上周和久未聊天的小伙伴，一起聊了些数据相关的
1、数据运营有句很经典的话“找对的人，做对的事，说对的话”，大多数常遇到的数据分析的出发点很类似。数据可以解释现象，并不代表那些数据背后就真的是共性。
2、数据模型也好，工具手段也好，是为了更效率的衔接某个结论。尤其是“某个量级的简单维度和复杂维度”下的结论集合。项目资源不同，团队能力不同，工具有差别很正常。
3、反推，如果标签数或者画像数降到某个人工可操作的数量，可以把不同路径下的共性找到么？看起来完全无共性的散点，在添加上时间戳或者类实名ID这样的因子后，组成了某个场景现象。
聊天虽然很发散，但还是引发了两个有意思的：
1、订生日蛋糕外卖的人为什么大多不是这家店的其他商品顾客？如果想进一步做转化，你会做哪些数据埋点？转化策略你会怎么制定？
2、如果做购物车的时间戳埋点，你会量化哪些数据？对于加入购物车到支付完成的这个起始时间，加个购物频次和订单平均金额是否模糊匹配不同画像推荐模型？共性点关联是什么？
以上两个线下线上数据现象不是很主流，拆解起来很有意思。
如果感兴趣，欢迎带着思路来讨论，伸手党就还是算了吧 ：）
备注：欢迎留言，也欢迎去小密圈的“懒人促进科技发展”讨论区找我讨论。
网友评论