從方法論及業務實踐過程中,總結了幾點對數據分析的感悟

1 評論 4359 瀏覽 47 收藏 37 分鐘

近年來,互聯網行業也不斷涌現了許多新鮮的名詞,現如今,數據分析被廣泛的應用到各行各業當中。本文通過方法論及業務實踐的方式,闡述數據分析與業務發展之間的相互作用以及企業是數據分析管理,希望對你有所啟發。

開篇

近些年,互聯網行業涌現過許多特有的名詞,例如:

  • IP:并非你電腦的IP,指的是知識產權。但從用法來看,更像是一個產業域。例如《復仇者聯盟》這個IP。
  • 私域流量之前的私域:顧名思義,指的是自己能夠直接觸達用戶的渠道。例如,微信公眾號,關注自己公眾號的用戶,就是自己的私域流量。企業的活動、營銷,可以直接觸達用戶。
  • 垂直:當然指的不是兩線垂直相交。這是一個比較古老的詞匯,這里指的是一個行業的細分,例如唯品會,在起初就是作為化妝品領域的一個垂直電商。

有很多名詞已經過氣,當然也有新的名詞不斷的在涌現。

而“數據分析”可以說是一個經久不衰的詞匯,當然它代表了一項工作性質,也代表了一個行業。

說起數據分析,當下一定有很多人會把它與大數據聯系在一塊,畢竟大數據也是當下的一個熱詞,也是被大眾誤理(夸張理解/懵懂/感覺很厲害)最多的一個詞。

不嚴格的來說,數據分析的淵源可以追溯到17世紀的統計學,并且,其確實也是由統計學發展而來。

直到18世紀初,蘇格蘭工程師威廉?普萊費爾發明了統計制圖法,用于時間序列數據的折線圖和面積圖,柱狀圖用于描述不同類別的數量之間的比較,餅狀圖用于描述隸屬同一組的多個數值的比例,這是一種數據可視化的雛形,卻也為現代數據可視化(data visualization)和探索性數據分析(exploratory data analysis)奠定了基礎。

隨著科技的發展,尤其是計算機技術的突飛猛進,算法、模型、數據庫、機器學習被應用到了統計學與概率學當中,至此,便有了現代化的數據分析、預測、數據挖掘等。

現如今,數據分析被廣泛的應用到各行各業當中。有些觀點認為,似乎企業的發展、運營,已經離不開數據分析,甚至主要依靠數據分析。不可否認,伴隨著近些年大數據、云計算、人工智能、物聯網等業務的火熱,數據價值也確實被更多的挖掘,大數據、數據資產、數據治理等基礎數據業務也在不斷的夯實,但我們也要客觀的去看待數據分析的應用能力、使用方法、應用結果。

畢竟,近些年倒下的大企業也不少,例如每日優鮮,數據分析應該占據著企業極高的業務比重,但依然默默的退出了市場。

本文將從數據分析本身出發,通過方法論及業務實踐的方式,去闡述數據分析與業務發展之間的相互作用,以及企業對于數據的分析管理過程。我們不去討論結局,但希望這個過程能夠給大家帶來啟發。

一、數據分析及價值

1. 什么是數據分析

管理學大師彼得.德魯克曾說過:“如果你不能量化它,你就無法管理它?!?/p>

從字面上看,數據是基礎,而分析才是核心,數據是經營的量化結果,洞悉數據背后的邏輯、規律、趨勢,提取出有價值的信息、形成建議,這個過程就是數據分析。

可以說,數據分析是一項入門容易、但精通困難的學科、工作。我們常說,數據本身并沒有價值,從數據中提取有效的信息,才使得數據擁有了價值。而數據分析的核心工作,就是提取數據價值,反哺業務。但做到這些并不容易,許多企業都在做數據分析,他們渴求著從中挖掘出數據價值,但現實卻給出了相反的結果。

有效的數據分析需要懂業務、懂分析(思維方法模型)、懂工具(分析工具),以及敏銳的商業洞見。精通每個環節并不容易,這也是為什么,能夠崛起的企業總是鳳毛麟角,大多數企業都在蹣跚前進??梢哉f,數據分析能力也是決定企業發展的關鍵因素。

2. 數據分析能力

從數據——到信息——到業務流程/業務經營,是數據發揮價值的過程。數據能力從:結果描述(知其然)、數據分析(知其所以然)、發現業務風險及機會、直接用于業務過程成為生產力,其能力價值也是不斷演進提升的過程。

一般來說,企業的數據分析能力越強,其在市場的競爭優勢越大。

綜合來說,對于能力的理解,可以歸納為四個過程:

?①描述過去已經發生的

在這個階段,我們可以通過常規的報表去查詢每日的運營狀況,包括銷量、用戶活動、庫存等。?

②了解現在正在發生的

這個階段,我們可以通過平臺的能力、實時計算能力,查看當前數據狀況,例如實時銷量、實時庫存、在途商品等;同時,也會對突發狀況進行告警,例如POS掉線、并發堆積引發阻塞等,我們需要針對現狀進行問題疏導和解決。

③預測未來可能發生的

這個階段,需要借助人工智能、算法、機器學習等智能化的工具,進行業務預測,當然這個前提是海量的基礎數據訓練。例如,交通狀況的預測就需要增長率法、重力模型法、遺傳算法、ConvLSTM等多種算法的混合支撐。

④優化策略驅動增長

這個階段,我們已經擁有全數據鏈路能力,所以才能更好的為業務發展過程給出最得體的運營方案。

例子不多舉,我想說的是,一個完整的數據分析過程,需要擁有這樣最基本的過程,當然這又回到上述的觀點,這些都需要懂業務、懂工具、懂分析、懂商業洞察。業務是根本,工具是手段,分析是能力,商業洞察才是創新,才能發現問題、預防問題、預測走向、引領轉變。

3. 數據分析的價值

數據分析的價值,是其最大程度的體現。但就我國目前企業的能力而言,只能說通過數據分析,達成了哪些目的。

基于我們以往的經驗及應用過程,可以歸納為六點。

  1. 提升收入利潤(直接性價值)
  2. 降低成本費用(直接性價值)
  3. 提升管理效率(發展性價值)
  4. 控制風險降低損失(發展性價值)
  5. 提升無形經濟利益(創造性價值)
  6. 外部量化數據收入(創造性價值)

企業利潤和成本,是能夠數據價值的最直接體現,是最終端的效應。但數據分析手段如果僅僅作用在最終側,那么將會導致一個弊端,就是需要經常調整決策,這對于企業的發展是有反作用力的。

所以,數據分析的底層作用,是企業管理的提效,通過對生產、管理、供應鏈、物流、成本、銷售等基本環節的把控,夯實企業發展基礎,是企業利潤和成本的根本保證。

最后,在市場競爭中脫穎,做好自身僅僅是基礎,更多的是需要迎合市場,所以外部數據、價值挖掘的價值利用,才是企業發展的助推器。

4. 我們處在哪個階段

我們說了這么多,相對應的各位看官,自己的企業又是處于什么發展階段呢。我們姑且將其分為五個階段,而這幾個階段也與上文中的分析能力過程和數據分析價值相對應。

①數據應用薄弱階段

階段目標:需要獲得足夠的數據來了解企業的經營狀況。

問題:還不能完整了解企業正在經歷著什么,更不用說外部環境。

②局部業務/職能使用數據分析

階段目標:通過數據分析、數據工具,解決某一項工作的問題,從而進行改進。

問題:如何進一步提升效率,如何全產業應用。

③對應數據應用進行整合

目的:利用數據能力提高差異化能力。

問題:通過數據分析現在在發生什么?我們可以從當下的趨勢中推論出什么。

④整體數據應用并取得單點優勢

目標:數據能力是業績和價值的重要驅動因素。

問題:數據應用怎么驅動經營和管理創新,如何實現差異化。

⑤全面憑借數據開展競爭并持續優勢

目標:數據能力是業績和價值的首要驅動因素。

問題:下一步應該怎么做,有怎樣的可能性,如何保持領先地位。

了解的自身狀況,后面我們就要根據自身狀況去進行改變。

二、數據分析體系構建

數據分析體系,是企業業務發展的綜合整理,既表達了企業發展的現行業務架構,也體現了企業內部精細化分工。

1. 數據分析體系構建方法論

數據分析體系,是由數據分析模型構建。

客觀事物或現象,是一個多因素綜合體,因素之間存在著相互依賴又相互制約的關系。為了分析其相互作用機制,揭示內部規律,可根據理論推導,或對觀測數據的分析,或依據實踐經驗,設計一種模型來代表所研究的對象。一般構建數據分析模型體系分為一下幾個步驟:

①理解業務

思考該模塊工作的目標、業務流程、核心指標及行動方案;

思考業務流程各階段的待解決問題,初步確定需要幾個分析模型來支持和指導業務運營、決策支持。

以商品銷售為例,銷售模塊的核心指標一定是銷量、利潤。但結合整體業務流程,還需要了解后臺配套的商品庫存、人工成本、供應鏈成本、物流成本等,通過逐步拆解細分,才能得到混合型的支撐模型。

②模型驗證和調優

首先要對自身模型檢驗。第一要查看分析模型在業務應用中是否體現了結構化(有序的、層層遞進)、公式化(可量化)、業務化(貼合實際)的思維;第二要查看分析模型是否能夠支撐完整的業務閉環;第三要查看分析模型是否達成業務目標。

其次,要對分析模型產生的數據結果進行驗證,針對數據偏離進行模型調優;

最后,對模型進行解讀,即用戶如何理解數據、用數據,根據用戶體驗優化模型。

③構建分析模型

明確每一個分析模型適用業務場景、解決什么問題、和使用的角色;

明確各個模型分別是什么模式,描述性分析、診斷性分析、預測性分析、決策建議性分析;

按照目標-核心指標-圍繞核心指標建立分析模型的方法,推導分析模型;

細分模型所需的指標維度、以及告警設計;

思考該模型與其他模型之間的關系是什么,進行模型的跳轉與連接。

2. 構建數據分析模型體系過程

所以,根據方法論所述,構建數據分析模型體系,基本步驟可以概括為:

①理解業務,立足目標

通過核心指標監控、業務流程分析等方法來發現業務問題,針對性的進行數據分析與挖掘。

積累的問題解決經驗、成熟的分析思路,經過系統的梳理,梳理為一個或多個成型的數據分析模型。

②細化流程,發現問題

細化流程的方法:一種是按照組織管理職能將業務模塊分解,另一種是參照業界業務自然的發展階段來細化分解。

數據分析模型的核心,不在于圖表華麗、方法炫酷,而是能夠適用業務、解決問題、帶來業務改善。

③逐個梳理分析模型

您的模型應用了何種分析思維,是公式化、結構化還是業務化。

您的模型應用了何種分析模式,描述性分析、診斷性分析、預測性分析、決策建議性分析。

您的模型應用了何種分析模式,描述性分析、診斷性分析、預測性分析、決策建議性分析。

模型與模型之間的關系是什么,無關、關聯、遞進、基礎。模型之間的下鉆關系是什么。

?④指標維度告警考慮

角色:首先要進行角色區分,角色分為運營、采銷、管理等,模型是為哪些角色建設的,不同角色所需的指標維度告警方式是否一樣。

指標:模型所需的指標是哪些,將指標定義和計算公式梳理清晰,并且對核心指標進行解讀,如果指標缺失則加快指標建設。

維度:維度是分析和匯總數據的視角;模型所需的維度是哪些,維度之間的鉆取關系,如果維度缺失則加快維度建設。

告警:核心指標是否需要設置異常值提醒通知,是否需要將異常信息推送給相關人員等。

⑤數據驗證

按照分析思路填寫真實數據;

檢查數據指標及分析思路的嚴謹性;

請使用方試用模型,提修改建議;

結構化、公式化、業務化思維、閉環、目標達成等;

存在問題按重復上述步驟。

⑥解讀模型構建關系

對模型進行解讀,異常分析的路徑,怎么理解數據背后的含義、如何用數據驅動業務改善。

基于整個業務的全流程及分析問題,全盤思考模型之間的關系是什么,模型與模型的跳轉與連接是怎樣的。

3. 分析模型體系評估

4. 零售經營分析體系案例

我們結合電商綜合體,進行了行業經營分析模型體系構建。

基于分析模型構建方法論,將龐大的業務進行拆解,構建細分業務的詳細指標,考慮模型之間的流程流轉、業務跳轉等,從而展現電商綜合體的經營架構和內部業務細分,體現其核心的業務模式,窺探可創新發展方向。

在大的方向上,電商綜合體的經營分析體系可分為:經營環境分析、財務分析、人力分析、戰略發展分析,以及最重要的業務分析。

業務分析,根據實際業務發展狀況,進行模塊化拆解,可分為:流量、銷售、會員、門店、商品、廣告、服務、單品、績效、商戶、連發。

以流量為例,流量主題的業務目標是:提升流量的數量及質量、提高轉化率、促進銷售增長、賦能智慧零售。模型目標是:監控線上運營流量核心指標、及時發現異常、細化分析、及時調整。

同時流量主題又可細分為線上流量、線下流量。線上流量又可通過轉化路徑,細分到頁面、搜索、站外等。搜索模塊再而細分,直至到形成商品購買頁的流量轉化歸因及閉環。

三、數據分析工具建設

數據分析工具,是數據分析的核心手段。借由數據分析體系構建的思路,數據分析工具的建設,同樣應該堅持結構化、公式化、業務化的原則,支持業務的精細化拆解,支持不同角色的業務需求,最終還是要提升業務的流轉效率、經營效率、管理效率。

圖(分析工具產品架構)

我們從業務角度觸發,將分析工具分為前端的業務應用和后端的處理核心。

前端的核心應用就是數據分析門戶,為經營管理人員、數據分析人員、門店人員、促銷人員等。

后端的系統,集成了告警、算法、營銷引擎、智能化產品。后端系統不直接應用于經營管理部門,但為業務經驗經營提供基礎的數據處理、指標處理、業務告警、智能推薦、智能數據服務、智能客服服務等能力,是前端業務經營的智慧大腦。

1. 分析工具核心功能

①指標維度建設內容

指標維度的建設思想,在數據分析體系建設中已經有過闡述,在此不再多述。

在這里要額外說一下維度,維度是指標的屬性描述,例如流量,流量的相關維度例如:線上/線下、app/web/小程序、首頁/商品頁/購買頁、地域、門店等等。在數據分析管理當中,維度也被用來做權限的管控。最典型的案例:通過門店維度,管控店長僅能看到自身店鋪的相關數據。

②業務駕駛艙

現在的BI工具,駕駛艙的特性已經被追求到了極致。但好的駕駛艙搭建并不容易。

駕駛艙搭建應遵循一下步驟:

  1. 確定終端:pc、app、大屏、尺寸
  2. 確定駕駛艙類型:戰略型、分析型、操作型
  3. 確定指標:能一目了然業務運營現狀
  4. 確定圖表
  5. 確定排版和美化

駕駛艙類型與指標緊密結合。戰略型駕駛艙,一般展示宏觀指標,例如當日商品銷售(排行);分析型駕駛艙,則會體現各個指標之間的聯系,例如總體銷售、分時銷售、維度銷售;操作型駕駛艙,則體現業務的時效性和預警能力,例如退出率、閃退率、XX失敗數等。

③報表市場

報表市場,顧名思義,是一個報表的匯聚。通常適用于跨部門、跨業務的數據查詢分析。當然,這需要配套權限的解凍、流程審批,避免數據權限的擴大。一般來說,審批過程會大大減少數據外泄的隱患(關于數據安全不在此描述)。

④分析報告

某些大型企業來說,分析報告是亮點,需要算法的支撐。

通常來說,傳統分析報告一般為模板化的格式,是一種報表數據的匯總體現。但經過算法的融合,分析報告可以變的更加的靈活,豐富。尤其是當前openapi開發的cp4.0的出現,分析報告完全可以交由AI來做。AI提供的報告的創造性遠超我們。

⑤自助分析

自助分析可以說是一些企業運營的命脈,這一現象普遍存在與中小企業當中。其原因我們不取追究,但坦率的來說,通過托拉拽的方式,將由指標、維度、事件周期模塊化置于畫布,由數據分析人員自由操作,要比固定的預置報表更加靈活。同時配以人員的創新性,更加適合數據分析人員進行個性化、臨時性的數據分析、數據創新。

以XX品類會員生命周期及畫像分析為例:

問題背景:XX品類年度買家規模占比在全品類的20%以上,是會員運營的重點品類。但從買家增長和銷售增長趨勢看,2020年該品類一級商品組銷售規模同比下降XX%,正向買家規模同比增長XX%,增長率較18、19年同比增長率下滑嚴重。且在2021年1-5月,銷售及買家規模均同比下滑。

分析目的:通過分析了解會員生命周期結構情況,各階段人員畫像特征,以及如何針對性采取行動來做策略干預,提升用戶規劃、優化用戶結構、提升會員價值。

分析思路:

生命周期分析:結合會員生命周期理論框架及自身特征、品類特性,定義XX品類會員生命周期階段,了解各階段會員概況、價值和生命周期結構。

畫像分析:從會員個人屬性特征、消費偏好特征、交叉購買方面,分析各階段生命周期人群畫像,為會員運營提升提供決策建議。

通過個性化的自助分析,得出以下結果:

從會員生命周期分布結構來看,該品類待挽回會員規模占主導地位,會員結構處于高流失型結構。

生命周期各階段人均價值下降程度不同,僅成熟期會員的人均價值(貢獻交易額)呈正向增長。

客單價≥100 元的會員留存分布結構中,引入期+成長期會員占比過半,成長性較好??芍攸c關注該部分用戶,提高復購,推進向成熟期轉化。

分析結論管理建議:

XX品類需要優化會員結構:XX品類 2020 年會員總數雖同比增長,但從生命周期結構來看,待挽回的沉睡期和流失期會員增長較多,留存會員規模及占比均下降,會員 的結構較差。且留存會員中,成熟期占比較低,處于增長階段的會員占比處于主導地位,而沒有有效的轉化為成熟期會員。建議在關注會員規模的同時更要關注結構性問題。

XX品類會員貢獻價值有待提升:XX品類會員貢獻總交易額略提升,但核心的 留存會員貢獻總交易額下降,人均貢獻交易額下滑。建議從商品結構與用戶畫像匹配度、 營銷方式優化、渠道選擇上面,挖掘用戶潛在需求,提升用戶復購及 ARPU 值。

基于畫像分析,從性別、年齡、地區、渠道偏好、購買期偏好等角度分析用戶特征,為后續挽回、激活等精準營銷策略提供支持。
從交叉購買品類的關聯性看,可在運營中對表現較好的交叉品類做進一步聯動營銷。

2. 告警預警能力

告警系統,作用于在數據分析中,對核心指標告警方案配置管理、異常數據主動推送、觸達,幫助業務人員及時知曉和處理經營異常。告警系統一般構建與指標體系之上,其核心是告警規則配置。
對于指標的告警配置,是對一個或多個指標設置告警規則,包含但不限于周期設置、閾值設置、維度維值設置、單位設置、時間顆粒度設置、推送策略設置。

基于告警信息,我們需要對告警規則進行解讀分析,一方面了解業務運營狀況;另一方面對告警規則進行調優。

消息推送是告警系統的基本功能之一,一般會包含郵箱、短信、MSG。每個企業可以根據告警等級,設置不同的通知方式。

最后,告警信息需要由責任人去關閉,從而形成告警的閉環。

應用案例:

黃金流量位在促銷時期的 數據告警。

頁面運營中有個“黃金流量位”的概念,每個頁面、樓層的“黃金流量位” 是有限的,這個坑位運營的商品效果怎么樣,需要業務人員實時關注不同樓層和坑位對應商品的實時曝光、點擊、加購、提交訂單和庫存數據,及時進行調整,確保成交最大化。

比如大促預熱時,某商品加購達到 100 件,但可售庫存只有 20 件,這件商品就不適合作為主推款,占據“黃金流量位”的一定是庫存、加購數據都比較優秀且平衡的商品。
類似的,還有高曝光低點擊商品告警、有點擊無轉化商品告警、缺貨告警。

3. 場景應用

整體應用:

細分9個場景:

四、數據分析應用管理機制

最后,我們來談一談數據分析應用的管理。有效、高效的管理機制,是數據分析價值發揮的催化劑,也是數據工具進化的基礎動能,更是企業數據能力提升的鋪路石。

1. 全員參與的重要性

①全員參與

好的產品都是運營出來的 ,用戶需要持續有效使用中發現問題,發現與業務訴求的偏差,才能促進產品持續不斷迭代提升,在應用落地中發揮數據真正的價值。

每個人都能真正從數據應用、數據管理和數據發現高度經營各自的本職工作,能在各自的工作中自覺利用或簡單或復雜的數據分析工具,進行大大小小的數據分析挖掘,從數據中發現信息財富,助力公司全方位的提升。

②建立常態化的跨域流程和機制

數據驅動經營是跨專業、跨團隊的協同配合,需要建立對應的流程和制度保證最終的實踐效果,明確相關方在不同階段的角色、職能、分工和價值,保障各環節的階段性目標達成,實現數據驅動經營的閉環。

③管理層的推動作用不可忽視

只有各體系中高層持續推動,才能快速在公司內建立、推廣、實施、完善真正的全員參與、跨部門跨專業、具有戰略競爭意義的數據驅動運營管理的工作。

④數據文化的培養至關重要

企業的數據能力提升,人是核心動能,人力資源的數據素質培養,氛圍不可或缺。通過培養讓數據說話的氛圍:把數據用起來,讓數據反饋管理、改進管理、提升業績;通過建設數據分析交流的陣地:數據服務號、數據論壇、數據分享會,實現企業員工能的共同提升;保持開放與學習的心態:參加外部學習,吸收行業優秀案例,開拓視野。

2. 管理機構配置

為提高核心業務重要數據的應用一致性、完整性、準確性、有效性,在企業層面建立包括數據管理部門、財務中心、業務管理中心、研發中心的“數據常設組織以及運作機制”。

常設數據聯合組織整體管理由數據管理部門牽頭,組織構成及各域牽頭人如下,圍繞數據細分域各負責人承擔業務域專家、產品專家的角色,協同促進數據建設、應用能力的提升。

3. 健全數據管理流程

基于數據域常設組織的設立,各數據域業務管理方、研發管理方以及角色負責人從需求調研、建設開發、應用管理、應用評估、數據質量監控五個方面監控系統完善數據及應用建設落地,配套各主題域的數據管理機制,從而提升數據分析能力與應用成熟度。

4. 數據分析應用管理評估

對數據應用管理的評估,可拆解為數據覆蓋度、數據分析力、數據準確性、數據觸達力、數據驅動能力、用戶活躍度、數據使用率等。

我們可以通過各個維度的目標評估,做對應的策略、功能變更。

以用戶活躍度為例,內部應用的用戶活躍度,是衡量產品優劣的直觀表現。但因產品前期的更替因素,結合新老產品的用戶適應度來說,前期的產品使用,需要企業上層的推動。在產品后期,用戶的反饋直觀重要,直接影響員工的后期傾向程度,也會影響產品后期的質量,更甚影響企業長遠的發展戰略。

5. 數據安全基本要求

數據安全是當下全社會都注重的大事項。但因本文偏重數據分析角度,故數據安全部分僅簡述一些。

①全民安全意識

不論是數據安全,還是個人隱私安全,企業都應該從日常的工作、生活中去培養全民的安全意識,這不僅僅是對企業,也是對個人、家庭、社會都是有益的。

我們可以出臺一系列安全管理措施,從制度上保障數據安全底線;也可以舉辦日常培訓,重點舉例警示眾人。

②權限開放與使用

在權限標準上,需評估人員崗位與其所需數據權限的匹配性與合理性,按需開放權限,原則上無特殊原因不得放大崗位權限,發生權限范圍和職責不匹配的情況。

非兼崗人員不得與其他崗位角色綁定,造成數據權限放大,存在數據安全隱患。

權限使用上,是嚴禁將權限借用給他人的。

③數據安全與使用

數據使用上,連續30天未登錄系統、門戶等,系統自動實現凍結使用權限,解凍需流程審批。

數據安全上,導出權限需申請;導出數據量控制,上限為20萬;導出行為納入數據安全監控和管理。同時,需要制度、機制、產品功能上,控制數據后續的銷毀。

結語

以上,是我們從業以來,對于數據分析的一些理解??偨Y了數據分析的基礎方法論、討論了數據分析體系、數據工具能力建設、數據分析應用場景等相關模塊的聯系。

我們不去追求每個企業都能夠通過數據分析能力的提升,實現自身企業在市場競爭的脫穎而出,畢竟數據分析僅僅是企業前進方向的重要因素之一,而且數據分析對于每個行業、企業的重要性也不能一概而論。

我們只是將數據分析的一些基本理論、過程、效果展示給大家,為大家提供成功、失敗的經驗總結。

最后,有任何問題,還請大家批評指正,感謝。

本文由 @碧英數據 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

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 非常專業。辛苦了。感謝分享。

    來自上海 回復