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

很多優秀甚至偉大的產品決策，并非通過數據發現的，而是一個產品經理綜合智慧的體現。

產品經理所面對的數據，本質上和日常生活中的數據沒有太大的差別。簡單來說，都是一個量化事物的手段，就像身高、體重一樣，都是一個數字指標，它代表了現實存在的事物的一個客觀情況。

正是因為數據的客觀性，讓數據變成了發掘問題本質，尋找事物規律所需要用到的最有利的手段之一。

數據雖然客觀，但是有時也會騙人，而且騙人的方式不同。

1、障眼法欺騙

案例一：?把沉默用戶當做支持和反對的中間態

2家網站A和B，都經營類似的業務，都有穩定的用戶群。它們都進行了類似的網站界面改版。改版之后，網站A沒有得到用戶的贊揚，反而遭到很多用戶的臭罵；而網站B既沒有用戶夸它，也沒有用戶罵它。如果從數據來看, 應該是網站B的改版相對更成功, 因為沒有用戶表達不滿。但事實并非如此。網站A雖然遭到很多用戶痛罵，但說明還有很多用戶在乎它；對于網站B，用戶對它已經不關心了.網站A指的是Facebook，網站B是微軟旗下的Live Space。

案例二：?把某一類型數據當做全部數據導致分析結果錯誤

某產品想要看網站現在的用戶訪問量是什么狀態，于是選擇了PV作為觀測指標，通過alexa來看網站的PV在過去一年中呈明顯的下降態勢，于是就以此為論據進行了分析。

可是后來發現，alexa僅僅統計通過WEB的訪問量，而用戶移動端的登錄并不在統計范圍之內。由于微信等移動端應用的使用，一大部分人會通過移動端的途徑進入，缺失這部分數據意味著前面統計的數據基本沒有意義，因為WEB端訪問量的下降有可能是用戶訪問網站次數降低，同時也有可能是由PC端向移動端遷移，這個統計就不能作為論據出現了。

2、單一欺騙法

案例一：將指標分開單一看，忽略多環節指標

在統計用戶反饋的時候，只看到幾個用戶反饋一個問題，這些反饋在整個問題里占比只有1%，你覺得這個太低了，不加以重視！但是，你不知道另外99%遇到這個問題的用戶很可能卸載你了！??！

案例二? ：?高流量即高轉化？錯！

一篇文章百度帶來100個leads，微信帶來80個leads。但百度帶來的流量最終轉化為60個注冊用戶，微信渠道最終轉化了64個注冊用戶，哪個渠道比較好，不能單純根據流量來源多少定吧？

圖/數極客用戶行為分析工具

大流量、收錄高是獲得好轉化、好排名的基礎，是敲門磚。但絕不是決定性的唯一因素。某些情況下，大流量是獲得轉化的前提，也就我們平常所說的擴大用戶池子。在獲得流量后需要考慮如何提高產品轉化。但某些情況下，流量轉化的高低取決于渠道質量的好壞。

3、被動欺騙法

案例一? ：?只看數據不考慮其他因素

比如：A入口的留存率是30%，B入口的留存率是50%,大多人都覺得B入口的功能更吸引用戶。但你忘記了B入口藏的非常深啊，進到這里的用戶都是非常忠實的用戶當然留存高啊，這就根本沒法說明B比A好。

案例二 ：?只關注產品而不關注外界的決定性因素

當年Firefox用戶與Mac用戶對支付寶重要與否，單從瀏覽器數據統計看，Firefox訪問支付寶的比例太低了。不過因為支付寶不支持Firefox，所以，這個比例不能用作判斷的依據。Mac用戶也是一樣。再說一個，支付寶當年代繳水電煤的項目改版之后，發現繳費用戶立刻暴增，產品人員欣喜若狂。后來某同學分析一下，原來那幾天是每個月水電煤繳費高峰期，周期性的抽風。其實呢，分析一下我國有關部門發布的數據，你會發現那都是一些說謊的數據。

案例三? ：?數字背后對應的內容可能更重要

改版了款wap產品，沒做任何推廣前提下，發現流量飆升，尤其匿名用戶漲了3倍。因為產品本身用戶基數低，所以流量翻了兩三倍也算正常。當時估計是SNS的口碑傳播導致的。但最后還是覺得不對勁，查了一下，發現是搜索引擎在抓頁面，因為改版了，所以它們要重新抓一次。空歡喜一場。數字還是那個數字，但背后它到底對應了什么內容，常常被忽略了。在與數據打交道的過程中，我們會因為各種原因，導致分析的結論出現較大的偏頗。

那如何避免被 “說謊的數據 ”欺騙呢？

警惕5大誤區，讓數據不在說謊

（1）選取的樣本容量有誤

08年奧運會上，姚明的三分投籃命中率為100%，科比的三分投籃命中率為32%，那么是不是說姚明的三分投籃命中率要比科比高?

顯然不能這么說，因為那屆奧運會，姚明只投了一個三分球，科比投了53個。

因此，在做數據對比分析時，對于樣本的選取，需要制定相同的抽樣規則，減少分析結論的偏差性。

抽取樣本的方法有：

• 隨機抽樣
• 系統抽樣
• 整群抽樣
• 分層抽樣

各種抽樣方法的抽樣誤差一般是：整群抽樣≥單純隨機抽樣≥系統抽樣≥分層抽樣。

圖/數極客用戶行為分析工具

（2）忽略沉默用戶

用戶迫切需要的需求≠產品的核心需求

產品經理在聽到部分用戶反饋的時候就做出決策，花費大量的時間開發相應的功能，往往結果，可能這些功能只是極少部分用戶的迫切需求，而大部分用戶并不在乎。

忽略沉默用戶，沒有全盤的考慮產品大部分目標用戶的核心需求，可能造成人力物力的浪費，更有甚者，會錯失商業機會。

（3）混淆關聯與因果

某電商網站數據顯示，商品評論的數量與商品銷售額成正比。即一個商品評論數量越多，那么該商品的銷售額也會越高。

假如我們認為評論多是銷量高的原因的話，數據分析的結論就會指導我們，需要創造更多的商品評論來帶動商品銷量。

但如果真的這樣操作的話，就會發現很多商品的銷量對于評論的敏感度并不一樣，甚至很多商品銷量很高，但與其評論的多少毫無關系。

這里，我們就需要思考，評論真的是影響銷量的必然因素嗎?

除了評論之外，影響銷量的因素，還有其質量、價格、活動等，如果能完整的認識到這些因素，那我們要拉升商品銷量，首先會需要先從其他角度來考慮，而非評論入手。

因此，在分析數據的時候，正確判斷數據指標的邏輯關系，是指導我們做出產品決策的前提。

（4）可視化表達方式有誤

用來表達數據的圖表的長寬，取值的間隔，數據的標準化等都會造成視覺上的誤差。

由上圖可知，如果數據的取值間隔劃分過大（等比數列 1,10,100,1000,10000）而不是標準等差數列（1,2,3,4），則數據之間巨大差異會被縮小。

• 左圖暗示“湖北、河南、江蘇總產值排名前三遠超其他省市”
• 右圖暗示“各省市總產值相差并不太大”

數極客在可視化數據看板里面，采用統一的圖表標準，選用最適合企業查看的數據表達方式。不僅擁有可視化圖表，而且還有可視化埋點，讓數據分析完全自動化，定制化。

圖/數極客用戶行為分析工具

（5）過度依賴數據

過度依賴數據，一方面，會讓我們做很多沒有價值的數據分析；另一方面，也會限制產品經理本來應有的靈感和創意。

比如，分析馬車的數據，很可能我們得出的結論，是用戶需要一匹更快的馬車。如果過度依賴數據，局限了我們的思維，就很有可能不會有汽車的誕生。

很多優秀甚至偉大的產品決策，并非通過數據發現的，而是一個產品經理綜合智慧的體現。

數據是客觀的，但是，解讀數據的人是主觀的。

只有正確的認識數據，才能正確的利用數據。

強大的功能和嚴謹的數據分析邏輯已經被越來越多的產品經理，運營人員所推薦。

文/老衲原創，部分內容選自人人都是產品經理

作者：老衲（公眾號：ifenxipai），數極客數據分析師，新媒體運營。玩轉運營及數據分析的應用，擁有大量相關經驗。

本文由 @老衲 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 Pexels，基于 CC0 協議