
7.4.4 有關工作方式常見問題的解法思考
第8 章數(shù)據分析實操
8.1 預測性分析
8.1.1 預測性分析的目的
8.1.2 分析思路與方法
8.1.3 預測性分析案例
8.2 描述性分析
8.3 診斷性分析
8.4 數(shù)據分析報告
數(shù)據應用篇
第9 章 BI 系統(tǒng)
9.1 讓人頭疼的看板需求
9.2 BI 系統(tǒng)介紹
9.3 BI 系統(tǒng)的關鍵技術
9.4 BI 系統(tǒng)實踐
9.4.1 數(shù)據接入
9.4.2 數(shù)據集加工
9.4.3 數(shù)據集權限控制
9.4.4 可視化報表配置
9.4.5 可視化結果展示
9.4.6 數(shù)據分析OLAP
9.4.7 如何衡量BI 系統(tǒng)是否成功
第10 章用戶畫像
10.1 用戶畫像的全貌
10.2 用戶畫像的需求
10.3 用戶畫像的規(guī)劃
10.3.1 用戶畫像的業(yè)務架構
10.3.2 用戶畫像的產品架構
10.3.3 用戶畫像的版本計劃
10.3.4 用戶畫像的項目執(zhí)行計劃
10.4 用戶ID 體系
10.5 標簽體系
10.6 用戶畫像系統(tǒng)
10.7 用戶畫像的應用
第11 章電商反作弊體系
11.1 電商黑產的現(xiàn)狀
11.2 電商黑產的防控方案
11.2.1 活動的損失評估
11.2.2 反電商黑產作弊案例
第12 章資訊個性化推薦
12.1 資訊的內容處理
12.1.1 資訊的內容來源
12.1.2 資訊的分類體系
12.1.3 常見的分類問題及內容分類原則
12.1.4 分類體系的構建
12.1.5 內容的標注與機器學習
12.2 資訊用戶的畫像和特征
12.2.1 資訊用戶的畫像
12.2.2 資訊用戶的特征
12.3 資訊的推薦算法
12.3.1 資訊的信息抽取
12.3.2 資訊的分詞方法
12.3.3 資訊的過濾排重
12.3.4 資訊的召回模型
12.3.5 資訊的算法排序
12.4 資訊的重排策略及案例
12.4.1 常見的重排策略及策略的目標
12.4.2 資訊的重排策略案例
第13 章電商個性化推送
13.1 push 的衡量
13.1.1 push 的目標與本質
13.1.2 push 的衡量指標
13.2 push 的優(yōu)化方向
13.3 push 的推薦案例
13.3.1 新用戶推薦方案
13.3.2 推薦的效果評測