笔者付出产物司理，本篇文章内容基于自己处置付出范畴从0到1搭建付出营业数据分析实战经历。 从一个小白打仗付出营业，毫无章法胡乱看数据，到起头有点门道看表层数据，再到此篇文章输出的成系统的数据分析系列篇章，前后履历了2年多时候。此篇文章内容皆为当前阶段认知，并不周全，后续必定会延续做迭代更新。 一、为什么需要数据分析数据分析的重要性不言而喻，没稀有据，就是感性呀。 你说你做完这个功用可以获得什么代价回报，没稀有据支持，过分苍白有力，没人佩服你。可是只要你说，你做完这个项目，可以提升定单转化率几多个点，而且信誓旦旦讲，那没有人不会不理你。究竟，这是赤裸裸的钱，谁不爱钱呢。 数据不会被概念打败，数据只能被数据打败。人家拿数据得出的结论，跟你的直觉再对不上，你心里再不服气，想辩驳，也必须拿数听措辞。 我们现在妥妥地已经进入了数据时代。 互联网公司，无一破例地夸大自己的数据驱动决议；传统企业，现在最重要的计谋就是数字化转型。 相信明天你能感受获得，数据在我们的工作和生活中，已经成了空气和水一样的存在。 数据思维大概数据分析才能已经成为这个时代的必须，不是可选。 那末数据分析为何如此重要呢，我从以下4点来论述。这些场景也是平常发生在我现实工作中的，我们用数据天天来做各类分析、洞察大概决议。 1. 量化IT投资效果，以数据驱动决议不管哪家公司开辟资本永久不够，每个产物司理都想争取开辟资本做自己的项目，说自己项目更有代价。若何评价优先级，数据来措辞。 站在公司大概决议者角度，数据最本质的感化，是作为资本调配的裁判，帮我们用最客观的方式将资本投到最有代价的工作上。 今朝我地点公司运转方式为：年头制定年度KPI，如转化率大概用户满足度，那末接下来一年内一切产物司理运转的项目将依照这个目标来。 产物司理A和产物司理B同时启动了自己的项目，那末IT资本投到谁的项目上，A和B需要去做项目 ROI 的论述。谁的ROI更高，营业总负责人就赞成将资本调配到哪个项目上，这样A和B都没什么话说，IT资本也将被用在刀刃上，削减资本浪费。 产物司理在论述项目代价时，采用自下而上的论证方式。比如说这个项目要完成哪些功用，功用1、功用2、功用3……每个功用带可以带来多大的代价，如转化率可以提升几多，这些都来自数据。 偶然辰我们以为的很大项目代价经这类层层灵魂拷问，最初考证预估代价不大，在早期就能削减资本浪费，而不是真的要等到功用上线才发现对营业代价帮助不大，那时辰开辟资本已被浪费。 假如你一向抱着项目上线后看实在数据反应，除非你家开金矿的，可以容忍不竭做尝试创新类尝试。命运好成功了，大师都高兴；命运欠好，大师失利了，不怕，归正家里开金矿，大不了重头再来。可是，我想这应当是个伪命题。 本日头条系产物为何能快速成长？它们的产物方式论是什么？ 本日头条是一家流量运作公司，对流量ROI的应用熟练度与效力很是高。依靠强大的数据和算法系统，经过AB test 同时运转几千条功用测试，用最短的时候去找出最有代价的营业偏向，获得结论后，快速推出市场，抢占先机。 中国互联网已经进入到一个获得流量本钱很高的时代，企业并没有那末多容错机遇给到大师不竭尝试试错。要进步决议正确性，首要依靠数据论证。 2. 经过数据分析考证产物效果你在口试时，你说你牛逼。若何叫人佩服你？你说你牛逼，你就真牛逼？ 相信大师已经习惯了小套路，说自己已经做的某个项目转化率进步了几多个点之类的。 现实上，在我们做的每个项目大概功用中，都应当用数据来考证产物效果。 电商网站的收银台大师耳熟能详，比如以下：
参照国内竞品调研和产物交互设想师自以为的产物方针：给用户传递平安感——经过增加底部“确认付出”按钮来实现。
现实上线结果却不尽快意，新版本比老版本跌了3个点左右。 事后我们深思了全部进程，获得一些启发： 付出需要用户感动型消耗，不需要用户那末理性思考。按钮操纵，让用户有种仪式感，反而增加了用户犹豫心理。 比如淘宝换成了指纹付出，大概刷脸付出，转化率会进步。我作为用户，利用了淘宝指纹付出后，下单付出快了很多。我也有同事，一不谨慎刷脸付出后，就懒得再倡议退款了~ 付出产物的焦点是：平安和快速。假如品牌背书，用户已经感觉平安，那末接下来就是快 ！去掉按钮才是让用户有快速付出的感受。 因而，我们又花了一些时候，去掉底部“确认付出”按钮，用户挑选付出方式便可以进到付出环节，转化率居然又提升了！
去掉了底部“确认付出”按钮 全部团队从这个案例中都获得较大感慨，充实表现了我们自以为更好的计划对用户大概从营业角度并不是最好的。假如没稀有据来考证，我们还会一向逗留在自己感觉设想很好的功用中自嗨！ 用AB test 测功用，用数据来考证功用效果是最有压服力的手段。 3. 经过数据分析洞察用户用户研讨是产物司理必必要去做的一件事，懂用户，挖痛点，给计划。 用户研讨常用的方式除了用户访谈、调盘问卷等定性研讨外。从已存数据中发现用户的行为偏好，建立数据与用户画像之间的关联，针对分歧人群需求大概痛点给出公道的产物处理计划也是数据驱动决议的手段。 比如从历史定单数据中，挖掘新老用户采办商品的偏好，可以针对新老用户群体做本性化的商品保举，这也是大师可以感知到的电商产物保举。你去逛淘宝首页，能否是会感觉淘宝比自己还懂自己？给自己保举的大部分商品是自己喜好的。 凡是对用户历史行为数据收集越具体，越是可以领会用户，为用户做出公道的产物设想。 为什么人们总说作为电商平台和付出平台的阿里有最完整的行为数据甚至最完整的人群画像，那是由于按照生活消耗的商品和办事，几近可以揣度一小我全数的特征，而越是习惯网上购物的用户，衣食住行都用同一个付脱手段的用户，就越可以被电商和付出平台完整描写。 产物在做产物功用设想时，并不但是纯真为用户供给功用和办事便可以，理所固然以为用户会来利用。定要对用户需求大概痛点挖掘地充足深，才能精准供给办事。从曩昔已存数据中挖掘用户行为偏好大概痛点，是产物设想的第一步。 这里借用《产物思维》一书中提到的例子。 我们是一个创业小团队，正在做一个P2P（小我对小我）金融产物。平台上已经有了一定量的用户，他们采办了我们的理财富品。我们正在斟酌要不要增加VIP（贵宾）套餐办事，定位高代价用户，定向供给理财顾问办事。 我们会请很多专家，供给很多额外的分析工具，让这些用户享用高端办事，获利方式就是VIP年费。单拿这个办事来看，必定是没有什么题目标。 “很多类似的产物都有这样的办事。”也许老板就会这么跟你说。但这不能成为我们就一定要供给VIP套餐办事的来由，我们还是要看看我们的用户是什么样的。 可以先统计下当前用户采办理财富品的行为数据，看看大部分买的额度有多大。实在，额度背后代表的是这些用户的支出水和蔼对理财的态度。 比如粗鲁一点假定，我们看用户的行为，曩昔99%的用户都是奔着投资5万元，锁定期6个月，年化收益率5%的产物去的。 这些行为代表什么呢？从生活经历判定，对年化收益率要求不高，对活动性也要求不高，对平安性要求比力高的人，应当都是普通的上班族。这些人在理财方面很是守旧，而且还比力年轻，理财额度并不高。 具体的考证可以经过访谈和调研来完成。假如成果显现，这些用户群体根基都是结业三年内的职场新人，理财行为很是守旧，而且还比力年轻，理财额度并不高。 这时回过甚来看，这个VIP套餐办事的吸引力就出格有限了。仅从用户特征来看，几近便可以给这个创意判死刑了。 从已存数据平分析用户需求大概痛点，找到用户行为偏好，邃密化用户群体，领会用户，才能判定营业形式的可行性。而不是理所固然感觉用户会利用这个功用。 4. 经过数据分析找到机遇点在刚做付出营业时，首先就对Top10、各端做了付出成功率分析，很快就发现某些国家的转化率是低于其他国家的，自此这些国家被列为重点和困难国家。我们的机遇点也是优先辈步这些国家的付出转化率。 再比如做商城购物流程优化项目时，首先拉取了商详页-购物车-结算页-收银台-付出成功 发现商详页和结算页转化率两个环节在全部途径直达化率最低，是以顿时定出了事项优先级，优先处理这两个页面的转化题目。 职场中若何代价最大化？可不就是发现最严重的题目，找到最大的机遇点，把资本用在刀刃上。 5. 结语治理大师德鲁克说：“不能权衡，就没法治理。” 产物司理完拍脑壳、凭感受、凭经历做决议的时代已经曩昔了。假如你还没稀有据思维大概数据分析相关的才能，被时代淘汰真的是，早晚的事！ 产物司理不需要成为数据分析方面的专家，但什么时辰分析数据、分析哪些数据、若何分析数据、若何用数据帮助决议、若何用数据驱动营业，这些题目是产物司理必必要回答的。 二、数据分析的框架我以付出营业为例来说授。 用户来到付出收银台后，在页面上有很多点击行为，比如挑选各类付出方式，微信付出、APPlePay 付出等最初完成付出，也有能够点击左上角返回键大概右上角定单中心分开当前页面。
这个进程会发生很大都据，从数据大类上分红：用户数据、行为数据和营业数据。 谁（用户数据）做了什么（行为数据）成果若何（营业数据）？
用户数据指用户自己的特征，如用户画像，利用你产物的用户男性多还是女性多，年龄多大等。 行为数据指用户利用产物在页面上的各类点击行为，在页面上逗留时长等。 营业数据指用户行为以后，现实发生的成果，营业数据会落库营业数据表。分析营业数据的意义，可以权衡贸易代价，是营业终极显现成果，用以鞭策公司营业的成长。 用户数据和行为数据凡是可以从第三方数据工具，如友盟、Google Analytics 间接获得，营业数据一般要内部扶植。
明天重点讲营业数据搭建完整进程，以阿里云的Quick BI为例。 在全部数据分析的框架中，分为五大条理，依次是：数据天生、获得数据、数据建模、数据分析和数据利用。
1. 数据天生还是以付出营业为例，用户挑选付出方式完成付出后，落库焦点的两张营业表：定单表和买卖表。一个定单会对应多笔买卖（每挑选一种付出方式天生一笔买卖，一笔定单可以利用多个付出方式尝试付出），实在还会发生其他表，比如收货地址表等。
2. 获得数据凡是利用第三方工具如ETL将营业系统的数据经过抽取（Extract）、清洗转换（Transform）以后加载（Load）到数据仓库的进程，数据显现在BI的数据源。
3. 数据建模所稀有据进到数仓今后，需要按照现实想要看的营业数据停止数据建模，建模后的数据显现在数据集。数据集作为数据源和可视化展现的中心环节，承接数据源的输入，并为可视化展现输出数据表。
4. 构建数据模子数据建模是什么寄义呢？ 底层的营业数据表实在很多，几十张上百张都有，但到了营业数据分析阶段，当需要分析的数据存储在分歧的表，可以经过数据关联，把多个表毗连起来，构成模子停止数据分析。 比如上述的营业底层定单表到了数据分析阶段衍生的定单表字段发生变化，name 和 city 是从营业地址表取来的数据。 总的来说，数据模子是完周全向数据分析的营业场景构成的新表。以付出营业为例，我构建的数据模子有：用户表、定单表和买卖表。
5. 设想维度和怀抱目标对数据字段可以停止下一步分类： 在统计学中，单一数据字段可以被分为离散和持续。离散凡是是维度，比如城市称号、用户名字，特征是有限数目的值；持续凡是是怀抱，比如销量、利润或成功率，特征是不成罗列，能够为任一数值。维度和怀抱中有很多灰色地区，比如金额，可以做维度，也可以做怀抱。 在上述定单表中，device、city 等是维度，对order_id 计数的总定单数、对status = success 计数的成功定单数是怀抱。 怀抱可以再分原子怀抱和派生怀抱。 原子怀抱指从维度里间接获得到，上表中的总定单数和成功定单数。 派生怀抱并不能间接从数据表中获得，而需要基于已稀有据停止加工处置获得，上表中的定单成功率是成功定单数/总定单数获得。 6. 数据分析有了维度和怀抱的概念后，接着引入聚合概念。对于数据分析来说，常常关心的并不是最底层一行一行的的明细数据，更重视分析数据的角度，关心的是数据的整体特征。 聚合，简单讲就是数据源里的多行数据依照一定的标准计较成一个数据，不管数据集里有1行还是多行，视图里的数据都是聚合后的成果，一行数据也是要聚合的，固然一行数据聚合的成果是一样的。现实上，维度为数据聚合供给根据，而怀抱是根据维度聚合获得的成果。 设置了聚合计较的计较字段，将按照设置的维度自动停止聚合运算。 如：
表述的营业寄义为时候四周为2022.3.1 ~ 2022.3.15 范围内pc真个定单成功率为0.5。 计较进程：按照created_at=2022.3.1 ~ 2022.3.15 和device =pc ，SUM([总定单数])= 2，SUM([成功定单数])=1，SUM([成功定单数])/SUM([总定单数])=1/2=0.5。 Quick BI 供给电子表格和仪表盘两种可视化工具做以上分析。 电子表格：
仪表盘：
经过可视化的图标去分析数据，找出机遇点大概异常。 7. 数据利用经过可视化的图表去分析数据，找出机遇点大概异常。可以说，前面1、2、3、4 一切的工作都在为了第5部分数据利用上。 数据从用户中来，经过一系列的数据沉淀、处置和分析找出机遇点做决议再回到用户中去，提升用户体验，带动营业增加，此即数据驱动营业。 8. 结语本篇文章先容了分析数据的数据框架拆解、数据处置加工进程。 可是海量数据怎样看，看哪些？怀抱目标应当怎样设想，怀抱目标中什么是营业的北极星目标等此文还没提到，在第三部分数据目标系统设想中讲授。 三、数据分析 | 数据目标系统设想接着来说数据分析的第三篇文章数据目标系统设想，是全部数据分析篇章中最焦点的内容。 在第二篇文章中讲到，我把数据分为：用户数据、行为数据和营业数据，再往下又分了维度和怀抱两个概念。 虽然如此，维度也好，怀抱也罢，城市发生很多散落的数据，你并不晓得数据与数据之间的关联性，也不晓得众大都据中什么是最焦点的，什么最能暗示营业终极显现结果大概哪个数据目标暗示方针到达。 数据与数据之间的关联性大概相关逻辑性称作数据目标系统。目标系统指将零星单点的具有相互联系的目标，系统化的构造起来，经过单点看全局，经过全局处理单点的题目。 说白了就是找个框架把一切的数据以一定的逻辑性组装起来，框架也即数据模子。此篇文章针对用户数据、行为数据和营业数据别离给出代表性模子，用以各自范畴的数据分析。 1. 用户数据之AARRR模子提到用户自己，顿时会想到典范的AARRR 模子，即获得用户（Acquisition）、进步活跃（Activation）、进步保存率（Retention）、获得营收（Revenue）和自传布（Referral）。 每个环节都有这个环节应当关注的目标，这些环节并纷歧定遵守严酷的前后顺序。
AARRR模子是很是典范的用户分析模子，且需要连系具体营业展开来说，这里不做过量描写。 2. 行为数据之UJM+OSM模子UJM即User-Journey-Map，用户旅程舆图模子；OSM别离指方针、战略和权衡，Objective-Strategy- Measurement。 UJM+OSM，经过拆分用户利用产物的阶段性行为，从中挖掘用户的需求，在每个阶段肯定可以提升的目标，将用户旅程和营业方针连系起来。
方针（ Objective）指营业方针。营业大概产物，存在的目标是什么、可以处理用户什么题目、满足用户什么需求？如上述营业方针为采办转化率，采办转化率越高，说明用户体验越佳，贸易代价越高。 战略（Strategy）指为了到达营业方针，该当采纳什么战略。如上述为了提升用户首页-商详转化，战略1可以为视觉提升、战略3可以为交互流程改良等。战略1的视觉提升可以进一步拆解为页面整体色彩、卡片款式等。 权衡（Measurement）：用来权衡战略的有用性，反应战略履行能否能告竣营业方针的怀抱目标。如上述首页转化率可以为进到首页用户数转化到商品详情页的用户数，转化率越高，说明用户对首页喜爱度越高，首页的产物显现内容越有用。 基于用户的行为途径来拆解方针，对于每个子方针找到终极可落地的计划，启动项目\需求，经过用户功用满足到达终极的营业方针。 如采办转化率方针为提升15%，那末预算首页改版项目提升的方针为8%，商详改版项目提升的方针为5%，下单结算改版项目提升的方针为3%，收银付出改版项目提升的方针为2%。 依照代价从高到低依次投入开辟资本去实现方针，项目上线后再复核营业方针能否告竣，若未告竣，停止差异分析。 3. 营业数据之目标分层谈到营业数据时起头触及脚色的题目，营业和产物的脚色合作，分歧的脚色在分歧的场景下关注的目标并不不异。 基于此，一路头就把目标停止分层级，分为营业、产物和流程三个层级，营业关注营业的，产物关注产物的。分歧层级的目标有分歧的思考维度和分析方式。 以付出营业为例，先明白目标层级后，按照目标设想原则，去做关键目标的拆解，一级目标可以拆解到二级目标，二级目标还可以继续拆解到三级目标等等。
营业层级的目标用来权衡贸易层面的客户成长、增加与获利、合作力与盈利才能等。 营业从用户那边挣钱，需要经过产物作为载体或前言，互联网产物的使命是操纵技术赋能营业，帮助企业降本增效。所以谈到产物，需要去思考产物定位、产物能供给的焦点代价、产物带给用户的产物利用体验、产物若何实现营业方针。 进一步细化，一个产物常常有着很多功用，承载着分歧的用户交互步调或操纵流程。梳理并整理出全部转化流程中各个关键节点，去实现产物的焦点目标。 从营业形式，到按照产物的代价与体验，再分化到具体流程的步调效力。这供给了一种纵向的，自上而下、由粗到细的分析模子，在每一个层级上，又会有分歧关注点和种此外目标。以数据为根本，主导产物结构，拆解流程步调，赋能营业增加。 4. 结语本篇文章从用户数据、行为数据和营业数据三方面先容了3个数据目标系统模子。出格说明的是，文中提到的AARRR模子、UJM+OSM模子、目标分层3个数据模子仅举例说明，现实还有更多模子，如PLC、HEART、GSM、PTECH模子等等，需在分歧场景下评价综合利用。 但不管什么数据模子，焦点都在于找到数据与数据之间的关联性，从海量数据中找出最焦点的数据目标用以权衡方针能否到达，以系统和结构化视角思维来看数据分析。 四、数据显现之数据分析方式明天来说数据分析的第四篇文章数据显现之数据分析方式，是全部数据分析篇章中最初一部份内容。 在前面第二部分、第三部分文章中，我们讲了数据天生-获得数据-数据建模-数据目标搭建这样冗长的数据加工处置进程，到最初一步即是数据显现和从数据中挖掘出来的题目大概机遇点的数据利用。 有句话讥讽讲，辛劳干活儿一年还比不外一个做PPT的，一样适用数据分析。假如前面做了大量数据加工处置工作，可是最初不会做数据分析和数据显现，挖掘不到题目和机遇点，那末前面的工作将白费。 （大概说前面的工作皆属于打地基，最初一步也就是本篇文章报告的内容是收获果实。） 经过数据显现，把分析的成果完整显现出来，为决议者供给科学、松散的决议根据，供决议者参考以做出决议。 好的数据显现，需要有一个好的方式展现数据间的关系和纪律，让人了如指掌，这是接下来要说的数据分析方式。常见的漏斗分析、多维拆解、趋向分析、对照分析、帕累托分析和穿插分析等。 上篇讲的数据目标系统设想是从宏观层面指导若何停止数据分析，本章讲的数据分析方式首要从微观角度指导若何停止数据分析。从宏观到微观是不竭细化的进程。 1. 漏斗分析漏斗分析可以科学反利用户行为状态，以及从起点到尽头各营业流程的用户转化率情况，是一种重要的流程式数据分析方式。 比如：对于电商产物来说，终极目标是让用户采办商品，但全部流程的转化率由每一步的转化率综合而定。这时，我们便可以经过漏斗分析模子停止监测。 以下图所示，我们可以观察用户在每一个环节上的转化率，寻觅转化途径的亏弱点，优化产物，提升用户体验，终极提升整体的转化率。
一切互联网产物、数据分析都离不开漏斗，不管是注册转化漏斗，还是电商下单漏斗。需要关注两点，第一是关注哪一步流失最多；第二是关注流失的人都有哪些行为。转化率最低的环节，常常是ROI 代价最大的地方。 2. 多维拆解我自己自己是做付出营业的，平常显现数据最多的形式即是多维拆解。（多维的意义是从多个维度拆解怀抱目标，假如对维度和怀抱不太领会的可以去看第三部分的内容。
至此，拆到最小颗粒度。 在分析数据时，若整体付出成功率发生异常，依照此途径拆解到最小颗粒度的付出方式，根基可以锁定发生题目标缘由。
3. 趋向分析建立趋向图表可以敏捷领会市场、用户大概产物特征的根基表示，便于停止敏捷迭代。趋向分析凡是按时候维度的小时\天\周\月看怀抱目标的变化情况（像我天天早上来第一件事是看昨天的付出成功率有无异常）。 趋向分析有两高文用：趋向猜测和数据监测。比如我现在正在做的项目营业数据监控，就是基于付出成功率在曩昔一段时候内的数据表示来预判当前付出成功率能否异常。以下图中的7月和8月明显低于其他月份，可判定这两个月数据发生了异常，需要去寻觅缘由。
4. 对照分析同一维度还经常做怀抱目标的对照分析，首要用于对照同维度间的差别性。比如我做付出营业，会去对照Top 国家的付出成功率，看哪个国家是我重点要关注的国家。 同漏斗分析类似，对照分析也可以快速找出最需要关注的维度目标，把资本用在刀刃上。 （比如我印象很深，我的leader第一次做数据分析报告时，按Top国家做了国家维度的对照分析，大师很快晓得哪些国家需要花资本重点处理，今后改变大师对付出营业的认知。之前大师能够以为付出需要延续接入新付出办事商，可是大师现在晓得可以分重点国家差别性改良，不但仅是无脑接入新付出办事商） 别的，在对照利用中，现在风行A/B test，A/B test的关键就是保证两组中只要一个单一变量，其他条件连结分歧，尝试组和对照组也是对照分析。 除了跟他人比，也可以自己跟自己比，统计学中的环比和同比即是自己跟自己比的典范利用。（比如到年末，我会做付出营业的复盘，会把持续几年的定单量和付出成功率做对照，看今年的整体情况）
5. 帕累托分析帕累托分析，平常也称之为二八定律。在任何一组工具中，最重要的只占其中一小部分，其他虽然是大都，却是主要的。 帕累托模子即是以二八定律为根本道理构建出的商品分析模子，这个模子最大的益处是可以对商品大概产物停止分类，依照投入产出比的优先顺序原则，将自己的资本只管投入到头部产物傍边，以期发生最大的效益。 其焦点思惟就是少数项目进献了大部分代价。以格式和销售量为例：男士衣饰、活动打扮及用品、儿童打扮、密斯皮鞋占整体销售额的70%以上。
6. 穿插分析穿插分析法就是将对照分析从多个维度停止穿插展现，停止多角度的连系分析，从中发现最为相关的维度来摸索数据变化的缘由。 以下图，从APP\PC 真个维度连系漏斗做对照分析，可以发现APP在每一步转化率更好。
以上把握了根基的数据分析方式，若何撰写一份分析报告增加它的可读性呢？ 逻辑清楚。数据是怎样来的；发现了什么题目；总结题目发生的缘由；若何处理这类题目；给出结论息争决计划。这样一个简单了然强逻辑关系的分析报告就能让绝大大都人接管； 报告图表化。用图表取代大量堆砌的数字会有助于人们更形象更直观地看清楚题目和结论，更轻易做到有理有据； 标准化。整篇文档的图表气概同一、名词同一。数占有来历，口径有说明。（出格是第一次引入数据统计口径时，要额外说明） 至此，数据分析文章系列全文完。 五、结语在最初，我想说的点是：数据分析重在思绪，更多在理论中练习自己数据思维，要稀有据认识。 虽然写了此篇文章10000多字，也只是数据分析的一点点方式论，是工具层面的外相。到今朝为止，我照旧有营业上的数据题目没法解开，可见，就算是成系统的所谓方式论也没法处理一切的理论题目。 想加以夸大的是，不管是看了我的文章还是别处进修了其他常识&技术，都需要在自己现实营业场景下去利用，否则信息就只是信息，永久没法内化为自己的常识。 就我本身而言，从20年写第一篇数据分析的文章，到现在21年写四篇数据分析的文章。我相信在未来我还会延续迭代甚至颠覆当前这套也是有能够，任何工具都不会学到即停止，它会被一向迭代和更新。 #专栏作家#花开不败，微信公众号：涵小仙女，大家都是产物司理专栏作家。文艺女青年一枚，白天工作，早晨码字，爱美、爱跑步、爱观光，愿我手写我心，余生不迁就。 本文原创公布于大家都是产物司理。未经答应，制止转载 题图来自 Pixabay，基于 CC0 协议 |
