简介

精彩点评

• 

  周帆

  推荐

  是一本让我醍醐灌顶的书。书中作者以标签体系为主线，扩展基于数据中台的业务价值输出体系。现在的数据中台多以技术驱动，技术人员觉得自己那么辛苦治理数据，可你业务为什么不使用，而且找你要个数据那么难。而业务人员却觉得想要什么数据看不到，拿个报表结果开发却以月为单位，黄花菜都凉了。而作者的实践则是构建标签森林，让业务人员像在淘宝一样浏览数据、收藏数据或下单购买。标签树根据业务的反馈决定自已的生长过程，业务人员不关心的树会自然枯萎。 从书中看出作者用心整理自己多年的标签经验实践，一步一步娓娓道来，对数据工作者有很好的指导意义，确实是一本好书

• 

  小芒果

  推荐

  搭建标签体系的过程就像是微积分，先微分，将复杂的业务数据拆成原子级别的数据，再积分，将原子级别的数据根据业务场景进行组合。 增加了标签的灵活度，从长远角度上看也是减少成本，提高收益的一种做法。

• 

  晨曦

  推荐

  大部分篇幅在重复讲述一些Why？但是标签在企业实战中往往需要的是How！可以速读浏览一些重要章节

• 

  YAO Hui

  推荐

  标签设计有点像schema/数据库表结构设计的业务表达。还是很有启发，esp关系型标签设计解决了这几天困惑的问题

• 

  斯普特尼克号

  推荐

  一本很详实的标签方法论介绍书籍，解答了一些平时习以为常但没有思考过why的问题。下回实操前再拿出来复习。 1.标签是基于对原始数据的加工，用于帮助业务更好地描述人、物、关系三者之间的关系。场景是人、物、关系之上的概念。 2. 标签体系设计目的在于把个体观察升级为群体观察，而非过去对个体对象的归纳。在标签设计上可以先用演绎的方法推导，书中介绍了五种常见的标签设计思路。 3. 类目体系是第一性原理，标签以类目体系进行设计用以帮助我们更好地梳理、使用标签。标签类目体系需要分前后台核心在于商业活动中前台随着业务变得强调灵活可变，后台反映商业本质需要稳定、普适、可复用。 4.电商场景的流量分发很大程度基于商品的类目体系，是重要的基石。例如亚马逊A9排序算法很强调类目准确性与相关性。

• 

  百变

  推荐

  比较深入介绍了标签的产生过程及相关细节，适合做标签深入专业研究细读

• 

  难得糊涂

  推荐

  标签体系与数据业务相关性很大，恐怕特殊性问题可以解决，但一般性问题的抽象还需要进一步研究。

• 

  Patricia2Q21

  推荐

  这本书适合数据中台工作的伙伴阅读，我是互联网运营岗位，读完对于公司数据标签如何搭建有了基本认识，因为不是我的工作范围内，所以看得不是很细致，但是作者应该是理工科背景，行文逻辑框架都比较硬，所以小标题都很清晰地告诉读者这段要说什么，这点比较友好！ 对于业务方来说，了解整个公司数据标签框架和设计的背景理由，还是挺有必要的，毕竟现在工作都是以数据为基准再做，有这个抓手，也不至于太慌张！ 对于业务方来说，怎么把数据更好地利用出来的工具平台，要好好设计啊🧐🧐🧐

• 

  木木钰鑫

  推荐

  是从业人员的思考积累，但是数据理论不是那么扎实，比较偏业务侧理解。所以中间有不少水文，到部分章节还比较有价值，比如后面的模板

• 

  徐薇薇

  推荐

  重复啰嗦无逻辑，比如e一r 建模思想非得用一大堆大概念，概念有了你还重复讲

• 

  一休哥

  推荐

  看了前面几章，有点看不下去，废话实在多。讲个简单分类，还扯到对树木的仔细观察。

• 

  李云清呢？

  推荐

  虽然只看了试读部分的前两章，但是真的非常醍醐灌顶，尤其对于正在摸索数据平台的产品经理而言，前面各种作者经历过的背景都是现在自己也正在经历的真实状况，一直以来都认为类目和标签是数据平台的基石，但真正要去实现的时候才知道有多无从下手，而这本书真的能带来很多的启发，之前能感知到但说不明道不清的问题，作者都写明白了。准备入手实体书继续学习下去。

• 

  JOY

  推荐

  作为我的第一本标签设计的书籍，个人表示收货很多，虽然看有些评论写的可能实战部分写的还是少，但很多优秀的地方还是值得我们仔细阅读的。推荐。

• 

  TiuTiu

  推荐

  我看过的关于标签最好的书或者文章了，可惜数仓和标签的映射没有深入讲解

• 

  陈默非🍦

  推荐

  个人成长工作学习的笔记整理一直是个难题，承认是因为标题党进来了，但确实发现如果找一下个人场景的商业化应用，能够给到自己很多启发，毕竟人家是靠这个吃饭的。 l外加数据资产的定义和开发确实也是一个关注的话题，以及工作的潜在方向。 第一遍光是零散的图标浏览外加图表上下文阅读及花了将近五个小时，550个划线和批注。第二遍精读估计时间更久呢。果然是一个感兴趣以及有用的领域的工具书。 本书把通过标签整合数据发掘价值的方法论（法和术）讲的非常清楚。对于管理或者战略咨询师转行，想转数据分析的，或者对于想追数据风口的年轻人来说，都很有价值。总结来说，数据资产设计师是top tier的存在，因为他处理的是抽象的认知层。而数据分析师其实只是个数据助理，处理的只是具象的工具应用和实现层。 崇尚技多不压身和多个技能多条路的可以选后者，而真正相信数字改变xx行业的一定要选前者！