前言
概覽篇
第1章　智能化時代下的產(chǎn)品經(jīng)理
1.1　當下的技術和市場環(huán)境002
1.1.1　技術升級帶來的新變化002
1.1.2　用戶和市場的趨勢走向006
1.2　雙拐點來臨，常規(guī)產(chǎn)品經(jīng)理如何轉型009
1.3　智能化時代催生了策略產(chǎn)品經(jīng)理012
1.3.1　最早的策略產(chǎn)品經(jīng)理招聘信息012
1.3.2　常規(guī)產(chǎn)品思維和策略產(chǎn)品思維014
第2章　策略產(chǎn)品經(jīng)理到底是什么
2.1　策略產(chǎn)品經(jīng)理的本質017
2.1.1　基于方法的命名017
2.1.2　基于目標的命名019
2.1.3　基于場景的命名021
2.1.4　小結023
2.2　策略產(chǎn)品經(jīng)理職責剖析024
2.3　策略產(chǎn)品經(jīng)理能力剖析026
方法篇
第3章　策略產(chǎn)品經(jīng)理必備的函數(shù)方法論
3.1　業(yè)務函數(shù)的定義與拆解031
3.1.1　業(yè)務函數(shù)的定義031
3.1.2　業(yè)務函數(shù)的拆解032
3.2　函數(shù)方法論框架036
3.2.1　產(chǎn)品策略與函數(shù)方法論3+1要素036
3.2.2　一個簡單的案例——圖片驗證碼識別041
3.3　常見的基準策略044
3.3.1　熱門排行策略045
3.3.2　最近行為策略047
3.3.3　基于業(yè)務規(guī)則的基準策略048
第4章　函數(shù)方法論三要素詳解
4.1　三要素之樣本051
4.1.1　樣本選取的原則051
4.1.2　樣本獲取的方法053
4.2　三要素之特征060
4.2.1　特征選擇的原則061
4.2.2　特征選擇的方法062
4.3　三要素之評估070
4.3.1　評估前的樣本切分070
4.3.2　常見的評估方法072
第5章　基于函數(shù)方法論的業(yè)務策略分析
5.1　一個簡單的案例——營銷投放的策略分析080
5.1.1　營銷投放的三大流派080
5.1.2　RFM模型與營銷投放策略082
5.2　三大應用場景之搜索業(yè)務的策略分析086
5.2.1　搜索系統(tǒng)的演進086
5.2.2　搜索系統(tǒng)的策略分析088
5.3　三大應用場景之推薦業(yè)務的策略分析094
5.3.1　推薦系統(tǒng)的演進094
5.3.2　推薦系統(tǒng)的策略分析098
5.4　三大應用場景之廣告業(yè)務的策略分析103
5.4.1　廣告系統(tǒng)的演進103
5.4.2　廣告系統(tǒng)的策略分析110
5.5　三大應用場景小結117
5.5.1　三大應用場景的關系、共性與差異117
5.5.2　殊途同歸：召回排序架構120
第6章　策略產(chǎn)品經(jīng)理必備的經(jīng)濟學方法論
6.1　幾個重要的經(jīng)濟學概念122
6.1.1　理性人假設、偏好與效用函數(shù)122
6.1.2　成本、收益與邊際124
6.1.3　博弈論與拍賣126
6.2　基于經(jīng)濟學的業(yè)務策略分析129
6.2.1　定價問題的策略129
6.2.2　匹配（調度）問題的策略134
6.3　經(jīng)濟學方法論與函數(shù)方法論140
6.3.1　定價問題：Airbnb動態(tài)定價策略140
6.3.2　匹配（調度）問題：美團騎手派單策略146
6.3.3　兩種方法論的共性與差異151
6.4　經(jīng)濟學前沿：未來會是怎樣的153
第7章　聚焦現(xiàn)在：機器學習模型解析與在業(yè)務中的應用
7.1　機器學習的本質157
7.2　常見基本模型161
7.2.1　決策樹162
7.2.2　K-近鄰168
7.2.3　支持向量機171
7.2.4　樸素貝葉斯和高斯判別分析174
7.2.5　邏輯回歸178
7.2.6　基本模型小結183
7.3　從業(yè)務問題到模型184
7.3.1　群體的智慧：國際機票聯(lián)程推薦184
7.3.2　車牌的秘密：車險營銷策略188
7.4　三大應用場景經(jīng)典模型193
7.4.1　搜索系統(tǒng)的經(jīng)典模型193
7.4.2　推薦系統(tǒng)的經(jīng)典模型196
7.4.3　廣告系統(tǒng)的經(jīng)典模型201
7.5　常見模型融合204
第8章　放眼未來：深度學習模型解析與影響
8.1　從感知機到深度學習208
8.1.1　感知機與神經(jīng)網(wǎng)絡209
8.1.2　深度學習與人工智能發(fā)展史214
8.1.3　深度學習爆發(fā)的三個條件217
8.2　深度學習與函數(shù)方法論三要素221
8.2.1　自編碼器與特征221
8.2.2　遷移學習與樣本223
8.2.3　多任務學習與評估226
能力篇
第9章　數(shù)據(jù)分析能力要點解析
9.1　從數(shù)據(jù)源獲取數(shù)據(jù)231
9.1.1　數(shù)據(jù)流簡介231
9.1.2　數(shù)據(jù)工具232
9.2　從數(shù)據(jù)到事實：三種常用挖掘方法235
9.2.1　對比236
9.2.2　細分236
9.2.3　溯源237
9.3　從事實到觀點：多種典型邏輯論證方法238
9.3.1　例證法239
9.3.2　選言證法240
9.3.3　歸謬法241
9.3.4　多種論證方法的組合241
9.4　從觀點到方案：兩大決策結果驗證步驟243
9.4.1　評估與實驗指標設計243
9.4.2　設計實驗方案與A/B測試246
第10章　溝通與項目管理能力的模型解析
10.1　什么是溝通模型253
10.1.1　Shannon-Weaver模型253
10.1.2　溝通信道與編解碼模型255
10.2　如何高效達到溝通目的259
10.2.1　一個風控經(jīng)理的煩惱259
10.2.2　一類實用的溝通方法：利益溝通法262
10.3　項目管理的模型分析264
10.3.1　項目管理的不可能三角264
10.3.2　項目管理模型266
第11章　策略類產(chǎn)品的價值、迭代路徑與壁壘
11.1　產(chǎn)品價值的主要來源270
11.1.1　效用差271
11.1.2　效率差273
11.2　策略類產(chǎn)品的效率差與迭代路徑275
11.2.1　從“人工”智能到“人工智能”275
11.2.2　尋找“待采摘的花生地”：策略產(chǎn)品迭代的方法論277
11.3　用效率差構建產(chǎn)品的壁壘278
11.3.1　樣本優(yōu)勢：“高頻打低頻”的另一個真相279
11.3.2　樣本優(yōu)勢與效率壁壘281
第12章　職業(yè)路徑與團隊組建
12.1　從不同職位到策略產(chǎn)品經(jīng)理283
12.1.1　從常規(guī)產(chǎn)品經(jīng)理到策略產(chǎn)品經(jīng)理283
12.1.2　從算法工程師到策略產(chǎn)品經(jīng)理287
12.1.3　從數(shù)據(jù)分析師到策略產(chǎn)品經(jīng)理291
12.2　管理模型與策略團隊組建294
12.2.1　一個運營團隊的變遷：從運營后臺的演進路線說起294
12.2.2　管理模型：管理解耦與能力抽象298
后記與致謝