中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

本文從3個維度介紹了如何辨別數據、如何收集數據、如何處理數據？

作為一個產品新人，我自認為自己的數據敏感程度高于同等經驗的人群?？催^上一篇文章的人也應該知道這一點，指路–>《luckin：優惠券獲客可以走多遠？》

那么我今天就想跟大家分享一下我對數據的看法，主要從三個維度：

1. 辨別數據
2. 收集數據
3. 處理數據

數據具有欺騙性

數據具有欺騙性，這也是總所皆知的事情了，但是越是普遍存在的人們卻往往會忽視。下面就看一個數據詐騙的案例。

luckin在融資的時候，列舉出了這樣的一系列的數據：

從整體市場空間看，目前全球咖啡消費市場規模約12萬億元，其中中國僅2000億元左右，提升的空間仍非常巨大。

或許但從市場來看中國的咖啡市場的確是一片藍海，市場極具發展優勢，但是20000元背后意味著什么呢？

沒錯，就是中國人的消費習慣，在自古以來信仰茶文化的中國，對咖啡并沒有如此感冒，大量的人根本沒有飲用咖啡的習慣。

這就跟在美國推銷豬肉一個道理，有潛在空間，可是人家壓根就不買賬。

當然數據具有欺騙性的例子還太多了：

• 一個籃球運動員想要投籃命中率達到百分之八十，只需要他投中一個三分，以后再也不投就好了。
• 一個醫院想要搶救死亡率維持在百分之0，他只需要不接受瀕危的病人就好了。

這些看上去很光鮮亮麗的數據，其實不能反映生活中的真實情況……

所以我們如何去辨別數據呢？

1. 反向推導法：從數據的結果追尋數據來源，比如說，中國的咖啡市場有2000億，這是一個結果性的數據，這個結果是如何導致的呢？我們自然就會反推到，中國的咖啡消費能力，再后再推到中國人的飲用習慣。
2. 反證法：找出反向數據來對比當前數據，比如，中國2000億的咖啡市場對應中國咖啡市場潛力十足，但是目前中國咖啡競爭——星巴克,太平洋咖啡……競爭十分激烈。然后再分析，這些咖啡的增長速度，我們可以發現巨頭星巴克的銷售額是下降的。

識別數據不要要我們一味地去否定數據，而是找準數據的方向，比如有一個優惠券的任務下來了，我們要進行相關的數據處理，一般人可能會對比之前的優惠券政策進行相應處理、邏輯優化啊。再進一步可能是針對用戶從時間，進行處理。

但其實我們也是被數據欺騙了，那么該如何收集數據呢？我們接著看：

收集數據

數據具有欺騙性，我們擁有了識別數據的能力這個時候就可以開始著手進行收集數據收集了，收集數據也是十分講究的。

任何事情確定方向很重要，數據收集當然也一樣，那么該如何確定方向呢？

當然是第一性原理，也就是探尋物質的本質。

比如有一個優惠券的任務，這個時候要收集相關數據、開始分解了，優惠券——用戶、商家。即用戶使用優惠券、商家收益，這個時候數據就顯而易見了——使用頻率以及收益。

但是單有兩個數據是完全不夠的，我們還需要更多數據，這里我平時會用的一種方法就是閉環因果法。

比如我看到數據方向里有收益，我的邏輯思路是這樣的：

• 收益-收入-成本-用戶消費-收入-收益
• 使用頻率-消費習慣-消費能力-物價-優惠券種類-使用頻率

然后可用數據就多了，每一環都可以對應好多數據，這個時候就要對數據進行處理啦。

這個時候并不是所有數據都是我們想要的，這個時候就要用上奧卡姆剃刀定律了，排在我們前面的是一個優惠券問題，得到了一堆相關的數據，但是最簡單直接，可以為證的數據是什么呢？

• 收益-交易流水
• 使用頻率-優惠券種類（折數）

當然我們篩選出的是主要數據，其他的一些數據不是不看了，而是輔助，選定核心數據然后進行數據的對比分析處理，這樣會給我們的工作帶來很大的便利哦。

如何去處理數據

首先要找到數據之間的聯系，優惠券的折數，跟交易流水一定是一定的相關性的，這個時候就要進行圖標分析啦，這個相信大家都知道，但是我們不是要找到交易流水最高的那個點對應的優惠券折數。

PS：其實這還要對比成本進行分析，數據量非常復雜，這就是數據分析師該做的事情了。

更具體一點呢，不同門店對應交易流水不同，用戶使用不同折扣的優惠券會對交易流水產生更大的刺激，這也就是為什么，我的一個小小的優惠券規則，上限不到一個月就創造了數千萬交易流水增收的原因了。

如果更通用的一點的話，就是取最大值/最小值問題，如果是獲客那么我們就應該選取一個適合的折數來獲取最大的用戶。

小結

當然，我上面主要說的是如何通過數據解決我們的問題需求/去分析一個新的規則。有時候一個新的數據就像是新的維度。比如很多人想到優惠券，會分析用戶的各個行為習慣，但是沒有人站在商家和地域的角度來分析，你想到了別人沒有想到那么你就成功了。

當然產品經理日常更多的還是處理異常數據。

至于如何處理日常數據呢？

1. 先排查數據本身是否出現問題。比如統計數據邏輯問題、數據接口出現bug未統計到、被環比/同比下降30%的數據是否出現特殊數據（比如環比數據中有現象級的爆款應用ZEO導致環比數據下降30%）、同比/環比數據差異是在哪些方面、有差異的數據之前的表現如何等。確認數據無異常之后再考慮下面。
2. 再排查產品本身是否出現問題。比如服務器壓力大出現響應時間多了0.3s、對熱門應用的排序邏輯不符合用戶認知、競對出現爆款而我方未跟進、有bug等等。排除掉自身原因之后再考慮下面。
3. 也就是常用的處理方法啦，畫用戶使用地圖，然后看轉化漏洞，對比之前的數據，進行處理分析，
4. 就是針對性的制定解決方案、改進交互體驗、增強運營推廣等等大家這些都懂的。

筆者為一只熱愛產品的幼年產品汪，如果你跟我一樣是新人，那么大家互相學習；如果是您是前輩，希望您狠狠批評。

作者：℃，一個在luckin和ucar實習的產品管培生

本文由 @℃ 原創發布于人人都是產品經理，未經許可，禁止轉載

題圖來自 Unsplash，基于 CC0 協議