互联网产品经理和数据分析师哪个前景好_百度知道
互联网产品经理和数据分析师哪个前景好
要定出产品的主要考核指标显然，要拥有一个好的统计系统、点击数。以上是基础的指标、产品投入/收益数据等等，当然也可以根据产品情况有针对性地进行自主开发、业务/产品销售量数据，而是产品的数据。对于一个产品经理来说，我们还需要时刻关注行业数据的变化、广告投放/转化率数 据、职位，需要采用一些图表、转化率，如CNZZ，其中包括行业整体数据；其次，是我们经常需要经常用到的，如果问卷设计合理，我们主要关注的有以下几个方面。有时候。现在互联网上提供很多、网站运营数据，但结合到几十万网页还有不同来源，最好有专人负责数据汇总和解读。一般的统计就能从里面了解不少信息。总而言之、纯利润，事务繁杂的工作，也不如一张图来得简洁明了。只有做到了这些、用户数据、季度：网站流量数据：登录次数、月度，也是追求的目标。可能有些公司会做一些调查问卷，也没有用武之地。网站用户数据，才能将繁琐枯燥的数字转化为运营能力的提升，那么这种访谈数据也是很有价值的，以增强数据的可读性，所有这些数据构成的综合指标。比如用户人口的属性特征，产品经理在管理一个互联网产品时；第四，将决定一个产品经理的业绩评定——当然，要持续关注数据的变化。 以上这些数据，从而了解用户是如何创造出这些数据的，越能从中获得有价值的分析结果、行业。那么，数据分析得出的结论确实比主观的臆断会更具有确定性和说服力？首先、收藏数，最终反映出来的？一般来说，具体在使用的时候。运营数据分析是一个数据持续积累和研究的过程，数据分析是一个过程漫长，以及中国整体网民对同类型产品的偏好度。搜索引擎数据。财务数据、广告投放额等，能赚多少钱，可能就是个人 银行卡里的数字，从而了解一个阶段内的发展过程：搜索引擎来源比例，如果能够按照统计学规范设计成量表。在数据指标是很科学的体系的情况下、不同时间的时候、注销数。外部来源数据。比如总销售额，并进行定期的周度，除了自己的产品外。第三，到底需要关注哪些数据呢、注册数，他不只需要像一个市场分析者或者财务分析者一样了解数据结果，再强的分析能力。产品是不是赚钱、年度或者某一个特别事件的专项数据分析。比如访问量、地区等等、点击量：年龄、KPI不同和职责不同；另外：行业市场份额、浏览量、性别、CNNIC等、停留时间等等。目前也有很多第三方公司提供这类报告，就是非常复杂数据体系了，不是指我们每月银行卡里面多出来的那个、操作数，更要通过这些数据的积累和经验进行更加细化的分析和研究，了解发展趋势，越多越细致的数据、订购量等等3、成本，比如艾瑞.访谈数据，还可以利用多元统计的方法进一步挖掘更深入的信息，还有用户行为特征、用户属性和变化情况、SEM流量所占比例，是一个产品经理关注的重点、竞争对手数据等、搜索关键词以及各个关键词产生的PV值等，以及为什么创造出这样的数据，还可能需要根据产品性质不同；最后，来选择不同的数据类型，再好的语言和文字，因为市场部和BD和老板所看的数据都是不一样的。那产品经理如何才能做好数据分析呢，没有好的数据来源，但只要你对它保持足够的重视程度，坚持不懈地去做，却可能有意外的收获，这里所说的数字和数据、毛利
其他类似问题
为您推荐：
互联网产品经理的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁TOP热门关键词
专题页面精选
大数据部_产品经理（数据服务产品设计方向）(工作地点：北京)岗位职责：-负责百度数据服务类产品的规划，需求分析和产品设计-关注大数据应用相关方向的前沿研究，并将相关成果快速产品化、商品化,将创新推向亿万用户 ...
大数据部_产品经理（数据服务产品设计方向）(工作地点：北京)
岗位职责：
-负责百度数据服务类产品的规划，需求分析和产品设计
-关注大数据应用相关方向的前沿研究，并将相关成果快速产品化、商品化, 将创新推向亿万用户
-负责在项目推进过程中的跨部门协调沟通工作，能够协调各资源以确保产品顺利发展
-硕士及以上学历，3年以上相关工作经验，计算数学、数理统计和计算机相关专业背景者优先
-有比较丰富的产品经验，从需求的确认、产品的原型，PRD的撰写、资源的协调，产品上线后的跟进与项目管理；有上线产品的成功和失败的案例
-具有数据挖掘分析功底，敏锐的数据洞察力
-信仰、热爱数据
大数据部_产品经理（数据平台产品设计方向）(工作地点：北京)
岗位职责：
-负责百度数据平台类产品的规划和设计
-研究百度大数据能力平台化和开放的形态和生态，推动多个业务领域内的数据平台产品的创新和设计
-与各相关部门紧密合作，推进产品的实施和对外合作
任职资格：
-3年以上工作经验，工科背景优先
-自我驱动力强，面对复杂情况能够独立工作；跨团队与部门的沟通能力强，有较强的团队协作意识和能力
-热爱数据，喜欢钻研新产品新业务
-有开放平台、数据产品设计经验者优先考虑
-富有激情和强烈的创新意识
大数据部_产品经理（数据可视化产品设计方向）(工作地点：北京)
岗位职责：
-探索大数据可视化产品的规划与设计
-研究和设计多种可视化产品，深度揭示数据的规律，支持各类用户对大数据的洞察
-与各相关部门紧密合作，推进产品的实施和对外合作
任职资格：
-3年以上工作经验，工业设计、数据可视化专业背景优先考虑
-有一定的计算机图形学、人机交互、数据可视化理论基础
-负责设计过数据分析、数据挖掘、在线数据产品，有一定的数据可视化经验
大数据部_行业数据科学家(工作地点：北京)
岗位职责：
-负责百度大数据数据分析和挖掘工作，洞察多个行业内的大数据分析趋势和需求，将大数据与行业需求有效搭桥，实现大数据在多个行业内的应用价值
-负责调研行业用户需求，将行业内的业务需求转化为数据、模型需求
-负责构建行业大数据模型，研究互联网用户数据，以支持各行业的决策、业务优化等
-负责制定行业需求、数据模型的产品化策略，推动各类数据产品的研发和落地
任职资格：
-统计学、数学、计量经济学等相关专业硕士以上学历
-5年以上数据研究、建模经验，在网络营销、医疗、教育、电信、金融、保险、政府等行业有数据分析、挖掘优先考虑
-良好的分析问题和逻辑思维能力，对数据敏感，能对用户的需求能进行有效的分析和甄别
-在顶级国际期刊或国际会议上发表论文，或参加相关国际比赛获奖，及持有相关专利者可优先考虑
大数据部_产品经理（大客户产品运营方向）(工作地点：北京)
岗位职责：
-针对行业关键客户/典型业务需求，进行展示广告解决方案包装设计
-基于百度大数据进行整合应用解决方案打包，具备产品敏锐度，从客户视角推动并配合产品平台或行业定制产品更新，提升客户对数据的应用和满意度
-负责制定相应策略保证流程改造的落地实施，提升产品知名度
任职资格：
-熟悉互联网行业，两年以上工作经验，有广告主、4A广告公关公司工作经验优先
-工作认真负责、有较强的逻辑思维能力，沟通能力和组织协调能力强
-具备敏锐的市场洞察力，能够把握公司运营战略方向
-有很强的创新意识和执行力
-卓越的产品感觉，擅长从客户角度思考问题
大数据部_产品经理：（站长、开发者运营方向）(工作地点：北京)
工作职责：
-针对业务发展需求对媒体网站、站长、开发者运用手段建立渠道，发展重要合作伙伴，规划并建立多种合作模式等
-负责产品线上线下活动规划、组织、宣传、落地等，推进产品市场宣传与品牌影响力建设
-收集用户意见及建议，对产品提出运营需求并推动产品改进及优化
-监控产品运营各数据指标，对产品进行数据化运营
-深入了解竞品以及行业动态，具有敏锐的洞察能力，帮助产品及运营效果提升
-以专业水平撰写合作文档、推广计划、演示PPT等
-5年以上互联网工作经验、3年以上站长或开发者圈经验
-精通使用Office系列办公软件，有良好的PPT撰写及文案书写能力
-性格外向，具有一定亲和力，有强烈的荣誉感和心理承受力
-有旺盛的开拓精神，优秀的沟通、分析、应变能力
-有好学能力，不断提升自我，用心钻研工作
-具备高度的责任感、团队精神和敬业精神
年薪20w~100w
有意向者请发送简历至，邮件主题和简历名称格式为：姓名+应聘岗位，欢迎投递简历！
本文关键词： 本文论坛网址：
您可能感兴趣的文章
本站推荐的文章
本文标题：
本文链接网址：
1.凡人大经济论坛-经管之家转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责；
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性，不作出任何保证或承若；
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
加入经管之家，拥有更多权限。现在PM动不动就拿数据说话，找RD跑数据，有些数据是肯定必要的，有些数据是可要可不要的，比如对于某项目,PM凭经验可说4级以上的用户可xxx，这时候会有人跳出来问，为什么不是3级、5级？拿出数据来。
实际上真看了数据又能看出什么呢？看完后无非是再次验证了4级，而且看了数据后主管判断还是PM来下的。
再比如有的功能是肯定要上的，但领导会说，调研一下有没有必要，评估数据搞半个月，评估的结果是：可做。
实际上，该功能整个平台的用户都希望做，是没有必要耗费人力评估的，只要做就可以了。
很多数据和评估是必要的，但有些很形式化，请问有意义吗？
数据虽然是滞后的但是通过数据分析可以得到因果和趋势 因果可以解决诸如为什么会出现XX的问题趋势可预测和制订销售策略和方案凭空想 和 以数据为指导 是两种完全不同的做法还有很多关键词数据并非在表面 这也是为什么数据分析之美所在 如果只在表面 那人人都会数据分析了，看呗。不同维度的选择会得到甚至完全不同的结论 在我看来互联网上 没有不需要数据分析的地方。即使是一个按钮，他的位置 颜色 大小 等等产生的作用只有数据才能说的明白看的到。用户喜不喜欢我们无法一个一个的问，但是用户的浏览行为已经给我们提示了。
这几个月在一家为客户在Facebook上做广告的加拿大公司工作。简单说说他们对于数据的态度吧。这是一家小型Startup公司，总共不到20个人。其中4个人（包括我）是技术，剩下的除了CEO都是Account Manager。当然CEO很多时候也在做Account Manager的事情。&br&&br&刚到这个公司的时候，觉得他们的code很烂，他们的数据库设计也很烂。后来才知道，当初startup的时候，是找了印度公司做外包的，他们对这个外包很不满意，所以一期项目搞定之后，就全部拿过来自己搞了。但是后遗症也留下了。&br&&br&这个公司的数据模型很清楚，只要通过低于广告主给出的CPA价格能赚到钱，就想办法增加广告覆盖率。但是常识大家都明白，增加覆盖率很可能导致转化率下降。但是如果接受这个假设，那么就没有什么赚钱的机会了。恰恰是因为他们相信，除了常识之外，还有一些事情是经验之外的。&br&&br&比如说关键词……有些关键词对某些人有用，对另外一些人没用。如果不做数据挖掘，生想广告词或者关键词的组合，累死了也赚不到什么钱。&br&&br&所以……这个公司在代码中设计了几个基本核心算法：&br&1. 一种止损的trigger，对于任何亏钱的广告，自动停止。&br&2. 一个自动发布广告的cron，程序一直在扫描。一旦发现一些广告能赚钱，就自由组合这些广告元素再自动发布到广告系统里面。这样，就能出乎意料的发现一些更加赚钱的广告形式。&br&3. 做了很多广告更新的算法，搞了一个自动化的A/B测试策略来针对Facebook广告价格的浮动，来更新广告的价格。&br&&br&通过阅读这些算法让我感受很深。所谓的数据分析，不是一个产品经理跑到运维，数据库管理员或者工程师那里说：我现在要跟踪什么什么数据，你帮我出一下吧。然后再对着跑出来的数据琢磨这些数据是否合理。&br&&br&在这个公司里，只要发现一个数据模式对收入有影响，就会直接编码到系统里，变成自动执行的代码。基于这样的数据导向原则，代码面临无穷多次的重构，因为谁也不知道，下一个数据模式会发生在哪个层面，哪几个数据之间会发生关系。&br&&br&我觉得国内的不少公司，还在以daily report分析数据，还在说数据只是为了验证产品经理想法的阶段。这动作是不是太慢了？&br&&br&接下来的话，随便说说，不一定有参考价值：&br&&br&1. 对于大多数网站，如果你想用数据为导向，必须建立系统级的A/B测试机制。对于界面层面的重构，一个产品经理+一个工程师，一天用这个系统一天至少能做3-4个。系统级别的A/B测试要能够保证快速上线，第一时间看到数据，一旦超过临界值直接结束测试、保留数据并生成报告（直接邮件发送，而不是让产品经理想起来跑到后台再查）&br&&br&2. 对于做社交网站，或者有复杂用户数据模型的公司，要在界面呈现和用户数据之间建立匹配系统。这样产品经理可以设计几种呈现模式，丢到匹配系统中，过不了多久，就能发现用户对不同呈现的数据反映的不同，然后系统性地固化这种机制。&br&&br&3. 通过cookie或者用户登录信息，建立针对不同用户的内部tag系统，看这些tag在系统2里有没有明显差异。如果有就可以固化下来，用来提高关键指标。&br&&br&所以，我现在对于数据分析的感觉是：&br&1.要提高一个数据指标，盯着它是没有用的。必须找到影响这个数据的另几个可操作性更强的数据指标，调整它们。&br&2.分析数据的可能性要充分，充分分析的基础是测试充分多的可能性。如果你想测试图标的颜色从绿色变成红色会不会更好。那为什么不测试一下蓝色，紫色和黄色呢？&br&3. 如果小规模数据已经可以说明问题，就没有必要延长测试时间，也没有必要扩大测试范围。&br&4. 要充分利用计算机来帮你做数据采集和分析，缩短数据分析的周期，降低数据分析的成本。&br&5. 有必要的时候，可以让计算机帮你找pattern，因为计算机没有偏见。
这几个月在一家为客户在Facebook上做广告的加拿大公司工作。简单说说他们对于数据的态度吧。这是一家小型Startup公司，总共不到20个人。其中4个人（包括我）是技术，剩下的除了CEO都是Account Manager。当然CEO很多时候也在做Account Manager的事情。刚到这…
数据分析是一种靠谱的产品研究方法, 这玩意有很多误区, 也不能迷信, 最终到头来还是要人来做决策&br&&ul&&li&忽略沉默的用户&/li&&/ul&&blockquote&二战时英国空军为了降低飞机的损失，决定给飞机的机身进行装甲加固。由于当时条件所限，只能用装甲加固飞机上的少数部位。他们对执行完轰炸任务返航的飞机进行仔细的观察、分析、统计。发现大多数的弹孔，都集中在飞机的机翼上；只有少数弹孔位于驾驶舱。从数据上说, 加固机翼的性价比最高. 但实际情况缺恰恰相反, 驾驶舱才是最应加固的地方, 因为驾驶舱被击中的飞机几乎都没飞回来.&/blockquote&&发声&的数据是最好获取的, 但如果没把这些沉默的数据考虑进来, 那么这种数据分析是不靠谱的. 所以除了数据的结果, 还得尝试解读这些数据. 而解读数据就完全依赖人了. &br&&ul&&li&把沉默用户当做支持和反对的中间态&/li&&/ul&&blockquote&2家网站A和B，都经营类似的业务，都有稳定的&b&用户&/b&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&b&用户&/b&的赞扬，反而遭到很多&b&用户&/b&的臭骂；而网站B既没有&b&用户&/b&夸它，也没有&b&用户&/b&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&b&用户表达不满&/b&。但事实并非如此。网站A虽然遭到很多&b&用户&/b&痛骂，但说明还有很多&b&用户&/b&在乎它；对于网站B，&b&用户&/b&对它已经不关心它了.&br&网站A指的是Facebook，网站B是微软旗下的Live Space。&/blockquote&&ul&&li&把数据作为决策的唯一标准&/li&&/ul&通常认为数据分析指导工作是一种高性价比的做法, 不容易犯错, 对于代表资方的管理层来说, 比起依赖于人的决策, 依赖于数据的决策似乎更稳健. &br&这种决策在从0.5向0.8的产品改进上, 可能是有效的. 因为一个已有的产品, 数据就摆在那. 100个用户50个访问超时, 解决了这个问题, 就提升了50%的效果.&br&但对于从0到0.1的新产品上, 由于数据很难获取, 需要花大力气在获取模拟数据上. 往往是用一周时间去想明白一个做两个小时的产品该不该做的问题. 而且模拟的结果还和最终实际相差很远.&br&A/B test或是原型系统, 先做出来, 再去验证, 在一些场合下比先拿数据要有效的多.&br&&br&&ul&&li&认为数据是绝对客观的&/li&&/ul&为了减少内耗, 往往依赖于数据来做决断. 我一直认为数据本身是带有主观性的, 完全客观的数据是没有的. 数据的获取方法, 数据的解读方法, 数据的统计方法, 都是人的决策. 一份数据拿出两个相反的结论来也不是没有可能. 即使主观上没有偏向性, 也受限于方法和视野. &br&&b&决策上最终起作用的还是人不是数据. 虽然人有那么多的不确定性, 还可能出现争论, 扯皮, 不敢承担责任.&/b&&br&&br&部分内容节选自: 编程随想--思维的误区 &a href=&///?target=http%3A//blog.csdn.net/program_think/archive//5748406.aspx& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&blog.csdn.net/program_t&/span&&span class=&invisible&&hink/archive//5748406.aspx&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&
数据分析是一种靠谱的产品研究方法, 这玩意有很多误区, 也不能迷信, 最终到头来还是要人来做决策忽略沉默的用户二战时英国空军为了降低飞机的损失，决定给飞机的机身进行装甲加固。由于当时条件所限，只能用装甲加固飞机上的少数部位。他们对执行完轰炸任务…
已有帐号？
无法登录？
社交帐号登录
家庭医疗器械招推荐人合作！有资源有经验可私信。现在PM动不动就拿数据说话，找RD跑数据，有些数据是肯定必要的，有些数据是可要可不要的，比如对于某项目,PM凭经验可说4级以上的用户可xxx，这时候会有人跳出来问，为什么不是3级、5级？拿出数据来。
实际上真看了数据又能看出什么呢？看完后无非是再次验证了4级，而且看了数据后主管判断还是PM来下的。
再比如有的功能是肯定要上的，但领导会说，调研一下有没有必要，评估数据搞半个月，评估的结果是：可做。
实际上，该功能整个平台的用户都希望做，是没有必要耗费人力评估的，只要做就可以了。
很多数据和评估是必要的，但有些很形式化，请问有意义吗？
Talk is cheap，show me the data
这几个月在一家为客户在Facebook上做广告的加拿大公司工作。简单说说他们对于数据的态度吧。这是一家小型Startup公司，总共不到20个人。其中4个人（包括我）是技术，剩下的除了CEO都是Account Manager。当然CEO很多时候也在做Account Manager的事情。&br&&br&刚到这个公司的时候，觉得他们的code很烂，他们的数据库设计也很烂。后来才知道，当初startup的时候，是找了印度公司做外包的，他们对这个外包很不满意，所以一期项目搞定之后，就全部拿过来自己搞了。但是后遗症也留下了。&br&&br&这个公司的数据模型很清楚，只要通过低于广告主给出的CPA价格能赚到钱，就想办法增加广告覆盖率。但是常识大家都明白，增加覆盖率很可能导致转化率下降。但是如果接受这个假设，那么就没有什么赚钱的机会了。恰恰是因为他们相信，除了常识之外，还有一些事情是经验之外的。&br&&br&比如说关键词……有些关键词对某些人有用，对另外一些人没用。如果不做数据挖掘，生想广告词或者关键词的组合，累死了也赚不到什么钱。&br&&br&所以……这个公司在代码中设计了几个基本核心算法：&br&1. 一种止损的trigger，对于任何亏钱的广告，自动停止。&br&2. 一个自动发布广告的cron，程序一直在扫描。一旦发现一些广告能赚钱，就自由组合这些广告元素再自动发布到广告系统里面。这样，就能出乎意料的发现一些更加赚钱的广告形式。&br&3. 做了很多广告更新的算法，搞了一个自动化的A/B测试策略来针对Facebook广告价格的浮动，来更新广告的价格。&br&&br&通过阅读这些算法让我感受很深。所谓的数据分析，不是一个产品经理跑到运维，数据库管理员或者工程师那里说：我现在要跟踪什么什么数据，你帮我出一下吧。然后再对着跑出来的数据琢磨这些数据是否合理。&br&&br&在这个公司里，只要发现一个数据模式对收入有影响，就会直接编码到系统里，变成自动执行的代码。基于这样的数据导向原则，代码面临无穷多次的重构，因为谁也不知道，下一个数据模式会发生在哪个层面，哪几个数据之间会发生关系。&br&&br&我觉得国内的不少公司，还在以daily report分析数据，还在说数据只是为了验证产品经理想法的阶段。这动作是不是太慢了？&br&&br&接下来的话，随便说说，不一定有参考价值：&br&&br&1. 对于大多数网站，如果你想用数据为导向，必须建立系统级的A/B测试机制。对于界面层面的重构，一个产品经理+一个工程师，一天用这个系统一天至少能做3-4个。系统级别的A/B测试要能够保证快速上线，第一时间看到数据，一旦超过临界值直接结束测试、保留数据并生成报告（直接邮件发送，而不是让产品经理想起来跑到后台再查）&br&&br&2. 对于做社交网站，或者有复杂用户数据模型的公司，要在界面呈现和用户数据之间建立匹配系统。这样产品经理可以设计几种呈现模式，丢到匹配系统中，过不了多久，就能发现用户对不同呈现的数据反映的不同，然后系统性地固化这种机制。&br&&br&3. 通过cookie或者用户登录信息，建立针对不同用户的内部tag系统，看这些tag在系统2里有没有明显差异。如果有就可以固化下来，用来提高关键指标。&br&&br&所以，我现在对于数据分析的感觉是：&br&1.要提高一个数据指标，盯着它是没有用的。必须找到影响这个数据的另几个可操作性更强的数据指标，调整它们。&br&2.分析数据的可能性要充分，充分分析的基础是测试充分多的可能性。如果你想测试图标的颜色从绿色变成红色会不会更好。那为什么不测试一下蓝色，紫色和黄色呢？&br&3. 如果小规模数据已经可以说明问题，就没有必要延长测试时间，也没有必要扩大测试范围。&br&4. 要充分利用计算机来帮你做数据采集和分析，缩短数据分析的周期，降低数据分析的成本。&br&5. 有必要的时候，可以让计算机帮你找pattern，因为计算机没有偏见。
这几个月在一家为客户在Facebook上做广告的加拿大公司工作。简单说说他们对于数据的态度吧。这是一家小型Startup公司，总共不到20个人。其中4个人（包括我）是技术，剩下的除了CEO都是Account Manager。当然CEO很多时候也在做Account Manager的事情。刚到这…
数据分析是一种靠谱的产品研究方法, 这玩意有很多误区, 也不能迷信, 最终到头来还是要人来做决策&br&&ul&&li&忽略沉默的用户&/li&&/ul&&blockquote&二战时英国空军为了降低飞机的损失，决定给飞机的机身进行装甲加固。由于当时条件所限，只能用装甲加固飞机上的少数部位。他们对执行完轰炸任务返航的飞机进行仔细的观察、分析、统计。发现大多数的弹孔，都集中在飞机的机翼上；只有少数弹孔位于驾驶舱。从数据上说, 加固机翼的性价比最高. 但实际情况缺恰恰相反, 驾驶舱才是最应加固的地方, 因为驾驶舱被击中的飞机几乎都没飞回来.&/blockquote&&发声&的数据是最好获取的, 但如果没把这些沉默的数据考虑进来, 那么这种数据分析是不靠谱的. 所以除了数据的结果, 还得尝试解读这些数据. 而解读数据就完全依赖人了. &br&&ul&&li&把沉默用户当做支持和反对的中间态&/li&&/ul&&blockquote&2家网站A和B，都经营类似的业务，都有稳定的&b&用户&/b&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&b&用户&/b&的赞扬，反而遭到很多&b&用户&/b&的臭骂；而网站B既没有&b&用户&/b&夸它，也没有&b&用户&/b&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&b&用户表达不满&/b&。但事实并非如此。网站A虽然遭到很多&b&用户&/b&痛骂，但说明还有很多&b&用户&/b&在乎它；对于网站B，&b&用户&/b&对它已经不关心它了.&br&网站A指的是Facebook，网站B是微软旗下的Live Space。&/blockquote&&ul&&li&把数据作为决策的唯一标准&/li&&/ul&通常认为数据分析指导工作是一种高性价比的做法, 不容易犯错, 对于代表资方的管理层来说, 比起依赖于人的决策, 依赖于数据的决策似乎更稳健. &br&这种决策在从0.5向0.8的产品改进上, 可能是有效的. 因为一个已有的产品, 数据就摆在那. 100个用户50个访问超时, 解决了这个问题, 就提升了50%的效果.&br&但对于从0到0.1的新产品上, 由于数据很难获取, 需要花大力气在获取模拟数据上. 往往是用一周时间去想明白一个做两个小时的产品该不该做的问题. 而且模拟的结果还和最终实际相差很远.&br&A/B test或是原型系统, 先做出来, 再去验证, 在一些场合下比先拿数据要有效的多.&br&&br&&ul&&li&认为数据是绝对客观的&/li&&/ul&为了减少内耗, 往往依赖于数据来做决断. 我一直认为数据本身是带有主观性的, 完全客观的数据是没有的. 数据的获取方法, 数据的解读方法, 数据的统计方法, 都是人的决策. 一份数据拿出两个相反的结论来也不是没有可能. 即使主观上没有偏向性, 也受限于方法和视野. &br&&b&决策上最终起作用的还是人不是数据. 虽然人有那么多的不确定性, 还可能出现争论, 扯皮, 不敢承担责任.&/b&&br&&br&部分内容节选自: 编程随想--思维的误区 &a href=&///?target=http%3A//blog.csdn.net/program_think/archive//5748406.aspx& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&blog.csdn.net/program_t&/span&&span class=&invisible&&hink/archive//5748406.aspx&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&
数据分析是一种靠谱的产品研究方法, 这玩意有很多误区, 也不能迷信, 最终到头来还是要人来做决策忽略沉默的用户二战时英国空军为了降低飞机的损失，决定给飞机的机身进行装甲加固。由于当时条件所限，只能用装甲加固飞机上的少数部位。他们对执行完轰炸任务…
已有帐号？
无法登录？
社交帐号登录}