产品逻辑之美:打造复杂的产品系统

第1部分 基 础
第1章 信息架构 2
1.1 信息架构到底是什么 2
1.2 信息架构设计的基本问题 4
1.2.1 你的用户是谁 4
1.2.2 你的内容是什么样的 5
1.2.3 你的产品应用场景是什么 6
1.3 如何设计好信息架构 6
1.3.1 选择合理的解决方案 7
1.3.2 符合一般用户认知 8
1.3.3 可视化的方案 8
1.3.4 以人为中心的设计 9
1.3.5 系统容错设计 10
1.3.6 合理的信息反馈 11
1.3.7 系统的可扩展性 12
1.3.8 关于设计准则的准则 15
1.4 分类系统：建立内容的图书馆 15
1.4.1 分类系统的挑战 16
1.4.2 多级分类 17
1.4.3 分类的维度 18
1.5 导航系统：永远别让用户迷路 21
1.5.1 导航的系统性 21
1.5.2 传统导航分类 23
1.5.3 移动端的导航设计 24
1.6 标签系统：将数据格式化 27
1.6.1 标签的来源 28
1.6.2 系统标签的设计原则 29
1.6.3 标签系统的作用 30
1.7 本章小结 31
■ 案例分享 31
第2章 数据分析 36
2.1 数据驱动的实施步骤 36
2.2 从埋点到指标 40
2.2.1 数据埋点的采集 41
2.2.2 数据埋点的评估 44
2.2.3 选择指标的准则 46
2.3 数据分析的核心方法 48
2.3.1 可信度分析 48
2.3.2 趋势分析 49
2.3.3 数据细分 50
2.3.4 数据对比 51
2.3.5 转化漏斗 52
2.3.6 集群分析 54
2.3.7 数据预估 54
2.3.8 综合分析 55
2.4 归因：从数据到认知 55
2.4.1 相关性和因果性 56
2.4.2 归因的类型 57
2.4.3 微观归因方法 58
2.5 数据分析报告 59
2.5.1 数据报告构成 59
2.5.2 数据报告说明 60
2.6 本章小结 62
第3章 机器学习 63
3.1 什么是机器学习 64
3.1.1 机器学习与学习 64
3.1.2 机器学习系统的构成 65
3.1.3 机器学习的优势 69
3.1.4 机器学习的挑战 71
3.2 特征工程：算法的基石 72
3.2.1 数据提取 72
3.2.2 数据预处理 73
3.2.3 特征选择 77
3.2.4 特征降维 78
3.2.5 其他特征工程 79
3.3 常用机器学习算法 80
3.3.1 线性回归 80
3.3.2 逻辑回归 82
3.3.3 C4.5决策树算法 83
3.3.4 K-means算法 85
3.3.5 朴素贝叶斯 86
3.3.6 人工神经网络 88
3.3.7 模型融合 89
3.4 机器学习算法的应用 90
3.5 人与算法 94
3.5.1 算法可以成为产品的核心竞争力 94
3.5.2 算法需要被更多人理解 95
3.5.3 算法系统需要和人更好地结合 96
3.6 本章小结 97
第2部分 用 户
第4章 用户运营 100
4.1 用户价值衡量 100
4.1.1 衡量指标的选取 100
4.1.2 净推荐值 102
4.2 用户筛选 104
4.2.1 人工规则 104
4.2.2 RFM模型 105
4.2.3 算法筛选 107
4.3 用户留存 108
4.3.1 创造用户价值 108
4.3.2 定期举办运营活动 110
4.3.3 自动化留存 111
4.4 用户召回 112
4.4.1 常规召回 113
4.4.2 广告召回 113
4.4.3 营销召回 114
4.5 用户变现 115
4.5.1 会员 116
4.5.2 广告 117
4.5.3 电商 118
4.5.4 游戏 120
4.6 本章小结 120
■ 案例分享 121

第5章 用户中心 124
5.1 需求的划分 124
5.2 注册登录 126
5.2.1 手机号与验证码 126
5.2.2 注册登录策略 128
5.2.3 注册登录流程的案例 130
5.3 会员体系 132
5.3.1 会员的核心价值 132
5.3.2 会员体系的设计方法 133
5.3.3 向传统服务行业学习 138
5.4 客服系统 139
5.4.1 客服系统组成 139
5.4.2 核心指标：CPO 143
5.4.3 从客服到产品 144
5.5 本章小结 144
■ 案例分享 145
第3部分 系 统
第6章 搜索系统 150
6.1 搜索系统的原理 150
6.1.1 搜索系统如何存储数据 150
6.1.2 如何处理用户输入的搜索文本 153
6.1.3 对内容进行筛选 155
6.1.4 对结果进行排序 155
6.2 搜索交互功能 158
6.3 搜索系统的评估 165
6.3.1 客观指标 166
6.3.2 人工评估指标 167
6.4 优化搜索系统 169
6.4.1 数据系统 170
6.4.2 A/B测试 171
6.4.3 搜索运营后台 172
6.4.4 基础数据规范 172
6.4.5 逐个评估、抓大放小 172
6.5 本章小结 173
■ 案例分享 173
第7章 推荐系统 178
7.1 推荐系统的基本介绍 179
7.1.1 推荐系统的应用场景 179
7.1.2 目标和数据 181
7.1.3 从一张表格说起 183
7.2 从内容推荐到协同过滤 183
7.2.1 基于内容的推荐 184
7.2.2 协同过滤与相似度 185
7.2.3 基于内容的协同过滤 188
7.2.4 基于用户的协同过滤 189
7.2.5 基于标签的推荐 190
7.3 隐语义模型 192
7.3.1 隐语义模型的思想 193
7.3.2 隐语义模型的原理 194
7.3.3 隐语义模型的应用 198
7.4 推荐算法的评估 199
7.4.1 离线评估 199
7.4.2 离线评估A/B测试 203
7.4.3 线上A/B测试 204

7.5 推荐系统项目实践 205
7.5.1 要解决产品的哪些问题 206
7.5.2 怎样合理地规划技术路径 206
7.5.3 推荐系统的策略细节 207
7.6 本章小结 213
■ 案例分享 214
第8章 信息流系统 217
8.1 信息流的设计思路 218
8.1.1 信息优先级 218
8.1.2 信息加工策略 219
8.1.3 信息流更新机制 222
8.2 规则类信息流设计 223
8.2.1 时间衰减法 224
8.2.2 对数衰减法 225
8.2.3 评价排序法 227
8.2.4 概率加权法 228
8.3 个性化信息流设计 230
8.3.1 从规则算法到机器学习 230
8.3.2 用户冷启动 232
8.3.3 及时反馈 232
8.3.4 内容冷启动 233
8.4 信息流的商业模式 234
8.5 信息流的挑战 235
8.6 本章小结 237
■ 案例分享 238
第9章 线下交易匹配系统 242
9.1 线下交易的特点 242
9.1.1 资源排他性 243
9.1.2 时空不匹配 243
9.1.3 系统公平性 244
9.1.4 系统开放性 245
9.1.5 服务敏感性 246
9.2 时空价值模型 246
9.2.1 时空价值模型的定义 247
9.2.2 时空理想划分 247
9.2.3 时空聚类方法 248
9.2.4 仿真模型构建 249
9.3 时空价值 250
9.3.1 时空需求预估 251
9.3.2 基于转移概率的时空价值预估 252
9.3.3 基于邻域的时空价值预估 253
9.4 服务匹配方法 254
9.4.1 匹配度的构建 254
9.4.2 二分图匹配 255
9.5 线下交易运营 256
9.5.1 用户侧运营 257
9.5.2 服务侧激励 257
9.5.3 动态调价 258
9.5.4 预期可视化 258
9.5.5 高价值用户保护 259
9.6 线下交易的挑战 259
9.6.1 押金模式的困境 259
9.6.2 社会和政策的影响 260
9.6.3 供需时空分布不均 261
9.6.4 无法兼顾效率和业务目标 262
9.6.5 数据挖掘和算法创新 262
9.7 本章小结 263
■ 案例分享 263
第4部分 职 业
第10章 产品逻辑之美 268
10.1 人是不完美的系统 269
10.1.1 非理性的决策 269
10.1.2 有立场的决策 270
10.1.3 信息不完全的决策 272
10.2 产品经理的逻辑 273
10.2.1 什么是产品经理的逻辑 273
10.2.2 怎么评估产品经理的逻辑 274
10.2.3 怎么提高产品经理的逻辑 274
10.3 我的思维框架 275
10.4 人是终极算法 277
第11章 未来的产品经理 280
11.1 产品经理的历史 280
11.2 产品经理的现在 281
11.2.1 焦虑的产品经理 281
11.2.2 产品经理的晋升 283
11.3 产品经理的未来 284
11.3.1 对新鲜事物保持好奇 285
11.3.2 对社会和人保持好奇心 286
11.4 为未来而准备 287