阅读: 273
答案 1：
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."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.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它了.网站A指的是Facebook，网站B是微软旗下的Live Space。把数据作为决策的唯一标准
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.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.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.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.认为数据是绝对客观的
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.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.部分内容节选自: 编程随想--思维的误区 blog.csdn.net/program_...答案 2：
数据是一种信仰毁掉分析数据态度的三个常见原因首先，大环境不尊重数据，尤其是老板的态度。如果数据分析师只要随便给一个报告就行，数字多一点和少一点，大家也是一笑而过，并不会追根到底，那么很难让数据分析师以严谨的态度对待数据。例如，国内这几家数据分析机构，基本都在着急扩张行业，争着占领行业，对于其推出的数据有多精准却不那么在意，所以艾瑞的数据最近才会经常被人说“不靠谱”。数据分析，今天做得不准，明天再改是没有用的。比如艾瑞，如果数据不稳固，抢着做很多行业，这是不靠谱的做法，指不定哪天砸了自己的牌子。有人和我提过FACEBOOK数据分析师为什么那么牛，因为他们不觉得数据分析是一个苦事，十几个人在一个房子里把数据分析当做一件很开心的事情来做，数据分析对于他们来说是在追求科学。第二，好的数据分析师需要一点天分，同时也需要高人点拨，但是电子商务这个圈子，真正懂数据分析的人不会超过10个，所以一般人很难取得真经。这和信仰一样，没有师傅领进门，难度也会大很多。我回顾自己从微软到易趣，再从敦煌到支付宝，在数据分析上有一次长足的进步，得益于从两位老师的身上得到了许多启发。一位是亚马逊的首席科学家韦思康，曾经，我告诉韦思康，KPI报告显示敦煌网需要4秒钟，他立马让我叫来做技术的同事(他要听到一线同学的反应)，问这个4秒钟怎么测算出来，是美国人打开用4秒钟，还是英国人打开用4秒钟，用的是甚么Browser等等。这个4秒钟和商业价值(例如交易量)有关系吗？我当时很触动，连这么一个很基础的数据，他都是以求证的心态来分析的。更令我印象深刻的是，只请他当敦煌网顾问半天，按照他的工作经历来说，随便忽悠我半天是很容易的事情，但是韦思康非常严谨，先是以一个普通人的身份花了半个小时在敦煌网买东西(坚决要真实付钱)，切身体会敦煌网的用户体验，然后也不先看数据，而是先问很多能更了解敦煌网的生意形态的问题。讲真他的问题比很多投资分析师来得专业。而现在许多数据分析师，包括当时我自己，只看数据就开口说问题，不深入去体会公司的商业形态。韦思康告诉我数据是一种态度，让我明白做数据的人就是要全身心投入，好像一种信仰一样，中间有许多路要走；而且，数据与商业密切相关，不能局限在数据的死角里。另一位是清华大学的教授谢劲红，有一个夏天碰巧去旁听他的课，拿一堆的数据给他看，他一边看一边给我演绎他的思维，他可以很快在一堆数据找到他们之间的关系。后来我带着团队常常去清华找他聊，他教我如何看网络数据，用联动的思维来看网络数据。可以说是他启蒙了我用 “关系”的思维看数据。一听完就回到敦煌跑到敦煌看很多数据，发现了新世界。第三，数据分析师感叹落不了地，只能谈数据，而不懂商业。如果不懂商业，而单纯看数据，不仅很难有创意的思维，而且是没有意义的（曾经谈过这个问题，不懂商业就别谈数据：blog.sina.cn/s/blog_5...）。而对于一般的数据分析师来说，大部分人没有系统思维，而且也只能看一部分数据，无法从大面儿上了解整个公司的运营数据，这样就令数据分析师难以形成全面的思考方式。以我自己的工作经历来举例，为什么我在敦煌的时候数据分析能力会突飞猛进，也是因为我在前两家公司只能看到一部分数据，而到了敦煌之后我爱看什么就看什么，受谢教授启发之后我更是天马行空地把营销数据、市场数据、财务数据、产品数据、卖家和买家数据等等联动起来看，这大大改变了我对数据的运用方式。blog.sina.cn/s/blog_5...答案 3：
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。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。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。所以……这个公司在代码中设计了几个基本核心算法：1. 一种止损的trigger，对于任何亏钱的广告，自动停止。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。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。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-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。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-。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？接下来的话，随便说说，不一定有参考价值：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）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。3. 通过cookie或者用户登录信息，建立针对不同用户的-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。所以，我现在对于数据分析的感觉是：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。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-呢？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。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。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。答案 4：
本人常年从事市场产品工作,对数据统计自学过一阵为硕士-用。就我自己体会讲几点：1、有意义的数据极其有必要，这里的有意义指a.精度有意义，精度太高很不必要代价太大精度低了那和没有数据也是一样。b 指向有意义，这个就需要丰富的经验来把握，哪里去获得数据？和谁去比较？能说明什么？这一系列问题能把握住才能称为数据指向有意义。2、不赞成先有结论再去用数据求证。提出这中说法的人基本上都是用来凑数据的。稍微了解统计思想的就知道，统计的证明是建立在拒绝基础上的，而不是承认假设。不知道有多少人想过没有这是为什么？不展开了。3、PM的黄埔军校是快消行业（鄙人是搞通讯的，水平差很多），快消行业不用数据说话那简直。。。这里肯定有人说我是搞IT的通讯的B2B的，和快消差很多，我们行业关注的是决策链等等。我要说这都是扯淡，举个例子微软现在的CEO原来就是在宝洁干PM的，所以洗发水和软件本质没啥区别4、在-的传统里理数被认为是奇技-巧之类因此是欠缺的，所以-人的严谨性群体缺失我敢说坚持数据无用论中90%以上是懒得去搞数据，或者看见的垃圾数据太多已经失去对数据的信赖，但我相信一旦一份逻辑严密数据严谨的数据放在你面前你一定无法忽视。5、人的辨别能力是有限的，很多数据工作是为了研展你的辩识能力，比如数据挖掘。一堆杂乱的数据对你是毫无用处的，但通过处理就可能告诉你很多你忽略的信息。因此数据挖掘我认为是PM必须具备的职业技能。补充6、最近看到了一篇讲数据统计方法的文章全文如下，很纠结转不转有点长，但想想来知乎的应该都不怕长的，就转了吧。如果你能搞明白“因果网络”这个关键点那么数据分析就有极有意义的，如果你搞岔了那么数据分析会误入歧途。当然任何项目的展开都受制于资源，但这个思维方式在数据分析前必须具备的，全文如下：---------------------------------------------------------------------trix67/blog... （原文地址）z-i-u网上曾经有过一个问题，谈如何看待用数据说话来分析问题，看了很多很多回答，自己也尝试回答了这个问题，看见这篇文章才知道真正的问题所在就是“因果网络”------------------------------------------------------- 在去年10月份的数学文化节期间，我去听了好几次讲座，其中有一些讲的相当精彩。时间过得好快，转眼间又是一年了，如果不是Wind牛发-问我去不去听讲座，我估计今年数学文化节过了都还想不起这档子事。于是和Wind牛跑去二教309，听了一场叫做《从数据中挖掘因果关系》的讲座。这个题目是很有趣的：数据本身并不说谎，难就难在我们如何从中挖掘出正确的信息。当我们讨论数据时，我们讲的最多的是数据的相关性，而我们希望得到的则是事件之间的因果联系；但事实往往是复杂的，统计数据有相关性并不意味着两个事件具有因果联系，而具有因果联系的两件事从统计数据上看有时也并不相关。 对于前者，最简单的例子就是公鸡打鸣与太阳升起：公鸡打鸣与太阳升起总是同时发生，但这并不表示把全世界所有的公鸡都杀光了后太阳就升不起来了。统计发现，手指头越黄的人，得肺癌的比例越大。但事实上，手指的颜色和得肺癌的几率之间显然没有直接的因果联系。那么为什么统计数据会显示出相关性呢？这是因为手指黄和肺癌都是由吸烟造成的，由此造成了这两者之间产生了虚假的相关性。我们还可以质疑：根据同样的道理，我们又如何能从统计数据中得出吸烟会致癌的结论呢？要想知道吸烟与癌症之间究竟是否有因果联系的话，方法很简单：找一群人随机分成两组，规定一组抽烟一组不抽烟，过它十几年再把这一拨人找回来，数一数看是不是抽烟的那一组人患肺癌的更多一些。这个实验方法本身是无可挑剔的，但它太不道德了，因此我们只能考虑用自然观察法：选择一些本来都不吸烟的健康人进行-观察，然后呢，过段时间这一拨人里总会出现一些失意了堕落了犯上烟瘾的人，于是随着时间的流逝这帮人自然而然地分成了可供统计观察的两组人。注意，这里“是否吸烟”这一变量并不是随机化得来的，它并没有经过人为的干预，而是自然区分出来的。这是一个致命的缺陷！统计结果表明，犯上烟瘾的那些人得肺癌的几率远远高于其他人。这真的能够说明吸烟致癌吗？仔细想想你会发现这当然不能！原因恰似黄手指与肺癌一例：完全有可能是某个第三方变量同时对“爱吸烟”和“患肺癌”产生影响。1957年，Fis-er提出了两个备选理论：癌症引起吸烟（烟瘾是癌症早期的一个症状），或者存在某种基因能够同时引起癌症和烟瘾。 有虚假的相关性数据，就有虚假的独立性数据。“健康工人效应”是一个特别有意思的理论。调查发现，在铀矿工作的工人居然与其它人的寿命一样长（有时甚至更长）。这表明在铀矿工作对身体无害么？当然不是！其实，是因为去铀矿工作的工人都是经过精心挑选的身强体壮的人，他们的寿命本来就该长一些，正是因为去了铀矿工作才把他们的寿命拉低到了平均水平。这一有趣的细节导致了数据的伪独立性。类似地，有数据表明打太极拳的人和不打太极拳的人平均寿命相同。事实上呢，太极拳确实可以强身健体、延长寿命，但打太极拳的人往往是体弱多病的人，这一事实也给统计数据带来了虚假的独立性。现实中的统计数据往往会表现出一些更加诡异复杂的反常现象。Simpson悖论是统计学中最有名的悖论：各个局部表现都很好，合起来一看反而更差。统计学在药物实验中的应用相当广泛，每次推出一种新药，我们都需要非常谨慎地进行临-测试。但有时候，药物实验的结果会让人匪夷所思。假设现在我们有一种可以代替安慰剂的新药。统计数据表明，这种新药的效果并不比安慰剂好： 有效 无效 总人数新药 80 120 200安慰剂 100 100 200 简单算算就能看出，新药只对40%的人有效，而安慰剂则对50%的人有效。新药按理说应该更好啊，那问题出在哪里呢？是否是因为这种新药对某一类人有副作用？于是研究人员把性别因素考虑进来，将男女分开来统计： 男性有效 男性无效 女性有效 女性无效新药 35 15 45 105安慰剂 90 60 10 40 大家不妨实际计算一下：对于男性来说，新药对高达70%的人都有效，而安慰剂则只对60%的人有效；对于女性来说，新药对30%的人都有效，而安慰剂则只对20%的人有效。滑稽的一幕出现了：我们惊奇地发现，新药对男性更加有效，对女性也更加有效，但对整个人类则无效！ 这种怪异的事屡见不鲜。前几个月一个高中的师弟给我发-，给了我两个大学的名字，问该填报哪个好。鉴于我目前的悲惨境遇，我非常认真地帮他查了一下两所大学的男女比例，并且很细致地将表格精确到了各个院系。然后呢，怪事出现了：A学校的每个院系的女生比例都比B学校的同院系要高，但合起来一看就比B学校的低。当然，进错了大学找不到MM是小事，大不了像我一样20岁了连初吻都还没有，拿出去丢丢人让别人笑话笑话就完事了；但医药研究需要的是极其精细的统计实验，稍微出点差错的话害死的可就不是一两个人了。上面的例子再次告诉我们，统计实验的“随机干预”有多么重要。从上面的数据里我们直接看到，这个实验的操作本身就有问题：新药几乎全是女的在用，男的则大都在用安慰剂。被试者的分组根本没有实现完全的随机化，这才导致了如此混乱的统计结果；不难设想，如果每种药物的使用者都是男女各占一半，上述的悖论也就不会产生了。当然，研究人员也不都是傻子，这么重大的失误一般还是不会发生的。问题很可能出在一些没人注意到的小细节上。比如说，实验的时候用粉色的瓶子装新药，用蓝色的瓶子装安慰剂，然后让被试人从中随机选一个来用。结果呢，MM喜欢粉色，选的都是新药；男的呢则大多选择了蓝瓶子，用的都是安慰剂。最后，新药和安慰剂都发完了，因此直到结果出来之前没有人会注意到这个微小的性别差异所带来的统计失误。 当然，上面这个药物实验的例子并不是真实的，一看就知道那个数据是凑出来方便大家计算的。不过，永远不要以为这种戏剧性的事件不会发生。一本叫做《致命的药物》的书详细披露了20世纪美国的一次重大药害事件，其原因可以归结到药物实验上去。药物实验的时间是有限的，如果用死亡率作为唯一标准的话，估计每个药物实验都得观察个十几二十年才行。为此，科学家们想到了利用各种“中间变量”来替代死亡率这一指标。 统计数据表明，抑制心律失常能够减少死亡率，而当时的药物实验明确表明该药物能有效地抑制心律失常。这些药物得到了FDA批准并成功上市，当时每年有20多万人服用这些药品，超过5万人因为服用这种药物而死亡。这个药物实验中蕴含的逻辑推理看似无懈可击，到底什么地方出错了呢？人们推测很可能是某个第三方变量的问题。我们不妨称这种情况为“中间变量悖论”。 抑制心律失常 死亡率 对照组 实验组 未抑制 抑制无缺陷(70%) 0.02 0.99 0.02 0.01有缺陷(30%) 0.98 0.79 1.00 0.02---------------------------------------------------期望值 0.38 0.93 0.314 0.013 让我们假设存在一个第三方因素，例如基因问题。我们不妨暂时管它叫做“先天缺陷”。从上表中我们可以看到，实验组（使用新药的人）中有93%的人成功抑制了心律失常，远远高于什么都不做的人(38%)；同时，心律失常确实会导致31.4%的人心脏骤停而死，但抑制心律失常则把这个比率下降到1.3%。这似乎确实可以说明，新药能够有效降低死亡率。但引入第三方因素后，情况有了很大的改变。有先天缺陷的人，心律往往很正常，恐怖的是一旦无法抑制心律失常则必死无疑。真正要命的就是，这种药物会使那些有先天缺陷的人心律变得更差。在没有缺陷的那70%的人当中，用药后有99%的人能抑制心律失常，而这里面只有1%的人会死；同时，另外1%的人则无法抑制，其中又有2%的人会死亡；有先天缺陷的那30%的人就惨了，用药后抑制住心律失常的人反而下降到79%，其中有2%的人会死，而对于另外21%的人则必死无疑。计算表明，使用药物后死亡的人数竟然三倍于不使用药物时的情况！ (0.7*0.99*0.01 + 0.7*0.01*0.02 + 0.3*0.79*0.02 + 0.3*0.21*1.00)/ (0.7*0.02*0.01 + 0.7*0.98*0.02 + 0.3*0.98*0.02 + 0.3*0.02*1.00)≈ 2.91 可以看到，从数据中挖掘因果关系并不是那么简单的事。如何确定影响目标的事件，如何从数据中获取相关关系，怎样用最少的实验次数（控制最少的变量）为因果关系定向，这都是建立一个因果网络所需要考虑的因素。因果网络是一个很复杂的学问，前天的讲座里还提到了很多确定因果网络的算法，在这里我就不再多说了。--------------------------------------------------------douban/note...（鄙人博客地址）答案 5：
用数据说话不代表着跑数据，调研一下更不代表着跑数据。用数据说话不是用数据做决定。在互联网行业里，PM自身的判断能力非常重要，也是在招聘PM时非常关注的点。PM的判断如何更可靠？可以用数据进行辅助，在关键问题上，需找核心的数据、理论、逻辑分析来支撑判断。问题中也提到了“有些数据是肯定必要的，有些数据是可要可不要的”。其实一个好的PM需要搞清楚哪些是作出判断的关键点（关键点，不只是数据），并以此搞清楚到底需要哪些数据。如果一个PM不重视数据，那就不是判断而是拍脑袋甚至只算是拍胸脯而已。如果一个PM每次都是用一堆详细的数据去判断每个问题，一方面这本身就是不可能的，另外一方面这个PM也没什么价值。此外还要说明的是，数据本身也是培养PM判断力的主要教材。答案 6：
对数据的使用程度，取决于你的产品所处的阶段。当你的产品当前处于初级阶段时，你的产品其实是“一切皆有可能”套用一些数据分析方法，反而束缚了产品可能发挥的空间。这个阶段更依赖初期做这个产品的冲动和对用户需求的感性把握。当你的产品当前处于用户基数很大且成熟期时，你的产品已经确确实实满足了用户的某种需求，这个需求的满足是立足点，不能轻易动摇，而且需要进一步完善和改进，这个时候数据的分析很重要，也更加客观。关于数据分析和用户反馈，一篇社交游戏设计的文章中提到的观点很有借鉴意义，以下为引用请参考：很多人社交游戏公司是依赖数据分析来判断用户喜好并不断进行修正，但事实上类似Zynga这种拥有超级用户数据分析能力的公司并不多见，大部分公司根据用户行为调整游戏方案一直停留在纯理论阶段，我见过部分公司对市场反馈不理想的游戏直接做法是回炉重新打造。对于缺乏资本和资源支持的公司，最好的做法是预判用户需求而不是试图实现用户的想法。数据分析是一个很传神的说法，但是这个更多只限于细节方面的调整，就连Zynga在制作Cityville的时候也有类似的困扰，他们刚开始并不清楚Cityville会不会只是Farmville的简单-，甚至还打算让C-allenge Games来接手这个项目，但最后在团队的磨合下才形成现在的游戏样式和超级影响力。Cityville的最终成型和用户的反馈关联不大，最核心的部分还是在于开发者层面的自我调整。It Girl设计师Brice Morrison认为数据分析是根据用户反馈来反推游戏设置合理性，比如每个等级的玩家数量、体验时间和消费金额。还有另外一个重要层面是玩家的游戏进程中所处的量级并不一样，开发者利用了玩家的时间差，以少部分领先者为体验对象，再根据他们的反馈修正并服务于后面绝大部分的玩家。Brian Reynolds提到过他们是如何在FrontierVille中从马蹄铁的提供数量来判别玩家对一些微调的反应。答案 7：
首先数据作为一种重要的评估手段被拿来说事是经过很多年验证的，但数据本身是死的，需要我们去分析，如今数据是越来越多了，但是分析的结果却越来越低了，显然这是人的因素，一个pm能够拿着数据让rd干活必须做到几点：1. 对数据有客观的分析过程，最终产出的不应该只是一个结论，还应该包括你的分析方法和分析过程，这些也要讲给RD，只有这样数据才真正起到了应有的作用！从这个角度讲为什么使用4星，而不是3星或者5星，也应该是给出理由的，而且必要时也需要数据证明。2. 不要对数据想当然，很多pm拿到数据根本没做深层次的分析就直接告诉RD你看这个数据说明什么的，甚至其他网站的运营数据，很多PM会直接拿来讲给RD，这个情况我相信即使资格深一点的PM也有的。我要说的是不要把其他人的数据想当然成我们自己，一个产品能够成功是有个过程的，这就是我经常说的成长期，我们虽然没办法参与每个过程，但是在使用别人数据的时候还是需要分析这个过程的，数据不能脱离年代、环境、用户、等等很多客观因素单独存在！3. 不要过于依赖数据，数据只是我们产品发展中辅助的东西，PM应该更多的了解很多数据之外的事情，如社会环境、用户水平、竞品状态，这些东西新人更应该注意，不要总拿个数据跟RD转牛脚尖！其次，作为RD我觉得我们一定要在工作过程中变得更加主动！1. 如果对PM的分析结果或者分析过程不满意，要随时提出，不要太被动，太被动你就慢慢成了被影响的人了，对自己前途，产品前途都不利！2. 主动去跟PM沟通协调，其实大家目标是一致的，既然这样，我们都是追求最大的效率，你要把你的实际情况反应给PM，让大家都能去权衡得实！最后，我个人觉得RD别总太转进技术中，也要学习新的东西，包括产品设计，项目管理，敏捷开发，很多看似不相关的东西往往是相关的，对自己影响很大的！你提到 “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”其实你自己的想法是存在问题的，第一，你怎么了解用户的想法的？第二，该功能到底是基础功能还是点缀的功能？第三，眼下什么是最重要的？我相信评估也许是必要的！答案 8：
“PM凭经验可说4级以上的用户可-，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”用数据验证自己的想法是必要的，但是不可能每次都是通过验证，一定有数据显示推翻PM设想的情况。倘若每次都是验证PM的设想，基本上可以肯定PM是带着主观意向去看数据的，他从数据中找出支持自己论点的部分，然后来说，你看如何如何。。。数据是不会撒谎的，关键看你如何解读！我想这种情况下，rd需要更积极主动，要求PM说明他的分析逻辑，从中提出质疑。“调研一下有没有必要，评估数据搞半个月，评估的结果是：嗯，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。”一半一半。如果评估的结果是不可做，即使评估数据搞了1个月、甚至2个月，也是值得的。如果用户。PM都认为应该做，也建议先进行一个数据分析，可以是粗糙的，但却是必须的。一件事情做不做可能是可以凭经验决定的，但是具体如何做，却需要数据的支持。数据分析绝对是必要的，不过如何解析数据却是一门大学问，每个指标是如何产生的，指标代表的意义是什么，核心指标是什么等等。喜欢上面回答中的一句话，数据分析是科学~答案 9：
你现在不拿数据当回事儿，以后数据必然也不拿你当回事儿。不看数据的PM是意识流的操作及其风-的，这样的PM很少见。前期半个月的数据调研看似耗费人力物力，但是在今后的工作中避免很多不确定因素，让工作方向更统一，节省沟通成本，不管对开发者还是对用户，都很有意义。答案 10：
李开复：如何评价一份简历的好坏？数数看你的简历上有多少数据（业绩、用户数、节省成本、市场份额……）。再数数简历上有多少形容词（勤奋、负责、向上、有团队精神……）。每个数据加五分，每个形容词扣一分。其实简历就是一个人的个人报表，跟企业里的报表没什么区别答案 11：
首先，“拿数据说话”是两面的，一方面是PM自己拿出来，一方面是PM要你拿出来，不管谁拿，就碰到我说的第二个问题，即“二手数据”的问题，大部分上班的人碰到被要求数据的时候都是一顿海搜，去找有没有成形的数据/分析/研究报告，也就是说，这部分数据的真实性不可考，这么做不管有意无意，基本上是糊弄上级，假如数据对了，你就引对了，数据错了，你也无能为力，所以一切依赖数据，却不给你获取一手数据所需要的时间、资源，那不过是附庸风雅，当然这也是现实情况的制约，没有哪几个公司特别是中小型公司能真正养得起分析部门，会针对公司所有业务去进行分析、采样、设计、统计和再给出靠谱的报告，自然，他们也不会到市面上找各种靠谱不靠谱的咨询公司来帮他们做这个事（这当然也是一个选择），所以假如他们是诚心要数据，而不是希望向上面交差的时候有数据气足一些的话，那么就得认可拿到真实数据所需要的时间，做出相应开发进度的调整和相应资源的保证，不然的话，他们可以就是希望你google一下罢了，要知道-企业并没有上百年的基础和社会环境，并没有培养起什么严谨的商业习惯，现在都在学，学得更正规，更严谨，但是这些并没有植入-人的血液，我们可以口头说得多严谨，但是这不是我们血液里的东西，我们的态度是大而化之，好吧，把“们”字去掉吧，此外，学任何东西肯定都是从形式开始的，包括商业态度。补充一点，把刚才的文字重新看一遍，发现我的观点大体上是反对的，原因是，不是反对数据的权威性和客观性，而是对于要不专业的人出数据，我是非常反对的。那样的话仅仅是走个形式，虽然-的IT公司大都是通材（没办法，-的），但你真正想要靠谱的东西的话，谁都知道，专业人做专业事，你能轻松搞定统计学，那么你干脆考虑一下，是不是入错行了不该干编码/设计呢？好吧，我这是胡搅蛮缠了，只是希望那些逼人出数据而且诚心需要那些数据的，你多问他一个问题：小子，你大学的统计学是考前突击通过的么？我给你个实践的机会吧：D答案 12：
数据的重要性不可否认，是客观评判的方法之一，证明一个想法不是拍脑门出来。 1.数据要恰当地利用。通常，老板是最喜欢看数据和听故事的人。你没办法理解为什么花一堆时间去证明一个显然易见的问题，是因为你没有站在他的角度来看。老板总是多虑的，需要数据作为有效支撑。但同时，每天又有多少PM总是拿着数据和开发吵架的事情发生。可见，数据并不是在哪个场合都那么的具有说服力的。关键是要搞清楚沟通的对象和对方的顾虑，这些数据是否足以解决对方心中的问题。 2.数据分析要一针见血 数据是如此的海量，但是我们需要的仅仅是一针见血的数据。所以，找数据以前，先弄清楚两点：你希望从数据中找到问题，还是你希望通过数据来证明你的观点，你要解决什么核心问题，关键的是要证明什么？而证明的关键数据是？有方向地找数据才更有效率。 3.数据需要包装 数据总是冷冰冰没有感情，罗列数据有--的感觉，数据分析不是说把数据摊出来就解决了问题，更重要的是怎么包装好数据并且使其可视化，一眼就可以看出解决什么问题的数据图表，才是体现了分析过程和思考过程的数据分析，经过包装的数据，有时候很诱人。答案 13：
PM的数据分析窃以为分为3个部分： 1.数据监测：通过测度产品所表现的关键相应指标来评估产品目前的运行状况，并保障产品正常运行，如果有意外，第一时间发现，并分析原因；赘述一句，想象到的就不是意外，预案在此时通常很苍白，因此数据问责很有可能出现，PM也好，RD也好这时要冷静而不是抱怨。 2.数据探索：每一个PM都是贪心的，恨不得将所有可能测度到的数据全部让RD实现，这在效率和效果上都是个坏主意。因此，PM需要在让RD把所有数据都跑出来之前，做足探索，哪些数据有效，哪些没什么用，往往PM在处理项目时，评定优先级，而在数据上往往过于急躁。 2需要不断迭代，来完善1数据监测。 3.数据假设与数据挖掘：通过数据来推翻而不是论证项目的假设。基于数据获取更多的知识，甚至能够通过数据自学习，形成良性的自我成长。 这3个部分能杀掉PM大量的时间，故形成BI体系，作为团队-的知识分享平台，至关重要。 个人看法，仅供参考。答案 14：
“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”这个用户数也是数据，除非所有人都知道，否则就应拿出来给大家看，PM提出需求的同时，就应该说明必要的理由，否则即使都听你的，团队也得不到成长。一个听话的团队执行力高，问题是怎么让别人听话，不是跳起来说我是PM就行的。答案 15：
1、我是觉得PM应该看数据的，而且要非常关注数据；2、但是数据是会说谎的，这其实在于你怎么去看数据，这里面，经验很重要，不同的人对同样的数据会有不同的解读；3、总体而言，不懂商业就不要谈数据，要理解数据背后的商业逻辑；答案 16：
严谨的数据分析特征就是旁人很容易理解，清晰透明可以化解无标准的-分歧，指明方向答案 17：
从大部分的经验上来看，数据只是用来佐证自己的直观或假设而已，只能把一些已知的问题量化，拿出去-或获取资源，纯粹把数据也当成一个手段或工具了。反过来总结是自己获到数据、分析数据、提炼数据的功力不够，没到能看出问题的境界，所以也就只能把玩一些初级的数据把戏了。答案 18：
产品需求来源于兄弟部门、用户或老板，上线后的产品数据表现一方面是对产品、运营、服务等工作的一个客观度量，另一方面可帮助PM和交互设计师更好的改进产品设计的细节答案 19：
数据是可量化、可分析、可测量的，直觉并不一直可信。所以需要用更简明客观的数字来说话。ps：“拿数据说话”和“没事跑数据、拖延时间、不做事、等等等”是两回事哦~答案 20：
看数据和理解数据是一个循环上升的过程,都是建立在理解商业逻辑的基础上,通过对商业逻辑的理解,提出数据要求,根据数据,验证商业逻辑或是发现问题,不断增强对数据的理解。 当然，一定要知道：数据不能代表一切，数据主要代表过去，不能代表未来。 正确或几乎正确的解读数据是成为非主观PM的必备之术。 btw，数据不应成为说客手中的玩具，他应该是以史为镜的智囊。答案 21：
其实用数据说话，本身并没有做。错在于什么人以什么样的方式去用。优秀的PM会合理化的用数据，而无聊的PM才会天天以数据说话光说不练。所以作者也无需纠结。就好像同样是把-，有人用来犯罪、有人用来执法。答案 22：
有些数据是必要的，PM对数据的需求很大层面上可以反映产品经理对数据和业务的掌控理解能力和对产品的期望，所以足够聪明的产品经理不会漫无目的的要数据，一般会重点盯几个产品的关键指标和决策必要的指标；相对的，一个好的数据分析师需要对数据的需求做出合理的把握，不是需求方要什么就给什么，数据分析师给出的数据必须是有效的，能够指导决策的，而不是冗长的毫无重点的数据报表。最后说一句，数据只是辅助决策，而不是决策的本身。答案 23：
数据只能说明过去，产品经理需要数据，但不能完全依赖数据，有时候直觉和超前的判断也很重要。答案 24：
如果能够比较容易获得数据，并且通过数据实验来检验推测，毫无疑问还是应该让数据来说话的，这样能让决策的风险降到最低（经验判断太容易出现想当然，拍脑袋决策的代价太大了），实际上也利于做出决策（如果团队比较-，很容易出现谁也说服不了谁）。当然数据分析不一定能够解决黑天鹅现象。实际工作中，也会出现数据说话的代价很大，或者很难通过事前数据实验来验证，或者是一些全新的创意，甚至无法估计用户的认可程度，此时才不得不弱化数据分析，靠决策者的前瞻和魄力来决定未来的发展了：）答案 25：
我觉得这种数据不一定需要精确，但一定要准确。你怎么知道结果就一定是4级呢？也许分析的结果就是3级或者5级。有哪些功能是必须上的？领导就不觉得是必须上？调研的结果经过需求分析是没有必要做的呢？这些事情都是要靠数据去佐证的，不是国企或者某些无所谓的结构，错了就错了，无所谓。如果能避免，那情愿花一些时间和精力去做这件事情。当然如果一个事情大家都投肯定票的话，那就也是一种调研了，只不过是一种隐性的。答案 26：
不了解数据的局限性是很危险的。最直接的原因：能被系统记录的用户行为数据只是用户全部使用行为的一个很小的子集，只是行为的一个侧面、一个剪影而已，更不用说用户心理层面的东西了。数据分析的最大优势是极大的样本量，这是其他用户研究方法所不能比拟的，但是即便是一亿个剪影加起来那还是一群剪影，而不是事物本身。因此，千万不要把数据太神圣化了，数据分析是接近真相的一种手段，但远不是全部。答案 27：
数据必要，但并非唯一。以数据说话是一种可靠且可见的有效依据，但并非万能。确定目标并且以数据做根据，可以对实施内容的有效性做较好的验证，同时，对于以往的数据进行分析、对比，才能不断优化与完善；但一味的为了达到某些数字目标，就会出现作弊或-用户等行为，得不偿失。合理的将数据作为自己的工具，而不是唯一目标。作为一名产品人员，纠结于此，同时也以此为准则。答案 28：
如果你还呆在团队里，请多考虑一下其他人的观感。3分钟抛一个点子出来的人是不太能让人信服的。除非你真的很牛。虽然有时候，主观判断是性价比最高的选择。但处在一个团队的时候，需要这样一个姿态。“这个结论，是我花费了巨大的努力得出来的。这货是值得信任的。”PS.楼上有人说了一句话确实很有道理。拍脑袋决策，拍胸脯保证，拍大腿后悔，拍-走人。这种事能免则免。答案 29：
数据只是一种决策的支持。不仅对于PM来决定做什么和不做是这样，对于任何决策都是这样。这个问题其实有两层，一层是，我们需要数据来支持决策，我反对是没有任何数据或者了解事实的基础上直接下结论。第二层是，我们需要数据到什么程度，即便是数据很多，其实也不容易判断出因果联系，科学研究中其实都是这样。所以这个时候还需要去根据经验去给出一个结论性的东西，因为数据自己不会说话。就像许多人已经提到的，业务更加重要，数据必须要有，是在论证中需要的，但不是决定性的。答案 30：
数据是客观存在的事实的反映但是如何解读数据往往是片面和主观的所以需要数据引导，更需要丰富的经验去解读数据答案 31：
有些事情确实显而易见，但假如没有数据辅助，三个月半年乃至一年之后回顾当时的情况，除了数据还有什么是可以作为证据的呢？甚至最差情况下，项目上线后跑了一段时间出现问题，如果没有早期调研数据支撑只靠当初拍脑袋的话，更容易陷入相互扯皮推卸责任的状况，数据确实不是万能确实有时像脱裤子放屁，但原始数据本身的重要性毋庸置疑答案 32：
两本书第一本 《用数字说话》第二本《谁说图表不会说谎》看了这些例子提供数据的人、使用数据的人 需要对数据有同样水平的认识否则肯定会出现不对称哦答案 33：
做任何项目需要数据支持这个问题是肯定的，需要争论的是这个数据是否准确，就数据本身来说是绝对正确的，但是分析过程等会出现很多问题，换句话说也就是说如果你有足够的数据而没有出准确的结果的话，那么分析人员的素质有待提高，对于一个PM来说，如果数据结果和自己的判断强烈冲突的时候就需要去调研为什么么，比如PM认为一个功能相当重要，但是数据调研结果无人问津，那么就需要去了解差别为什么那么大，每个人都会把自己套在自己的概念模式里，数据的作用就是把你带出来。答案 34：
数据是说服对方最好的方法答案 35：
一方面是能找到亮点；另一方面可以验证想法，给予信心支持。答案 36：
数据一方面使决策有理有据，另一方面能找出问题根源所在。答案 37：
尽量少一些拍脑袋吧这年头用数据说话也成错了补充一句，很多人都是拍脑袋决策，拍胸脯保证，拍大腿后悔，拍-走人：引以为戒，与君共勉答案 38：
产品经理当然要拿数据说话，但这并不是说任何决定都需要有对应的数据。需要有关键数据，产品围绕着关键数据不断优化。答案 39：
相对的吧！>没有数据，就看PM的用户、市场的需求、行为判断能力，有数据，就参考呗；
就算是我们的经验，也是建立在我们长期一个一个实例积累中的；
经验实例样本的大小决定了经验的准确性；
数据必然是大样本的，那么就可以认为是准确的；
经验是一个一个实例不断迭代而得出的优化方案，数据则没有经过迭代；
分享常识给亲友.
下一篇:导数表示法里的“d”是什么符号？有什么意义？怎么读？ 下一篇 【方向键 ( → )下一篇】
上一篇:「中科院对地观测与数字地球科学中心」通俗点讲是干嘛的？ 上一篇 【方向键 ( ← )上一篇】
快搜