传统数仓一般是以数据模型为粒度进行复用，而本书提出了以标签为粒度对数据进行复用。这实际上给把数据资产的建立跟业务部门如何使用进行了解耦，让业务部门减少了对数据工程师的依赖，增加了复用数据资产的能力。 本书的九章分别从因、源、义、道、法、书、器、践、果这九个方面全面阐述了面向业务的数据资产设计方法论。初看本书，我只看到了“标签类目体系”这几个字，当时我的疑问是“这个话题好像并不大，值得写一本书吗”。直到我读完之后才理解到副标题中的“面向业务的数据资产设计”是建设标签类目体系的根本目的。“方法论”则划定了本书的高度，也决定了本书不会，也不应该讲过于具体的实现方法。读者如果掌握了本书的方法论，可以在每个公司根据具体的业务使用多种不同的方法来设计数据资产。书中所提供的5个实践与4个案例也强调了不同行业的实现具有很大的差异性，同时说明了本方法论的普适性。 本书指出“最难解决的是企业自上而下对数据的认知偏差问题”、“要让企业从上到下具有统一的数据思维”，否则领导会认为数据部门只是一个成本中心，从而让数据部门难以推进工作。从这一点来看，本书更适合公司中具有决策权的中高层领导来阅读。 从质量方面来说，本书逻辑体系完整，全书图片制作精良，且图片风格统一，鲜有错别字。虽然这不是很高的要求，但市面上连这些基本要求都满足不了的书确实不少见。 截止我评价时，本书的“微信读书推荐值”为65.9%，我认为是对本书价值的低估。当然同一本书对不同的人收获不同，至少对于我来说，这本书绝对是值得推荐的。
推荐指数：⭐⭐⭐⭐ 这本书整体好看程度中等偏上，作为一本基础了解的参考书还是很不错，因为里面很多框架与原理讲解的还是很全面的！ 但是作为对标签有一定了解的数据人员来说，看完之后略微有一点隔靴搔痒的感觉。就是全书过多篇幅都在讲为什么要建立标签类目体系？建成了有什么好处？但是对于现实工作实操讲的太少。 当然作者自己观点也是原理更为重要，如果要看具体实现这本书可能给不了太多参考，但是全局来看的话，实战介绍这块还是缺失或者篇幅过少的，太多理论的东西了！虽然文中也给了一些案例，但是有点没有介绍清楚建立标签体系针对这个特定案例有啥不一样的建树与成就。还是所有建立标签体系的价值都是一样的，不同行业出发点与终点结果也都是雷同的？其实还是不够透彻！ 但是整体来说已经很不错了，毕竟这本书是我第一本看到市面上专门讲述标签的书籍，非常难得。如果感兴趣的书友，还是可以读读看的，可能会有不一样的体验也不一定[呲牙]
我是带着三个问题去阅读这本书的，包含标签体系的定义、怎么去搭建标签类目体系以及怎么运用到实际业务上，读完后感觉是只解决了一个半问题，整体上没有得到满足感，特别是在实战应用上。 这本书对于标签体系的定义、搭建前因以及搭建的好处都描述得非常仔细，作者们可能是平时习惯使用报告性文学体，通篇细到让我几度得挑章节才能继续阅读下去。 这本书适合给想了解标签体系的小白去通读认识，以及经常需要写报告的数据从业人员参考使用。如果是想要从这本书中获得很好的标签体系应用实战经验的，可能会有些失望。
这本书最大的特点就是充斥了正确的废话和造词。 比如说需要更多久角度的全面分析数据对象，很有道理，但是没有讲怎么分析。。 比如跟你说对象 标签 标签值可以解释成数据库的表 属性 值。但却非要用自己生造的值来混淆读者的认知。
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。
本书对我个人很受用，它系统讲述了一种最佳实践：数据中台或数据管理部门应该怎么做，才能摆脱“只是企业成本中心”（带不来利润）的形象，证明自己不仅有用，且很有用。 对各行业数字化转型的实操路径提供了清晰建议和翔实论据。 必须多说一句，本书行文与图解都极为出色，但微信读书只有62%的推荐值，属实太低了。（建议纸质版书，体验与电子版差别巨大，这可能也是为啥豆瓣评分有7.5的原因）
很值得一看 虽然已经有这方面的实践经验 不过这对框架是一个很好的补充 但是我很好奇书中的公司在哪里哈哈哈哈哈 好想去啊！！
整体属于框架层面，缺少具体实现逻辑说明。有的可能仅仅是一个概念，比如衡量标签减少的成本和增加的收入，书里很多都是一笔带过。而这在实际生产中，缺少对比参照，很多也不好量化。 整体跟书名匹配，阅读本书对标签从调研设计，到开发后期维护会有个大概认识。 标签开发要以业务为导向：业务想要的，业务用得爽。标签才能获得更多的价值认可，才能更容易推行
这本书是我做数据产品以来看过最好一本标签书籍，理论框架具有很强的指导意义，实操案例也有一定参考价值，建议从事标签搭建的同学，无论是数据产品、数据资产人员看完深度去体验一下神侧数据、诸葛IO、Growing IO、数数科技等这类可视化数据产品，一定会豁然开朗、大彻大悟
收获很大，是因为要思考怎么建立一个标签体系才去读的，标签和字段的界限在哪里？怎么去权衡，书中讲了一些实战的做法，值得参考。
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！
理论较多，实践路径可行性方案过少
太啰嗦
对于没做过数据产品的人来说，算是一个比较详细的入门教程了
标签类目本身没那么复杂，作者为了凑篇幅写了太多空话，如果以一篇文章来呈现会比较合适。适合刚接触标签画像的小白
传统数仓一般是以数据模型为粒度进行复用，而本书提出了以标签为粒度对数据进行复用。这实际上给把数据资产的建立跟业务部门如何使用进行了解耦，让业务部门减少了对数据工程师的依赖，增加了复用数据资产的能力。 本书的九章分别从因、源、义、道、法、书、器、践、果这九个方面全面阐述了面向业务的数据资产设计方法论。初看本书，我只看到了“标签类目体系”这几个字，当时我的疑问是“这个话题好像并不大，值得写一本书吗”。直到我读完之后才理解到副标题中的“面向业务的数据资产设计”是建设标签类目体系的根本目的。“方法论”则划定了本书的高度，也决定了本书不会，也不应该讲过于具体的实现方法。读者如果掌握了本书的方法论，可以在每个公司根据具体的业务使用多种不同的方法来设计数据资产。书中所提供的5个实践与4个案例也强调了不同行业的实现具有很大的差异性，同时说明了本方法论的普适性。 本书指出“最难解决的是企业自上而下对数据的认知偏差问题”、“要让企业从上到下具有统一的数据思维”，否则领导会认为数据部门只是一个成本中心，从而让数据部门难以推进工作。从这一点来看，本书更适合公司中具有决策权的中高层领导来阅读。 从质量方面来说，本书逻辑体系完整，全书图片制作精良，且图片风格统一，鲜有错别字。虽然这不是很高的要求，但市面上连这些基本要求都满足不了的书确实不少见。 截止我评价时，本书的“微信读书推荐值”为65.9%，我认为是对本书价值的低估。当然同一本书对不同的人收获不同，至少对于我来说，这本书绝对是值得推荐的。
推荐指数：⭐⭐⭐⭐ 这本书整体好看程度中等偏上，作为一本基础了解的参考书还是很不错，因为里面很多框架与原理讲解的还是很全面的！ 但是作为对标签有一定了解的数据人员来说，看完之后略微有一点隔靴搔痒的感觉。就是全书过多篇幅都在讲为什么要建立标签类目体系？建成了有什么好处？但是对于现实工作实操讲的太少。 当然作者自己观点也是原理更为重要，如果要看具体实现这本书可能给不了太多参考，但是全局来看的话，实战介绍这块还是缺失或者篇幅过少的，太多理论的东西了！虽然文中也给了一些案例，但是有点没有介绍清楚建立标签体系针对这个特定案例有啥不一样的建树与成就。还是所有建立标签体系的价值都是一样的，不同行业出发点与终点结果也都是雷同的？其实还是不够透彻！ 但是整体来说已经很不错了，毕竟这本书是我第一本看到市面上专门讲述标签的书籍，非常难得。如果感兴趣的书友，还是可以读读看的，可能会有不一样的体验也不一定[呲牙]
我是带着三个问题去阅读这本书的，包含标签体系的定义、怎么去搭建标签类目体系以及怎么运用到实际业务上，读完后感觉是只解决了一个半问题，整体上没有得到满足感，特别是在实战应用上。 这本书对于标签体系的定义、搭建前因以及搭建的好处都描述得非常仔细，作者们可能是平时习惯使用报告性文学体，通篇细到让我几度得挑章节才能继续阅读下去。 这本书适合给想了解标签体系的小白去通读认识，以及经常需要写报告的数据从业人员参考使用。如果是想要从这本书中获得很好的标签体系应用实战经验的，可能会有些失望。
这本书最大的特点就是充斥了正确的废话和造词。 比如说需要更多久角度的全面分析数据对象，很有道理，但是没有讲怎么分析。。 比如跟你说对象 标签 标签值可以解释成数据库的表 属性 值。但却非要用自己生造的值来混淆读者的认知。
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。
本书对我个人很受用，它系统讲述了一种最佳实践：数据中台或数据管理部门应该怎么做，才能摆脱“只是企业成本中心”（带不来利润）的形象，证明自己不仅有用，且很有用。 对各行业数字化转型的实操路径提供了清晰建议和翔实论据。 必须多说一句，本书行文与图解都极为出色，但微信读书只有62%的推荐值，属实太低了。（建议纸质版书，体验与电子版差别巨大，这可能也是为啥豆瓣评分有7.5的原因）
很值得一看 虽然已经有这方面的实践经验 不过这对框架是一个很好的补充 但是我很好奇书中的公司在哪里哈哈哈哈哈 好想去啊！！
整体属于框架层面，缺少具体实现逻辑说明。有的可能仅仅是一个概念，比如衡量标签减少的成本和增加的收入，书里很多都是一笔带过。而这在实际生产中，缺少对比参照，很多也不好量化。 整体跟书名匹配，阅读本书对标签从调研设计，到开发后期维护会有个大概认识。 标签开发要以业务为导向：业务想要的，业务用得爽。标签才能获得更多的价值认可，才能更容易推行
这本书是我做数据产品以来看过最好一本标签书籍，理论框架具有很强的指导意义，实操案例也有一定参考价值，建议从事标签搭建的同学，无论是数据产品、数据资产人员看完深度去体验一下神侧数据、诸葛IO、Growing IO、数数科技等这类可视化数据产品，一定会豁然开朗、大彻大悟
收获很大，是因为要思考怎么建立一个标签体系才去读的，标签和字段的界限在哪里？怎么去权衡，书中讲了一些实战的做法，值得参考。
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！
理论较多，实践路径可行性方案过少
太啰嗦
对于没做过数据产品的人来说，算是一个比较详细的入门教程了
标签类目本身没那么复杂，作者为了凑篇幅写了太多空话，如果以一篇文章来呈现会比较合适。适合刚接触标签画像的小白