分析了近500位产品经理后,得出这些产品经理的日常

文章分析了497位产品经理的技能和工作经历,发现他们最常提及的关键词包括产品、设计、项目等,常用工具如Axure、Visio和Office系列,主要工作内容涉及原型设计、流程图制作和数据分析。大部分产品经理写PRD文档,部分掌握编程语言和数据库技术。有创业经历或在知名公司工作的产品经理更受企业欢迎,预约率较高。
前些天,我从实现网上抓取了497位产品经理的个人信息,这些产品人平均工作时间超过5年,来自200多家公司,其中152人拥有BAT 、京东、美团、网易、小米等一线互联网公司工作经历,当然也有很大一部分来自不知名的创业公司。

以下是正文:

对这里面各产品经理擅长技能的介绍文字(共计103788字)以及所属公司和预约的订单数进行统计和分析后,我得到了如下结果。

1、产品经理们说的最多是什么?

这是我将10万余字的技能信息通过自然语言分词以后生成的词云,产品经理工作中的前十大关键词是:产品、设计、项目、开发、需求、管理、用户、数据、分析、团队

2、使用最多的工具是什么?

Axure 当之无愧成为产品经理使用最多的工具,提到次数达81次,其中 office 系列(含 word、excel、ppt)共计38次,第三是 visio,也有35次。

原型工具:Axure 超过其它原型工具的总和,第二是 sketch,国产工具墨刀成为第三名,其它使用的还有 omnigraffle、mockplus、pop。

流程图工具:visio 绝对是流程图界的霸主,部分 mac 用户选择了omnigraffle。

脑图工具:脑图工具使用者也非常多,主要工具是mindmanager、xmind、mindnode等。(xmind 跨平台、mm 和 mindnode 分别为 windows 和 mac 用户专属)

少量用户使用 spss 统计分析。

综上:我们可以总结出产品经理的主要工作内容:产品原型(axure)、逻辑流程(visio)、归纳整理(mindmanager)、产品文档(office)、数据分析(excle、spss)。

3、每天都在写什么文档?

写 prd 文档的产品经理远超其它,达44次,看来大部分的产品经理还是处于执行阶段。

10人提到 mrd,对市场有一定的了解,视野开阔。

brd 和 bp 则总共只有8人提到,仅占占总人数的1.6%。

4、产品经理会技术 = 流氓会武术?

56人会 java、23人会 php、20人会c++,其它还有很多产品会使用 python、js、html 、nodejs等,就问开发的同学你怕不怕。

编程语言的前几名分别是:java、php、c++、html、python、js、css。

会数据库的人非常多,超过100人提到了数据库、mysql、oracle、sql 等关键词,数据分析能力成为了产品经理的重要技能之一。

5、谁在创业?

133人曾有创业经历或在创业公司工作,占全部产品经理总数的26.8%。

大众创业,缺了产品经理怎么行?哈哈哈

6、名企出身更受欢迎么?

在总的预约次数上,拥有1次及以上预约的知名企业与普通企业的比例为65:74,未有预约的比例是:87:271。可以看出有知名企业工作经历的明显更受企业欢迎。名企预约率(42.76%)是普通企业(21.45%)的2倍多。

名企出身的产品经理拥有更高的预约率以及重复预约率。名企出身的产品经理几乎每2个中就有1个可以获得预约,而普通公司的产品5个中才有1个会获得客户的青睐。

名企获得预约的产品中,超过64%的人能获得第二次的预约机会,而普通公司的仅有37.85%,也就是说普通企业的产品有63%左右的人被预约一次后就再也没有客户关顾了,黏度非常差。

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

牛马尼格

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值