產(chǎn)品邏輯之美：打造復(fù)雜的產(chǎn)品系統(tǒng)

第1部分 基 礎(chǔ)
第1章 信息架構(gòu) 2
1．1 信息架構(gòu)到底是什么 2
1．2 信息架構(gòu)設(shè)計的基本問題 4
1．2．1 你的用戶是誰 4
1．2．2 你的內(nèi)容是什么樣的 5
1．2．3 你的產(chǎn)品應(yīng)用場景是什么 6
1．3 如何設(shè)計好信息架構(gòu) 6
1．3．1 選擇合理的解決方案 7
1．3．2 符合一般用戶認知 8
1．3．3 可視化的方案 8
1．3．4 以人為中心的設(shè)計 9
1．3．5 系統(tǒng)容錯設(shè)計 10
1．3．6 合理的信息反饋 11
1．3．7 系統(tǒng)的可擴展性 12
1．3．8 關(guān)于設(shè)計準(zhǔn)則的準(zhǔn)則 15
1．4 分類系統(tǒng)：建立內(nèi)容的圖書館 15
1．4．1 分類系統(tǒng)的挑戰(zhàn) 16
1．4．2 多級分類 17
1．4．3 分類的維度 18
1．5 導(dǎo)航系統(tǒng)：永遠別讓用戶迷路 21
1．5．1 導(dǎo)航的系統(tǒng)性 21
1．5．2 傳統(tǒng)導(dǎo)航分類 23
1．5．3 移動端的導(dǎo)航設(shè)計 24
1．6 標(biāo)簽系統(tǒng)：將數(shù)據(jù)格式化 27
1．6．1 標(biāo)簽的來源 28
1．6．2 系統(tǒng)標(biāo)簽的設(shè)計原則 29
1．6．3 標(biāo)簽系統(tǒng)的作用 30
1．7 本章小結(jié) 31
■ 案例分享 31
第2章 數(shù)據(jù)分析 36
2．1 數(shù)據(jù)驅(qū)動的實施步驟 36
2．2 從埋點到指標(biāo) 40
2．2．1 數(shù)據(jù)埋點的采集 41
2．2．2 數(shù)據(jù)埋點的評估 44
2．2．3 選擇指標(biāo)的準(zhǔn)則 46
2．3 數(shù)據(jù)分析的核心方法 48
2．3．1 可信度分析 48
2．3．2 趨勢分析 49
2．3．3 數(shù)據(jù)細分 50
2．3．4 數(shù)據(jù)對比 51
2．3．5 轉(zhuǎn)化漏斗 52
2．3．6 集群分析 54
2．3．7 數(shù)據(jù)預(yù)估 54
2．3．8 綜合分析 55
2．4 歸因：從數(shù)據(jù)到認知 55
2．4．1 相關(guān)性和因果性 56
2．4．2 歸因的類型 57
2．4．3 微觀歸因方法 58
2．5 數(shù)據(jù)分析報告 59
2．5．1 數(shù)據(jù)報告構(gòu)成 59
2．5．2 數(shù)據(jù)報告說明 60
2．6 本章小結(jié) 62
第3章 機器學(xué)習(xí) 63
3．1 什么是機器學(xué)習(xí) 64
3．1．1 機器學(xué)習(xí)與學(xué)習(xí) 64
3．1．2 機器學(xué)習(xí)系統(tǒng)的構(gòu)成 65
3．1．3 機器學(xué)習(xí)的優(yōu)勢 69
3．1．4 機器學(xué)習(xí)的挑戰(zhàn) 71
3．2 特征工程：算法的基石 72
3．2．1 數(shù)據(jù)提取 72
3．2．2 數(shù)據(jù)預(yù)處理 73
3．2．3 特征選擇 77
3．2．4 特征降維 78
3．2．5 其他特征工程 79
3．3 常用機器學(xué)習(xí)算法 80
3．3．1 線性回歸 80
3．3．2 邏輯回歸 82
3．3．3 C4．5決策樹算法 83
3．3．4 K-means算法 85
3．3．5 樸素貝葉斯 86
3．3．6 人工神經(jīng)網(wǎng)絡(luò) 88
3．3．7 模型融合 89
3．4 機器學(xué)習(xí)算法的應(yīng)用 90
3．5 人與算法 94
3．5．1 算法可以成為產(chǎn)品的核心競爭力 94
3．5．2 算法需要被更多人理解 95
3．5．3 算法系統(tǒng)需要和人更好地結(jié)合 96
3．6 本章小結(jié) 97
第2部分 用 戶
第4章 用戶運營 100
4．1 用戶價值衡量 100
4．1．1 衡量指標(biāo)的選取 100
4．1．2 凈推薦值 102
4．2 用戶篩選 104
4．2．1 人工規(guī)則 104
4．2．2 RFM模型 105
4．2．3 算法篩選 107
4．3 用戶留存 108
4．3．1 創(chuàng)造用戶價值 108
4．3．2 定期舉辦運營活動 110
4．3．3 自動化留存 111
4．4 用戶召回 112
4．4．1 常規(guī)召回 113
4．4．2 廣告召回 113
4．4．3 營銷召回 114
4．5 用戶變現(xiàn) 115
4．5．1 會員 116
4．5．2 廣告 117
4．5．3 電商 118
4．5．4 游戲 120
4．6 本章小結(jié) 120
■ 案例分享 121

第5章 用戶中心 124
5．1 需求的劃分 124
5．2 注冊登錄 126
5．2．1 手機號與驗證碼 126
5．2．2 注冊登錄策略 128
5．2．3 注冊登錄流程的案例 130
5．3 會員體系 132
5．3．1 會員的核心價值 132
5．3．2 會員體系的設(shè)計方法 133
5．3．3 向傳統(tǒng)服務(wù)行業(yè)學(xué)習(xí) 138
5．4 客服系統(tǒng) 139
5．4．1 客服系統(tǒng)組成 139
5．4．2 核心指標(biāo)：CPO 143
5．4．3 從客服到產(chǎn)品 144
5．5 本章小結(jié) 144
■ 案例分享 145
第3部分 系 統(tǒng)
第6章 搜索系統(tǒng) 150
6．1 搜索系統(tǒng)的原理 150
6．1．1 搜索系統(tǒng)如何存儲數(shù)據(jù) 150
6．1．2 如何處理用戶輸入的搜索文本 153
6．1．3 對內(nèi)容進行篩選 155
6．1．4 對結(jié)果進行排序 155
6．2 搜索交互功能 158
6．3 搜索系統(tǒng)的評估 165
6．3．1 客觀指標(biāo) 166
6．3．2 人工評估指標(biāo) 167
6．4 優(yōu)化搜索系統(tǒng) 169
6．4．1 數(shù)據(jù)系統(tǒng) 170
6．4．2 A/B測試 171
6．4．3 搜索運營后臺 172
6．4．4 基礎(chǔ)數(shù)據(jù)規(guī)范 172
6．4．5 逐個評估、抓大放小 172
6．5 本章小結(jié) 173
■ 案例分享 173
第7章 推薦系統(tǒng) 178
7．1 推薦系統(tǒng)的基本介紹 179
7．1．1 推薦系統(tǒng)的應(yīng)用場景 179
7．1．2 目標(biāo)和數(shù)據(jù) 181
7．1．3 從一張表格說起 183
7．2 從內(nèi)容推薦到協(xié)同過濾 183
7．2．1 基于內(nèi)容的推薦 184
7．2．2 協(xié)同過濾與相似度 185
7．2．3 基于內(nèi)容的協(xié)同過濾 188
7．2．4 基于用戶的協(xié)同過濾 189
7．2．5 基于標(biāo)簽的推薦 190
7．3 隱語義模型 192
7．3．1 隱語義模型的思想 193
7．3．2 隱語義模型的原理 194
7．3．3 隱語義模型的應(yīng)用 198
7．4 推薦算法的評估 199
7．4．1 離線評估 199
7．4．2 離線評估A/B測試 203
7．4．3 線上A/B測試 204

7．5 推薦系統(tǒng)項目實踐 205
7．5．1 要解決產(chǎn)品的哪些問題 206
7．5．2 怎樣合理地規(guī)劃技術(shù)路徑 206
7．5．3 推薦系統(tǒng)的策略細節(jié) 207
7．6 本章小結(jié) 213
■ 案例分享 214
第8章 信息流系統(tǒng) 217
8．1 信息流的設(shè)計思路 218
8．1．1 信息優(yōu)先級 218
8．1．2 信息加工策略 219
8．1．3 信息流更新機制 222
8．2 規(guī)則類信息流設(shè)計 223
8．2．1 時間衰減法 224
8．2．2 對數(shù)衰減法 225
8．2．3 評價排序法 227
8．2．4 概率加權(quán)法 228
8．3 個性化信息流設(shè)計 230
8．3．1 從規(guī)則算法到機器學(xué)習(xí) 230
8．3．2 用戶冷啟動 232
8．3．3 及時反饋 232
8．3．4 內(nèi)容冷啟動 233
8．4 信息流的商業(yè)模式 234
8．5 信息流的挑戰(zhàn) 235
8．6 本章小結(jié) 237
■ 案例分享 238
第9章 線下交易匹配系統(tǒng) 242
9．1 線下交易的特點 242
9．1．1 資源排他性 243
9．1．2 時空不匹配 243
9．1．3 系統(tǒng)公平性 244
9．1．4 系統(tǒng)開放性 245
9．1．5 服務(wù)敏感性 246
9．2 時空價值模型 246
9．2．1 時空價值模型的定義 247
9．2．2 時空理想劃分 247
9．2．3 時空聚類方法 248
9．2．4 仿真模型構(gòu)建 249
9．3 時空價值 250
9．3．1 時空需求預(yù)估 251
9．3．2 基于轉(zhuǎn)移概率的時空價值預(yù)估 252
9．3．3 基于鄰域的時空價值預(yù)估 253
9．4 服務(wù)匹配方法 254
9．4．1 匹配度的構(gòu)建 254
9．4．2 二分圖匹配 255
9．5 線下交易運營 256
9．5．1 用戶側(cè)運營 257
9．5．2 服務(wù)側(cè)激勵 257
9．5．3 動態(tài)調(diào)價 258
9．5．4 預(yù)期可視化 258
9．5．5 高價值用戶保護 259
9．6 線下交易的挑戰(zhàn) 259
9．6．1 押金模式的困境 259
9．6．2 社會和政策的影響 260
9．6．3 供需時空分布不均 261
9．6．4 無法兼顧效率和業(yè)務(wù)目標(biāo) 262
9．6．5 數(shù)據(jù)挖掘和算法創(chuàng)新 262
9．7 本章小結(jié) 263
■ 案例分享 263
第4部分 職 業(yè)
第10章 產(chǎn)品邏輯之美 268
10．1 人是不完美的系統(tǒng) 269
10．1．1 非理性的決策 269
10．1．2 有立場的決策 270
10．1．3 信息不完全的決策 272
10．2 產(chǎn)品經(jīng)理的邏輯 273
10．2．1 什么是產(chǎn)品經(jīng)理的邏輯 273
10．2．2 怎么評估產(chǎn)品經(jīng)理的邏輯 274
10．2．3 怎么提高產(chǎn)品經(jīng)理的邏輯 274
10．3 我的思維框架 275
10．4 人是終極算法 277
第11章 未來的產(chǎn)品經(jīng)理 280
11．1 產(chǎn)品經(jīng)理的歷史 280
11．2 產(chǎn)品經(jīng)理的現(xiàn)在 281
11．2．1 焦慮的產(chǎn)品經(jīng)理 281
11．2．2 產(chǎn)品經(jīng)理的晉升 283
11．3 產(chǎn)品經(jīng)理的未來 284
11．3．1 對新鮮事物保持好奇 285
11．3．2 對社會和人保持好奇心 286
11．4 為未來而準(zhǔn)備 287