1. 数据驱动是最强大的引擎,前提是你有能力区分何时不适用。你能总结哪些条件下数?

如题
阅读全文
请先 登录 后评论
  • 0 关注
  • 0 收藏 84 浏览
  • 略问用户 提出于 2021-01-16 09:53:15

19 个回答

xxxxxa

很有意思的问题,以数据驱动,通过数据分析来辅助进行决策应该是当下的热点,但是显然不可能在任何场景下都依赖数据,很多场景下并不适用:

1、当数据模型不完善时,大作手李佛摩尔可以通过纸带数据进行股票操作,但作为当时其他交易人员在缺乏技能的情况下跟进这种方式恐怕很难获利;

2、当数据积累尚不充分时,比如某用户帮助他人购买了一瓶酒,但其实他本人并不饮酒,这时仅仅通过通过他这次的购买数据推送酒类就对用户的体验造成了负面影响;

3、当涉及行业、行为有相关因素掣肘,比如数据显示我国吸毒人口上升,但是我们不能因此就进入毒品行业;

4、当数据本身可靠性精准性达不到要求时。

综上,其实数据模型完备,数据积累充分,没有相关因素掣肘,数据又可靠完全可以以数据驱动的场景个人认为可能并不多见,因此,数据应该作为决策的重要考量依据,但不能去依赖数据,应该随时考虑一下,在当下场景,是否适用,是可以作为考量的核心依据,还是仅仅可以作为一种参考。一点陋见,欢迎指点。

请先 登录 后评论
xxxxxa

robin在17年年中季度会上说过一句话,"不是这些数据告诉你往下一步怎么办,是你应该告诉这个数据今后要往哪个方向走"

其实和俞军老师的问题的本质是一样的,怎样利用数据而不被数据牵着走。

举个例子,再从中抽出不适用场景的条件。

资讯类app,在推荐的时候挖掘你浏览过内容的兴趣点,其中低俗和擦边球能带来好的流量,如果数据反馈出这么推就是能获得更多的pv,更久的用户时长。不断的在给用户推这类的内容,用户就会觉得你很low。

但作为一个产品应该不仅仅看数据带来的增长速度,是不是应该去猜测用户更多的兴趣点,更全面的为用户推内容。整体的体验上来了,既能把现有用户更好的留在这,也能通过口碑获取更多的用户。好的内容app不是应该告诉你已经知道或是喜欢的内容,而是推荐你可能喜欢的内容,平衡和调整单方面内容推荐的占比。

总结:在一些特定的场景下,我们需要从大量数据的背后看到用户实际的本质,而不是什么数据特征好,我们就一直优化这方面,需要看是不是在脱离产品的出发点,有没有脱离主流价值观。数据驱动虽好,有些阶段还是要多去加入更多的思考。 

请先 登录 后评论
xxxxxa

一、从业务/问题/需求角度出发看哪些不合适

    简单说就是无法形成数据驱动闭环的领域。数据驱动闭环包括至少如下环节:想法、采集、分析、决策、实施、评估,其中最容易受到冲击的是在采集、评估

1、采集环节看哪些场合不合适

    首先,无任何先验数据的新领域,必须先有产品再有数据的

    其次,出于各种原因无法获取数据的领域,如涉密的2B类项目

    最后,当前环境条件下采集数据成本非常高,例如一些未互联网化且数据采集依赖专业设备的场景,如用户的汽车驾驶行为、路边停车场使用率等等

    对于大部分移动端2C类产品,目前数据采集环节成本都不算太高。但如何保证持续不断采集到准确无误、符合预期的数据,是大部分时间数据驱动团队需要保障的问题

2、评估环节看哪些场合不合适

    最终期望的业务产出很难使用统计数据进行量化衡量的,如内容社区产品的“品质感”、“调性”

    除了不能直接描述外,大量业务领域如果只使用单一的统计指标衡量,都很可能存在跑偏的风险:如内容推荐如果只注重最终点击率,那么结果一定是各种低俗内容;如果电商业务只看流水,那么很有可能利润率被压低,等等;面对这种情况要么使用多个指标加权作为目标,要么需要再人工再去调整和平衡


二、数据驱动落地角度看哪些不合适

    相比于抄竞品、拍脑瓜,数据驱动整个流程落地一定是有额外成本的。对于资源稀缺又极度追求速度的初创团队,一个熟悉业务、能指对路的人直接拍板来的更合适一些。当然,目前大量第三方统计平台通过无埋点+自定义统计的方式极大降低了数据驱动流程落地

    另外团队的核心决策者,是否认同数据驱动的工作方式也是必须考虑的。例如在深度模型取代线性模型后,预估模型的可解释性变得非常差,老板能否接受一个谁都不知道为什么的优化?

请先 登录 后评论
xxxxxa

抛下我的观点:

依据当前认知范围,对数据驱动的理解是:基于大规模数据的分析发现问题并找到解决问题的答案,执行方案并快速验证,不断完善以至于达成目标的一个过程。

三种条件场景下不适宜用数据驱动:

1、既定明确分析方案下,可用分析数据规模较小,维度不够丰富,以至于难以满足分析需求;

2、分析方式具有复杂性不确定性,需要做多关系博弈,构建数据模型研究用户心理,做多关系因子分析,但由于认知局限无法给出最优解;

3、依据分析结果找到最优解决方案,但是无法施行。


针对第1点详细解释下:

       在做数据驱动的时候,数据量的维度和广度越细,可能对当时的人物地点场景事件等情景勾勒的更为真实,能够尽可能最大化还原全貌(然后细粒度的标签其实现在都是人工标注的),即我们看到的所有的画像数据都是相对维度简单的。如果分析问题或者解决的问题要求数据规模及维度非常高,那么数据驱动是不适用的

注:这里说的维度不只是描绘事实所用的颗粒度,而是决策因子,还包括政策等多因素。

举个栗子:

就好比张荣辉老师举的例子,淘宝可以勾勒出用户近期在淘宝的浏览和消费行为,基于这些数据做些推送,然后推送过来的不一定是用户此刻场景下想要购买的,用户此刻的心理活动,无法去勾勒出来,用户此刻心理活动的因何影响也很难勾勒。

这就取决于,比如用户除淘宝外,跟人说了什么话,沟通了什么内容,最近逛了其他什么app等这些数据缺失。那么基于数据分析的结果因为无法还原场景,一定程度上会存在偏差


针对第2点详细解释下:

认知局限

数据分析很大程度上是基于我们对于一个问题的认知(数据无差异,差异的是有限条件下分析人员的认知),然而认知会和很多因素有关,成长过程、经验阅历等等,这个认知就个体而言是一个成长的过程,历史的去看任何数据分析都可能是非科学的,是错的;只能说基于当前认知范围,这个时间节点下对这个事情的理解相对正确;

认知局限就当前数据分析来讲,单一维度分析比较简单,多维度分析涉及博弈就会复杂的多,因为多博弈的策略往往是需要定义规则的(规则的制定无法在有限数据的情况下无法精准刻画),且多博弈的各因子的数学逻辑关系也难以完全描述,所以导致我们朝着两方面考虑解决办法;

(1)逻辑判断

(2)AI

针对(1)逻辑判断是指因为认知局限,我们主动构建一个规则,相当于做了条件限制,降低问题维度,事情变得容易分析;

比如滴滴有司乘,定义产品规则,逻辑,我相信这些绝非先有数据,再有产品设计,而是现有产品设计,再通过数据分析不断调优的一个过程;

针对(2)AI是鉴于个体对于问题规模的复杂性难移思考解决,于是借助堆砌事件的力量去以空间换时间来获取解决办法;

比如机器学习有时候就是这样一个过程,只不过原来通过人堆砌解决方案,多策略同时进行做结果产出转变为通过机器去实现。


针对第3点,是指知道了解决办法,但是以当前条件下无法施行,这个栗子也很多了,比如研发能力等等的局限


数据驱动下,我见过的所有解决方案都不是完美的,这是一个不断提升的过程

请先 登录 后评论
xxxxxa

数据驱动的价值是后台,如果影响到了前台的表现,那就是不好的体验。

比如淘宝App,就是重度依赖数据驱动。这是好事,但是在一定的情况下,你会发现当你看了两个同类商品后,全屏都是同样的商品(你可以刷一下有好货这个板块),但是数据并不知道我看这个商品是因为“关注”或是“感兴趣”还是仅仅是“分享流量”。有一次一个人在群里分享了两个奇葩成人用品的淘宝短链,我过去围观后在很长一段时间里我都不敢在别人面前打开淘宝,这是双刃剑,也是让人感觉非常恶心的数据效应。

请先 登录 后评论
xxxxxa

数据驱动是通过数据分析进行决策,然而决策的依据可能还有

1、数据。2、方法论。3、相关经验。4、宏观战略。5、政策。6、情感/道德。7、价值观等等。

数据因素强大的地方在于可能通过数据可以得到更多的依据和准则来辅助决策。

通过分析数据的内在原由,通过现象看本质可以有利于深入了解事物的本身,以帮助我们对事情有一个全面客观的理解。

但是当数据在决策过程中的比重成分不是很高时,可能就不适合了。

比如:

数据表明,如此如此会有很大的收益,然而这样的做的可能触碰政策红线。

数据表明,如此如此会有很大的收益,然而这样和产品的初心是相反的。

数据表明,如此如此会有很大的收益,然而这样和我们的价值观不符。

等等。

当数据分析的结论是符合目标方向时,是可以成为我们推动事情的强大能量。

当数据分析的结论和预期的目标方向不符时,需要静下来仔细看看,还有哪些更重要的东西我们可能已经不知不觉的舍弃了。

请先 登录 后评论
xxxxxa

先说结论,再po分析过程~

我认为以下条件下数据驱动不适用:

1.通过观察、开放性问卷、个案法获得的数据信息;

2.因样本量不足、样本选取不精准、统计方法选用不对的情况下获得的数据;

3.对于某些必备的产品功能产品数据暂无指导意义~

4.战略级产品(需要引领市场、培育用户的产品);

5.其他特殊情况(政策法规等等)。


一直觉着做产品和做心理学是一样的(哈哈哈,身是产品人,心仍念心理),所以先从心理学的研究方法说一说想法,并结合曾经做过的的一些产品案例中聊一聊问题~

一、因研究方法不同,有些情况下数据驱动不适用

心理学的研究方法通常包括:观察法、实验法、问卷法、个案法。

1.观察法:在真实现场及半真实现场对实验参与者的行为进行观察分析的方法。通常情况下这种方法适用于找灵感,所以数据驱动便不太试用了。举个例子,现在大屏幕手机很多女生是两个手用,只有一手得空的时候打字非常不方便,于是有了单手键盘操作;在地铁里看到很多妹子们边看视频,边用微信聊剧情,于是乎出现了可以支持一屏双应用的手机。

dd785c1bfd9a94303cdbdbe960531fd5.jpg

2.实验法:通过设置实验组及参照组,对两组数据表现进行分析的方法。一般会控制实验变量,对作业分数进行统计分析,所以这种基本都是数据驱动啦~

3.问卷法:通过事先编好的问卷,对问卷结果统计分析的方法。一般分为封闭型问卷和开放型问卷。对于封闭型问卷,需要用对应的统计方法得出结论,但是特别要注意的是开放型问卷,数据驱动就不是那么好用了,需要细致的分析每一种答案的动机及原因。之前做过一份关于“女性用户购买习惯”的问卷调研,有一道题目是购衣的方式,选项为:淘宝、微商、蘑菇街、其他,有用户选择了其他,给出来的答案是穿姐姐的,从来不买。当时看到这个问题就有了共享衣橱的灵感。现在已经有了衣二三啦~

4.个案法:对特殊案例做一对一的访谈的方法。心理学中一般用于精神病人、特殊案例(被试量比较少)的研究中。做产品中,有点类似于用户访谈。量级不大,数据驱动不太适用。

二、因统计方法不同,有些情况下数据驱动不适用

1.样本量不足的情况下,数据驱动不适用。比如我要做的课题是全国中小学生数学作业完成情况与睡眠的关系,我只调研了10名同学便得出结论,往往会有偏差。(心理学上一般讲样本量要达到总体样本量的30%才作数)

2.样本选取不准确的情况下,数据驱动不适用。比如我的课题是气温与情绪之间的变化,在调研过程中如果只取样了冬天或夏天的数据便有偏差。

3.统计方法选用不当时,数据驱动不适用。比如该用方差分析的用了t检验~反映到产品上就是不靠谱的分析师了。

三、因产品功能属性不同,有些情况下数据驱动不适用

1.如一些必备的产品功能无法用数据做驱动,如做电商产品的交易支付功能不会因为购买转化率只有1%而不去做。判断必备功能的标准就是不做会不会死。还是拿做电商举例子,电商平台或自营电商需要在自家产品上产生购买行为,交易支付便是必备功能,比如京东淘宝。但是对于导流电商来说,可以不在自家平台上产生购买行为,交易支付体系便可不做。

2.战略级(需要教育用户)的产品数据驱动只能作部分参考,如早期的共享经济。之前在电商公司做过一款内容型的产品,主要是帮助用户发现更适合自己的“好物”。再如支付宝做社交这类,对于公司今后的发展有好处,刚开始的阶段是可以不用数据做驱动的。

四、因产品所处生命周期不同,有些情况下数据驱动不适用

整个产品周期可以分为萌芽期,成长期,繁荣期,衰退期。对于萌芽期的产品,因数据量不足、数据可能有偏差、产品功能待市场验证等原因,数据驱动不可全部附用。

五、最后就是所有的产品都不应触及法律法规及伦理道德,无论它的数据表现如何。

(本回答所有场景及条件全部是基于数据正确的情况下,因为数据不正确情况下的数据驱动都是罔谈。)

有点儿长,欢迎补充拍砖~


                                         以上内容2017.10.26更新

———————————————————————————————————————————


面试的时候总会被问到“看哪些数据,根据数据做了哪些产品功能的调整”,但是很多感觉和灵性是不依靠数据,甚至会和数据相反。

期待可验证的场景和灵感。

请先 登录 后评论
xxxxxa

这个问题有意思,有很多时候确实用数据难以说明问题,或者难以正确的解决问题,但这种大多也跟数据采集的不精准有关系,本身是理科出身,觉得万物皆有逻辑,但应该是存在数据不能解释的情况的。静待好回答。

请先 登录 后评论
xxxxxa

数据驱动合不合适个人认为可以从四个方面去考虑:数据样本量大小、数据是否真实、自身的目标、数据的分析能力和是否违背常识和人性。所以,数据驱动不合适的情况也会对应的以下几点:

1、产品处于探索期时因为数据样本较小偶然性大,这个时候更多的是收集用户反馈做定性分析,迅速迭代产品,这个时候是不适合用数据驱动的;

2、在高速成长期由于刷量是一个比较普遍的现象,这个时候如果不能去除刷水的成分数据真实性大大折扣,不适合用数据驱动;比如高速成长期刷量严重的映客

3、自身产品想达到的目标无需通过数据分析就可以达到目标的,主要是一些偏小众的工具型产品,比如火星闹钟;

4、自身团队没有较强的数据分析能力的人,这个太常见了,很多创业公司说自己要做大数据做数据驱动型产品,随便找几个数据分析师就觉得可以开干了,只能是。。。

5、单纯通过数据驱动得出的做法违背常识和人性,比如亚马逊之前通过大数据分析对不同用户同种产品的动态调价引起消费者强烈不满,滴滴之前根据高峰期供求不平衡的动态调价机制不做限制引起用户不满,

最后,数据驱动只是一种工具,类似于菜刀,这把刀是否锋利和用它来干什么同等重要。

请先 登录 后评论
xxxxxa

概述:在人的情绪都可量化的今天,任何产品在走向成熟的同时,都会走向数据驱动。那些今天不适合使用数据来辅助决策、分析效果的,或是因为没有合适数据,或是由于没找到可行的方法(包括成本不可控)。那么给这些问题找到合适的数据支持,是产品经理工作的一环。

---------------------------------------------------------------------------------------------------------

为什么你会觉得数据不适用?

1.从数据出发,而非从需求出发,为了使用数据而使用数据,并没想清楚为什么要用数据

在整个互联网都在强调数据驱动的今天,哪个项目没有用到数据就仿佛不懂互联网一样,所以很多人在拿到需求的同时直接开始想什么数据可能是有用的,并没有先读懂需求本身。记得在写第一份prd的时候,我的leader问了我一个问题:你的prd为什么要分成这几个模块?我随口回答:别人的模板都是这么写的。这就是一种典型的从模板出发而非从需求出发的思维。

2.没想清楚用哪些数据。

这一点既有主观原因又有客观原因。主观原因其实和第一点类似,为什么要用数据都没有想清楚,何谈用哪些数据。客观原因是,上线时间很紧,数据需求排期很紧,研发排期很紧,留给你慢慢思考的时间自然就不多了。

3.数据不可靠/没有想要的数据。

也许你想清楚了为什么要用数据和用哪些数据,但却发现这些数据质量很差、很少,不足以进行分析,甚至没有数据可取,从一次项目的角度来说,这次不用数据凭经验就好了,但从长远来看,以后再需要用到这些数据该怎么办,也是应该去解决的。

-------------------------------------------------------------------------------------------------------

总结:综上所述,一两次数据不能用并不代表这个东西就不能数据驱动或者不用数据更好,为这些情况找到长远的数据化解决方案,亦是应该去思考的。

请先 登录 后评论