定性数据是杂乱的、主观的、不精确的。它类似从采访或辩论中获得的信息，极难量化。如果定量数据回答的是“什么”和“多少”这样的问题，那定性数据回答的就是“为什么”。定量数据排斥主观因素；定性数据吸纳主观因素。
每当看到一个指标，就应该下意识地问自己：“依据这个指标，我将如何改变当前的商业行为？”如果回答不了这个问题，你大抵可以不用纠结于这个指标了。换言之，如果你并不明白哪个指标能够改变企业的行为，那你压根就不是在用数据驱动决策，而只是在数据的流沙里挣扎。
以下是八个臭名昭著的虚荣指标，对它们敬而远之吧。
(1)点击量。这是互联网洪荒年代所使用的指标，随便什么网站，只要上面可点的东西多，这个数字都会很高。相比之下，你更应统计点击的人数。
(2)页面浏览量（PV值）。这个指标只比点击量稍好一点点，因其统计的是网页被访客请求的次数。除非你的商业模式直接与PV值挂钩（即展示广告），你还是更应统计（访问的）人数。
(3)访问量。你的100访问量究竟来自于1个访问了100次的用户，还是100个访问了1次的用户？它无法指导行动。
(4)独立访客数。只能显示有多少人访问了网页，却不能告诉你这些人在页面上做了什么？他们为什么停留？是否离开了？
(5)粉丝/好友/赞的数量。计算粉丝/好友的数量只是一场毫无意义的人气比赛，除非你能让他们做对你有利的事。你在社交平台上振臂一呼时，有多少粉丝会响应？只有知道了这个数字，他们才对你有意义。
(6)网站停留时间（time on site）/浏览页数（number of pages）。用这两个指标来替代客户参与度或活跃度并非明智之举，除非你的商业模式与这两个指标相绑定。而且，它们并非一定能说明问题。比如，客户在客服或投诉页面上停留了很长时间，不见得是什么好事。
(7)收集到的用户邮件地址数量。有很多人对你的创业项目感兴趣，这很好。但是，如果不知道他们中有多少人会真正打开你的邮件（并为你邮件中的内容买单），纵使有再多人在你的邮件列表上也是枉然。更好的做法是：向一部分注册用户发送测试邮件，看他们是否会按照邮件中的提示去做。
(8)下载量。尽管有时会影响你在应用商中的排名，但下载量本身并不带来价值 ；你需要衡量的是：应用下载后的激活量、账号创建量，等等。
无论先见性指标还是后见性指标都是有意义的，只不过解决的问题不同。
先见性指标（或称先见性指示剂）可用于预测未来。比如，透过“销售漏斗”中现有的潜在客户数，你能大致预测将来所能获得的新客户数。如果目前潜在客户很少，那么将来也不会增加多少新客户。眼前，你可以努力增加潜在客户，这样将来就能得到更多的新增客户。
另一方面，后见性指标能提示问题的存在，比如用户流失（即某一时间段内离开某产品或服务的客户量）；不过，等到你有机会收集数据，找出问题，往往为时已晚。已流失的用户不会再回头。但是，这并不意味着你就只能眼睁睁地看着后见性指标而无可作为（比如，你可以尝试降低用户流失率，再测试是否见效）
相关性指标与因果性指标
在两个数据指标之间发现相关性不是一件坏事，发现相关性可以帮助你预测未来，而发现因果关系意味着你可以改变未来。通常，因果关系并不是简单的一对一关系，很多事情都是多因素共同作用的结果。在加拿大夏天交通事故增加的例子中，我们需要考虑酒精消费量、新手司机数量、白昼变长和暑假等因素。所以，现实中很难找到100%的因果关系。你会掌握一些独立的数据指标（分析多个独立的数据指标作为自变量），其中每个都能在一定程度上“解释”某个依存的数据指标（因变量）。但是，即便只发现部分因果关系也是很有价值的。
凯尔学到了细分市场，了解了产品对哪类家庭更具吸引力。他开始认识到，他们一开始设定的划分活跃/ 非活跃用户的准绳实际上并不能很好地反映实际用户的参与度。
数据分析的启示
首先，了解你的客户。没有比直接与客户和用户对话更有效的手段了。任你得到的数据再多，它们也解释不了事情发生的原因。现在就拿起电话拨通一位客户的号码，即使是一位参与度不高的用户，也会对你很有帮助。
其次，尽早做出一些假设并定下你认为可称为“成功”的目标，但切忌在试验中迷失自己。如果需要，可以降低指标的阈值，但并不是为了制造达到这个阈值的假象：这样只会自欺欺人。使用定性数据来理解你为用户创造的价值是什么。只有调整后的阈值或准绳可以更好地反映（某个细分市场中的）用户使用产品的习惯，调整才是合理的、必要的。
市场细分、同期群分析、A/B测试和多变量分析
一个创业者如果想要生存下来，（对你产品的）需求、（打造产品的）能力、（实现产品的）欲望缺一不可。
如果你喜欢且擅长做某事，却不能以此谋生，那应该学会将技能变现；
如果你擅长某事且可以以之赚钱，但不喜欢它，学会说不；
如果你喜欢做某事且可以以之赚钱，但还不是很擅长，学会把它做好。
网友评论