数据驱动 从方法到实践

1 (p1): 第1章 从百度大数据工作的经历说开
3 (p1-1): 百度数据板块：网页数据和用户行为数据
4 (p1-2): 搜索引擎发展
5 (p1-3): 用户行为分析践行：百度知道的回答量提升7.5%
6 (p1-4): 从零到一构建百度大数据分析平台
9 (p1-5): 数据源与Event模型的重要性
10 (p1-6): 大数据是屠龙术
11 (p2): 第2章 大数据思维与数据驱动
14 (p2-1): 大数据的概念
14 (p2-1-1): 大数据之“大”
15 (p2-1-2): 大数据之“全”
16 (p2-1-3): 大数据之“细”
16 (p2-1-4): 大数据之“时”
17 (p2-2): 大数据的本质
20 (p2-3): 数据驱动理念与现状
20 (p2-3-1): 数据驱动的价值
21 (p2-3-2): 企业内部数据驱动现状
23 (p2-3-3): 理想的数据驱动——“流”
24 (p2-4): 大数据时代到来的条件
25 (p2-4-1): 数据采集能力增强
26 (p2-4-2): 数据处理能力增强
27 (p2-4-3): 数据意识的提升
29 (p3): 第3章 数据驱动的环节
32 (p3-1): 数据采集与埋点
32 (p3-1-1): 数据采集的现状
34 (p3-1-2): 数据采集遵循法则
36 (p3-1-3): 科学的数据采集和埋点方式
40 (p3-1-4): 数据的准确性
44 (p3-2): 数据建模
44 (p3-2-1): 数据模型与建模
46 (p3-2-2): 多维数据模型
49 (p3-2-3): 多维事件模型
52 (p3-2-4): 多维事件模型的探索经历
55 (p3-3): 数据分析方法
55 (p3-3-1): 行为事件分析
58 (p3-3-2): 漏斗分析
61 (p3-3-3): 留存分析
64 (p3-3-4): 分布分析
67 (p3-3-5): 点击分析
73 (p3-3-6): 用户路径
75 (p3-3-7): 用户分群
80 (p3-3-8): 属性分析
82 (p3-4): 指标体系构建
82 (p3-4-1): 第一关键指标法
86 (p3-4-2): 海盗指标法
89 (p4): 第4章 数据驱动产品和运营决策
91 (p4-1): 数据驱动运营监控
91 (p4-1-1): 用户获取（Acquisition）
92 (p4-1-2): 激活（Activation）
97 (p4-1-3): 留存（Retention）
99 (p4-1-4): 引荐（Referral）
101 (p4-1-5): 营收（Revenue）
102 (p4-2): 数据驱动产品改进和体验优化
104 (p4-3): 数据驱动商业决策
106 (p4-3-1): 数据驱动落地企业，要从管理者做起
108 (p4-3-2): 数据驱动商业决策的价值
109 (p5): 第5章 数据驱动产品智能
114 (p5-1): 数据平台及用户智能
114 (p5-1-1): 如何计算热门榜单
114 (p5-1-2): 客服系统中的行为数据
115 (p5-1-3): 为什么需要数据平台
116 (p5-1-4): 数据平台提供的能力
119 (p5-2): 数据应用与用户智能
119 (p5-2-1): 基于用户行为数据的用户智能应用
123 (p5-2-2): 用户智能分类：基于规则与机器学习
132 (p5-3): 用户智能应用——用户画像
132 (p5-3-1): 两种用户画像：User Persona与User Profile
135 (p5-3-2): 用户画像（User Profile）标签体系的建立
139 (p5-4): 用户智能应用——个性化推荐
139 (p5-4-1): 个性化推荐的概念
140 (p5-4-2): 架构实现
142 (p5-4-3): 数据流
143 (p5-4-4): 业务分析与模型选择
144 (p5-4-5): 实验与迭代
147 (p6): 第6章 各行业实践数据分析全过程
149 (p6-1): 互联网金融数据驱动实践
150 (p6-1-1): 实践案例
158 (p6-2): 企业服务数据驱动实践
159 (p6-2-1): 数据驱动能够为企业服务做什么
160 (p6-2-2): 面临的挑战
161 (p6-2-3): 数据应用的阶段
168 (p6-2-4): 实践案例
175 (p6-3): 零售行业数据驱动实践
176 (p6-3-1): 实践案例
186 (p6-4): 电子商务数据驱动实践
186 (p6-4-1): 打破企业发展经营困局：从粗放式到精细化
187…