数据会说谎 | 产品经理要避免哪些数据的坑？ - 众包商学院 大德通-众包社区
您现在所在的位置 ： &
很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个产品经理综合智慧的体现。
产品经理所面对的数据，本质上和日常生活中的数据没有太大的差别。简单来说，都是一个量化事物的手段，就像身高、体重一样，都是一个数字指标，它代表了现实存在的事物的一个客观情况。正是因为数据的客观性，让数据变成了发掘问题本质，寻找事物规律所需要用到的最有利的手段之一。数据虽然客观，但是有时也会骗人，而且骗人的方式不同。1、障眼法欺骗案例一： 把沉默用户当做支持和反对的中间态2家网站A和B，都经营类似的业务，都有稳定的用户群。它们都进行了类似的网站界面改版。改版之后，网站A没有得到用户的赞扬，反而遭到很多用户的臭骂；而网站B既没有用户夸它，也没有用户骂它。如果从数据来看, 应该是网站B的改版相对更成功, 因为没有用户表达不满。但事实并非如此。网站A虽然遭到很多用户痛骂，但说明还有很多用户在乎它；对于网站B，用户对它已经不关心了.网站A指的是Facebook，网站B是微软旗下的Live Space。案例二： 把某一类型数据当做全部数据导致分析结果错误某产品想要看网站现在的用户访问量是什么状态，于是选择了PV作为观测指标，通过alexa来看网站的PV在过去一年中呈明显的下降态势，于是就以此为论据进行了分析。可是后来发现，alexa仅仅统计通过WEB的访问量，而用户移动端的登录并不在统计范围之内。由于微信等移动端应用的使用，一大部分人会通过移动端的途径进入，缺失这部分数据意味着前面统计的数据基本没有意义，因为WEB端访问量的下降有可能是用户访问网站次数降低，同时也有可能是由PC端向移动端迁移，这个统计就不能作为论据出现了。2、单一欺骗法案例一：将指标分开单一看，忽略多环节指标在统计用户反馈的时候，只看到几个用户反馈一个问题，这些反馈在整个问题里占比只有1%，你觉得这个太低了，不加以重视！但是，你不知道另外99%遇到这个问题的用户很可能卸载你了！！！案例二 ： 高流量即高转化？错！一篇文章百度带来100个leads，微信带来80个leads。但百度带来的流量最终转化为60个注册用户，微信渠道最终转化了64个注册用户，哪个渠道比较好，不能单纯根据流量来源多少定吧？
图/数极客用户行为分析工具大流量、收录高是获得好转化、好排名的基础，是敲门砖。但绝不是决定性的唯一因素。某些情况下，大流量是获得转化的前提，也就我们平常所说的扩大用户池子。在获得流量后需要考虑如何提高产品转化。但某些情况下，流量转化的高低取决于渠道质量的好坏。3、被动欺骗法案例一 ： 只看数据不考虑其他因素比如：A入口的留存率是30%，B入口的留存率是50%,大多人都觉得B入口的功能更吸引用户。但你忘记了B入口藏的非常深啊，进到这里的用户都是非常忠实的用户当然留存高啊，这就根本没法说明B比A好。案例二 ： 只关注产品而不关注外界决定性因素当年Firefox用户与Mac用户对支付宝重要与否，单从浏览器数据统计看，Firefox访问支付宝的比例太低了。不过因为支付宝不支持Firefox，所以，这个比例不能用作判断的依据。Mac用户也是一样。再说一个，支付宝当年代缴水电煤的项目改版之后，发现缴费用户立刻暴增，产品人员欣喜若狂。后来某同学分析一下，原来那几天是每个月水电煤缴费高峰期，周期性的抽风。其实呢，分析一下我国有关部门发布的数据，你会发现那都是一些说谎的数据。案例三 ： 数字背后对应的内容可能更重要改版了款wap产品，没做任何推广前提下，发现流量飙升，尤其匿名用户涨了3倍。因为产品本身用户基数低，所以流量翻了两三倍也算正常。当时估计是SNS的口碑传播导致的。但最后还是觉得不对劲，查了一下，发现是搜索引擎在抓页面，因为改版了，所以它们要重新抓一次。空欢喜一场。数字还是那个数字，但背后它到底对应了什么内容，常常被忽略了。在与数据打交道的过程中，我们会因为各种原因，导致分析的结论出现较大的偏颇。那如何避免被 “说谎的数据 ”欺骗呢？ 警惕5大误区，让数据不在说谎（1）选取的样本容量有误08年奥运会上，姚明的三分投篮命中率为100%，科比的三分投篮命中率为32%，那么是不是说姚明的三分投篮命中率要比科比高?显然不能这么说，因为那届奥运会，姚明只投了一个三分球，科比投了53个。因此，在做数据对比分析时，对于样本的选取，需要制定相同的抽样规则，减少分析结论的偏差性。抽取样本的方法有：随机抽样系统抽样整群抽样分层抽样各种抽样方法的抽样误差一般是：整群抽样≥单纯随机抽样≥系统抽样≥分层抽样。
图/数极客用户行为分析工具（2）忽略沉默用户用户迫切需要的需求≠产品的核心需求产品经理在听到部分用户反馈的时候就做出决策，花费大量的时间开发相应的功能，往往结果，可能这些功能只是极少部分用户的迫切需求，而大部分用户并不在乎。忽略沉默用户，没有全盘的考虑产品大部分目标用户的核心需求，可能造成人力物力的浪费，更有甚者，会错失商业机会。（3）混淆关联与因果某电商网站数据显示，商品评论的数量与商品销售额成正比。即一个商品评论数量越多，那么该商品的销售额也会越高。假如我们认为评论多是销量高的原因的话，数据分析的结论就会指导我们，需要创造更多的商品评论来带动商品销量。但如果真的这样操作的话，就会发现很多商品的销量对于评论的敏感度并不一样，甚至很多商品销量很高，但与其评论的多少毫无关系。这里，我们就需要思考，评论真的是影响销量的必然因素吗?除了评论之外，影响销量的因素，还有其质量、价格、活动等，如果能完整的认识到这些因素，那我们要拉升商品销量，首先会需要先从其他角度来考虑，而非评论入手。因此，在分析数据的时候，正确判断数据指标的逻辑关系，是指导我们做出产品决策的前提。（4）可视化表达方式有误用来表达数据的图表的长宽，取值的间隔，数据的标准化等都会造成视觉上的误差。
由上图可知，如果数据的取值间隔划分过大（等比数列 1,10,100,）而不是标准等差数列（1,2,3,4），则数据之间巨大差异会被缩小。左图暗示“湖北、河南、江苏总产值排名前三远超其他省市”右图暗示“各省市总产值相差并不太大”数极客在可视化数据看板里面，采用统一的图表标准，选用最适合企业查看的数据表达方式。不仅拥有可视化图表，而且还有可视化埋点，让数据分析完全自动化，定制化。
图/数极客用户行为分析工具（5）过度依赖数据过度依赖数据，一方面，会让我们做很多没有价值的数据分析；另一方面，也会限制产品经理本来应有的灵感和创意。比如，分析马车的数据，很可能我们得出的结论，是用户需要一匹更快的马车。如果过度依赖数据，局限了我们的思维，就很有可能不会有汽车的诞生。很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个产品经理综合智慧的体现。数据是客观的，但是，解读数据的人是主观的。只有正确的认识数据，才能正确的利用数据。
天天有服务查看: 7308|回复: 0
数据会说谎：产品经理要避免哪些数据的坑？
主题帖子积分
　　产品经理所面对的数据，本质上和日常生活中的数据没有太大的差别。简单来说，都是一个量化事物的手段，就像身高、体重一样，都是一个数字指标，它代表了现实存在的事物的一个客观情况。
　　正是因为数据的客观性，让数据变成了发掘问题本质，寻找事物规律所需要用到的最有利的手段之一。
　　数据虽然客观，但是有时也会骗人，而且骗人的方式不同。
　　1、障眼法欺骗
　　案例一： 把沉默用户当做支持和反对的中间态
　　2家网站A和B，都经营类似的业务，都有稳定的用户群。它们都进行了类似的网站界面改版。改版之后，网站A没有得到用户的赞扬，反而遭到很多用户的臭骂;而网站B既没有用户夸它，也没有用户骂它。如果从数据来看, 应该是网站B的改版相对更成功, 因为没有用户表达不满。但事实并非如此。网站A虽然遭到很多用户痛骂，但说明还有很多用户在乎它;对于网站B，用户对它已经不关心了.网站A指的是Facebook，网站B是微软旗下的Live Space。
　　案例二： 把某一类型数据当做全部数据导致分析结果错误
　　某产品想要看网站现在的用户访问量是什么状态，于是选择了PV作为观测指标，通过alexa来看网站的PV在过去一年中呈明显的下降态势，于是就以此为论据进行了分析。
　　可是后来发现，alexa仅仅统计通过WEB的访问量，而用户移动端的登录并不在统计范围之内。由于微信等移动端应用的使用，一大部分人会通过移动端的途径进入，缺失这部分数据意味着前面统计的数据基本没有意义，因为WEB端访问量的下降有可能是用户访问网站次数降低，同时也有可能是由PC端向移动端迁移，这个统计就不能作为论据出现了。
　　2、单一欺骗法
　　案例一：将指标分开单一看，忽略多环节指标
　　在统计用户反馈的时候，只看到几个用户反馈一个问题，这些反馈在整个问题里占比只有1%，你觉得这个太低了，不加以重视!但是，你不知道另外99%遇到这个问题的用户很可能卸载你了!!!
　　案例二 ： 高流量即高转化?错!
　　一篇文章百度带来100个leads，微信带来80个leads。但百度带来的流量最终转化为60个注册用户，微信渠道最终转化了64个注册用户，哪个渠道比较好，不能单纯根据流量来源多少定吧?
5.jpg (10.76 KB, 下载次数: 0)
13:32 上传
　　图/数极客用户行为分析工具
　　大流量、收录高是获得好转化、好排名的基础，是敲门砖。但绝不是决定性的唯一因素。某些情况下，大流量是获得转化的前提，也就我们平常所说的扩大用户池子。在获得流量后需要考虑如何提高产品转化。但某些情况下，流量转化的高低取决于渠道质量的好坏。
　　3、被动欺骗法
　　案例一 ： 只看数据不考虑其他因素
　　比如：A入口的留存率是30%，B入口的留存率是50%,大多人都觉得B入口的功能更吸引用户。但你忘记了B入口藏的非常深啊，进到这里的用户都是非常忠实的用户当然留存高啊，这就根本没法说明B比A好。
　　案例二 ： 只关注产品而不关注外界的决定性因素
　　当年Firefox用户与Mac用户对支付宝重要与否，单从浏览器数据统计看，Firefox访问支付宝的比例太低了。不过因为支付宝不支持Firefox，所以，这个比例不能用作判断的依据。Mac用户也是一样。再说一个，支付宝当年代缴水电煤的项目改版之后，发现缴费用户立刻暴增，产品人员欣喜若狂。后来某同学分析一下，原来那几天是每个月水电煤缴费高峰期，周期性的抽风。其实呢，分析一下我国有关部门发布的数据，你会发现那都是一些说谎的数据。
　　案例三 ： 数字背后对应的内容可能更重要
　　改版了款wap产品，没做任何推广前提下，发现流量飙升，尤其匿名用户涨了3倍。因为产品本身用户基数低，所以流量翻了两三倍也算正常。当时估计是SNS的口碑传播导致的。但最后还是觉得不对劲，查了一下，发现是搜索引擎在抓页面，因为改版了，所以它们要重新抓一次。空欢喜一场。数字还是那个数字，但背后它到底对应了什么内容，常常被忽略了。在与数据打交道的过程中，我们会因为各种原因，导致分析的结论出现较大的偏颇。
　　那如何避免被 “说谎的数据 ”欺骗呢?
　　警惕5大误区，让数据不在说谎
　　(1)选取的样本容量有误
　　08年奥运会上，姚明的三分投篮命中率为100%，科比的三分投篮命中率为32%，那么是不是说姚明的三分投篮命中率要比科比高?
　　显然不能这么说，因为那届奥运会，姚明只投了一个三分球，科比投了53个。
　　因此，在做数据对比分析时，对于样本的选取，需要制定相同的抽样规则，减少分析结论的偏差性。
　　抽取样本的方法有：
　　随机抽样
　　系统抽样
　　整群抽样
　　分层抽样
　　各种抽样方法的抽样误差一般是：整群抽样≥单纯随机抽样≥系统抽样≥分层抽样。
1.jpg (75.47 KB, 下载次数: 0)
13:31 上传
　　图/数极客用户行为分析工具
　　(2)忽略沉默用户
　　用户迫切需要的需求≠产品的核心需求
　　产品经理在听到部分用户反馈的时候就做出决策，花费大量的时间开发相应的功能，往往结果，可能这些功能只是极少部分用户的迫切需求，而大部分用户并不在乎。
　　忽略沉默用户，没有全盘的考虑产品大部分目标用户的核心需求，可能造成人力物力的浪费，更有甚者，会错失商业机会。
　　(3)混淆关联与因果
　　某电商网站数据显示，商品评论的数量与商品销售额成正比。即一个商品评论数量越多，那么该商品的销售额也会越高。
　　假如我们认为评论多是销量高的原因的话，数据分析的结论就会指导我们，需要创造更多的商品评论来带动商品销量。
　　但如果真的这样操作的话，就会发现很多商品的销量对于评论的敏感度并不一样，甚至很多商品销量很高，但与其评论的多少毫无关系。
　　这里，我们就需要思考，评论真的是影响销量的必然因素吗?
　　除了评论之外，影响销量的因素，还有其质量、价格、活动等，如果能完整的认识到这些因素，那我们要拉升商品销量，首先会需要先从其他角度来考虑，而非评论入手。
　　因此，在分析数据的时候，正确判断数据指标的逻辑关系，是指导我们做出产品决策的前提。
　　(4)可视化表达方式有误
　　用来表达数据的图表的长宽，取值的间隔，数据的标准化等都会造成视觉上的误差。
9.png (94.74 KB, 下载次数: 0)
13:31 上传
　　由上图可知，如果数据的取值间隔划分过大(等比数列 1,10,100,)而不是标准等差数列(1,2,3,4)，则数据之间巨大差异会被缩小。
　　左图暗示“湖北、河南、江苏总产值排名前三远超其他省市”
　　右图暗示“各省市总产值相差并不太大”
　　数极客在可视化数据看板里面，采用统一的图表标准，选用最适合企业查看的数据表达方式。不仅拥有可视化图表，而且还有可视化埋点，让数据分析完全自动化，定制化。
3.jpg (65.38 KB, 下载次数: 0)
13:31 上传
2.png (78.94 KB, 下载次数: 0)
13:31 上传
　　图/数极客用户行为分析工具
　　(5)过度依赖数据
　　过度依赖数据，一方面，会让我们做很多没有价值的数据分析;另一方面，也会限制产品经理本来应有的灵感和创意。
　　比如，分析马车的数据，很可能我们得出的结论，是用户需要一匹更快的马车。如果过度依赖数据，局限了我们的思维，就很有可能不会有汽车的诞生。
　　很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个产品经理综合智慧的体现。
　　数据是客观的，但是，解读数据的人是主观的。
　　只有正确的认识数据，才能正确的利用数据。
　　强大的功能和严谨的数据分析逻辑已经被越来越多的产品经理，运营人员所推荐。
每天免费分享当今最流行的，网赚教程，建站教程，SEO教程等等，是你学习网络赚钱的第一选择，
实名认证用户
实名认证用户
商务广告客服 (请直击主题) 论坛事务客服：
团购合作客服：
中赚网创建于,本站内容均为会员发表,并不代表中赚立场!
拒绝任何人以任何形式在本论坛发表与中华人民共和国法律相抵触的言论!
信息产业部备案号 粤ICP备号-1 粤公网安备 21号
中赚网法律顾问：ITlaw-庄毅雄
Powered by Discuz! X3.2原标题：数据会说谎 | 产品经理要避免哪些数据的坑？很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个产品经理综合智慧的体现。
产品经理所面对的数据，本质上和日常生活中的数据没有太大的差别。简单来说，都是一个量化事物的手段，就像身高、体重一样，都是一个数字指标，它代表了现实存在的事物的一个客观情况。 正是因为数据的客观性，让数据变成了发掘问题本质，寻找事物规律所需要用到的最有利的手段之一。 数据虽然客观，但是有时也会骗人，而且骗人的方式不同。 1、障眼法欺骗 案例一： 把沉默用户当做支持和反对的中间态 2家网站A和B，都经营类似的业务，都有稳定的用户群。它们都进行了类似的网站界面改版。改版之后，网站A没有得到用户的赞扬，反而遭到很多用户的臭骂；而网站B既没有用户夸它，也没有用户骂它。如果从数据来看, 应该是网站B的改版相对更成功, 因为没有用户表达不满。但事实并非如此。网站A虽然遭到很多用户痛骂，但说明还有很多用户在乎它；对于网站B，用户对它已经不关心了.网站A指的是Facebook，网站B是微软旗下的Live Space。 案例二： 把某一类型数据当做全部数据导致分析结果错误 某产品想要看网站现在的用户访问量是什么状态，于是选择了PV作为观测指标，通过alexa来看网站的PV在过去一年中呈明显的下降态势，于是就以此为论据进行了分析。 可是后来发现，alexa仅仅统计通过WEB的访问量，而用户移动端的登录并不在统计范围之内。由于微信等移动端应用的使用，一大部分人会通过移动端的途径进入，缺失这部分数据意味着前面统计的数据基本没有意义，因为WEB端访问量的下降有可能是用户访问网站次数降低，同时也有可能是由PC端向移动端迁移，这个统计就不能作为论据出现了。 2、单一欺骗法 案例一：将指标分开单一看，忽略多环节指标 在统计用户反馈的时候，只看到几个用户反馈一个问题，这些反馈在整个问题里占比只有1%，你觉得这个太低了，不加以重视！但是，你不知道另外99%遇到这个问题的用户很可能卸载你了！！！ 案例二 ： 高流量即高转化？错！ 一篇文章百度带来100个leads，微信带来80个leads。但百度带来的流量最终转化为60个注册用户，微信渠道最终转化了64个注册用户，哪个渠道比较好，不能单纯根据流量来源多少定吧？
图/数极客用户行为分析工具 大流量、收录高是获得好转化、好排名的基础，是敲门砖。但绝不是决定性的唯一因素。某些情况下，大流量是获得转化的前提，也就我们平常所说的扩大用户池子。在获得流量后需要考虑如何提高产品转化。但某些情况下，流量转化的高低取决于渠道质量的好坏。 3、被动欺骗法 案例一 ： 只看数据不考虑其他因素 比如：A入口的留存率是30%，B入口的留存率是50%,大多人都觉得B入口的功能更吸引用户。但你忘记了B入口藏的非常深啊，进到这里的用户都是非常忠实的用户当然留存高啊，这就根本没法说明B比A好。 当年Firefox用户与Mac用户对支付宝重要与否，单从浏览器数据统计看，Firefox访问支付宝的比例太低了。不过因为支付宝不支持Firefox，所以，这个比例不能用作判断的依据。Mac用户也是一样。再说一个，支付宝当年代缴水电煤的项目改版之后，发现缴费用户立刻暴增，产品人员欣喜若狂。后来某同学分析一下，原来那几天是每个月水电煤缴费高峰期，周期性的抽风。其实呢，分析一下我国有关部门发布的数据，你会发现那都是一些说谎的数据。 案例三 ： 数字背后对应的内容可能更重要 改版了款wap产品，没做任何推广前提下，发现流量飙升，尤其匿名用户涨了3倍。因为产品本身用户基数低，所以流量翻了两三倍也算正常。当时估计是SNS的口碑传播导致的。但最后还是觉得不对劲，查了一下，发现是搜索引擎在抓页面，因为改版了，所以它们要重新抓一次。空欢喜一场。数字还是那个数字，但背后它到底对应了什么内容，常常被忽略了。在与数据打交道的过程中，我们会因为各种原因，导致分析的结论出现较大的偏颇。 那如何避免被 “说谎的数据 ”欺骗呢？ 警惕5大误区，让数据不在说谎
（1）选取的样本容量有误 08年奥运会上，姚明的三分投篮命中率为100%，科比的三分投篮命中率为32%，那么是不是说姚明的三分投篮命中率要比科比高? 显然不能这么说，因为那届奥运会，姚明只投了一个三分球，科比投了53个。 因此，在做数据对比分析时，对于样本的选取，需要制定相同的抽样规则，减少分析结论的偏差性。 抽取样本的方法有： 随机抽样系统抽样整群抽样分层抽样
各种抽样方法的抽样误差一般是：整群抽样≥单纯随机抽样≥系统抽样≥分层抽样。
图/数极客用户行为分析工具 （2）忽略沉默用户 用户迫切需要的需求≠产品的核心需求
产品经理在听到部分用户反馈的时候就做出决策，花费大量的时间开发相应的功能，往往结果，可能这些功能只是极少部分用户的迫切需求，而大部分用户并不在乎。 忽略沉默用户，没有全盘的考虑产品大部分目标用户的核心需求，可能造成人力物力的浪费，更有甚者，会错失商业机会。 （3）混淆关联与因果 某电商网站数据显示，商品评论的数量与商品销售额成正比。即一个商品评论数量越多，那么该商品的销售额也会越高。 假如我们认为评论多是销量高的原因的话，数据分析的结论就会指导我们，需要创造更多的商品评论来带动商品销量。 但如果真的这样操作的话，就会发现很多商品的销量对于评论的敏感度并不一样，甚至很多商品销量很高，但与其评论的多少毫无关系。 这里，我们就需要思考，评论真的是影响销量的必然因素吗? 除了评论之外，影响销量的因素，还有其质量、价格、活动等，如果能完整的认识到这些因素，那我们要拉升商品销量，首先会需要先从其他角度来考虑，而非评论入手。 因此，在分析数据的时候，正确判断数据指标的逻辑关系，是指导我们做出产品决策的前提。 （4）可视化表达方式有误 用来表达数据的图表的长宽，取值的间隔，数据的标准化等都会造成视觉上的误差。
由上图可知，如果数据的取值间隔划分过大（等比数列 1,10,100,）而不是标准等差数列（1,2,3,4），则数据之间巨大差异会被缩小。 左图暗示“湖北、河南、江苏总产值排名前三远超其他省市”右图暗示“各省市总产值相差并不太大”
数极客在可视化数据看板里面，采用统一的图表标准，选用最适合企业查看的数据表达方式。不仅拥有可视化图表，而且还有可视化埋点，让数据分析完全自动化，定制化。
图/数极客用户行为分析工具 （5）过度依赖数据 过度依赖数据，一方面，会让我们做很多没有价值的数据分析；另一方面，也会限制产品经理本来应有的灵感和创意。 比如，分析马车的数据，很可能我们得出的结论，是用户需要一匹更快的马车。如果过度依赖数据，局限了我们的思维，就很有可能不会有汽车的诞生。 很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个产品经理综合智慧的体现。 数据是客观的，但是，解读数据的人是主观的。 只有正确的认识数据，才能正确的利用数据。 强大的功能和严谨的数据分析逻辑已经被越来越多的产品经理，运营人员所推荐。 文/老衲原创，部分内容选自人人都是产品经理 作者：老衲（公众号：ifenxipai），数极客数据分析师，新媒体运营。玩转运营及数据分析的应用，拥有大量相关经验。 本文由 @老衲 原创发布于人人都是产品经理。未经许可，禁止转载。 题图来自 Pexels，基于 CC0 协议最新网 www.zuinow.com
11:43:22相关推荐原标题：小康之家如何理财?根据相关调查机构对北京、上海、深圳和广州四城市的一项调查显示，家庭月收入在10000元（人民币）以上，年龄在20～44岁之间的“小康之家”，估计已达到1亿户。为了帮助日趋庞大的“小康之家”寻求安全且收益较高的理财方式，笔者特别总结几 原标题：近期有小偷专偷车上的这个东西，已经有很多车主中招了！一早准备开车上班，结果发现爱车的反光镜没了，闹不闹心？近日，某地警方抓获了一名专门盗窃高档汽车反光镜的嫌疑人，而且让人震惊的是，从他的暂住地搜出各类高档车反光镜高达400多个……想想这得有多少司机遭殃 言处理将使各种程序简化，“这将改变后台运作”。更早预言人工智能对银行岗位冲击的是德意志银行首席执行官约翰·克赖恩。2017年9月上旬，他曾说过，德意志银行“大量”员工将最终失业，因为技术发展将使他们淘汰。德意志银行雇用大约10万名员工，正处于为期5年的重组期 原标题：【数说吴中这五年·营造安全放心市场环境】5年来全区注册商标总数增长122%，为消费者挽回经济损失2300万元伴随着机构改革的东风，吴中区市场监管局应运而生，新单位承接了原工商、质监、食药监局、区食安办的全部职能，以及卫监所餐饮安全监管职能。改革后市场监 原标题：混搭英伦复古调时尚大气彰显品味 ▲福利图▲ 大叔 你似乎过度 热点图文推荐新闻热门搜索本类推荐注册 | 登录
量化即增长。能量化的都即可增长，从关注数据开始吧。
分析一款产品，要重点关注三项内容：用户，需求和数据。
大部分人都会关注用户和需求，但会忽略数据。一方面，主...
在数据分析前要找到分析的目标，带着问题去分析，也就是了解前期数据分析的需求，后期，需要做数据回报才具有针对性，目的性。
需求分析师是否适合做数据分析？这是我...
在上一篇文章《西瓜、火山、抖音数据起底：日活、留存与用户日均使用次数及时长》中，我们只是概览了头条短视频三杰的数据情况，至于为什么会有这样的数据变化，还缺深...
很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个产品经理综合智慧的体现。
产品经理所面对的数据，本质上和日常生活中的数据没有太大的差别。简单来说，都...
如何才能构建一个完整的产品数据运营体系？Blues根据自己在YY工作的经验进行了梳理和总结，整个过程可以分为如下的11步，供大家参考。
本文内容将会从作者在腾讯、YY的...
对于产品经理来说数据分析很重要，但是又该怎么做呢？数据分析如何避免沦为形式，又该如何避免踩坑呢？本文将就此来分享。
知乎上有一个热门问题 “怎么评价产品经理拿...
上一篇和大家分享了设计产品的第一个环节：定义方向策略，有理有据做设计。今天聊一聊，如何评估设计效果及进行产品迭代。
近期关注了几篇关于考核产品效果的文章，话...
做为产品经理，除了要会分析需求，画原型，写文档，做用户访谈之外，还有一个蛮重要的技能就是要善于分析和利用数据。今天就写写产品经理应该如何关注和运用产品数据，...
KEVIN在工作之余，也在学习关于产品的一些软硬件技能。让自己时刻保持在一个不松懈的状态，作为各位产品朋友来说，你们呢？会不会太忙，没时间学习啦？
数据报表与交互...
女生对男生常说的一句话就是“你们男生就是爱说谎”。男生爱不爱说谎，豌侠暂且不做讨论。但是数据的谎言，倒是把做产品的人害得挺惨。“世界上有三种谎言：谎言、十足的谎...
作为一个产品人，最骄傲的事情大概就是从零开始设计打磨出一款精美且实用的产品。作为互联网圈最具活力和创造力的一个群体，几乎每一位PM心里都有一幅伟大的产品图景；...
Episode 12 跳出数据看数据
首先有两个问题:
1、当我们在讨论数据的时候，我们真的是在讨论数据么？
2、当我们分析数据的时候，我们只是在看数据的涨跌变化么？
产品经理群
运营交流群
数据分析群
文案交流群
Axure交流群
关注微信公众号