产品管理中的数据分析的四个关键点
假设驱动，而不是数据驱动/ HYPOTHESIS DRIVEN, NOT DATA DRIVEN
数据驱动 (data driven) 不能提供真正的洞见(insights).
数据只存在于 “待验证的假设” 的框架之中（Data only exist in the framework of hypothesis)。换句话说，只有存在预先的假设，才能指导你瞄准哪里去寻找数据。因此，正确的方法应该是假设驱动(Hypothesis Driven)。
任何时候都要问：为什么要做这个分析，要验证什么假设还是只是看看这些数据能告诉我们什么？要做的分析能够带来什么样的行为改变 (behavior change)？
因果关系，而不是相关性/ CAUSALITY, NOT CORRELATION
Correlation 只能表明两个的变化关系：一个变量发生变化的时候，另一个变量也发生变化。但是，这不能表明另一个变量的变化是由其中一个变量的变化引起的
Causality 表明因果关系：一个变量的变化，带来另一个变量的变化。
要形成因果关系，需要具备三个因素：
（1）存在相关性。X 和 Y 之间有 correlation
（2）存在先后性。X 发生在 Y 之前
（3）没有第三个因素带来 X 和 Y 的同时变化 (control of other variables)
最好的方法是做 A/B test。
分清楚三类分析的各自作用并时刻意识到现在的分析处在这三类分析中的哪一个阶段
（1）描述性分析 (descriptive analytics) 是揭示问题的第一步，但往往变成报告 (reporting) 而不是分析 (analysis)；应该尽量自动化
（2）预测性分析 (predictive analysis) 数据分析的核心竞争力
预测性分析提供对未来的指导，也是数据科学在业务中的主要应用
未来的 3 个月，有多少用户会不再使用我们的产品；如果我花一元钱导入一个新用户，这个用户在整个生命周期内产生的价值是多少？
（3）建议性分析 (prescriptive analysis) 针对具体问题给出建议，因此，必须对要回答的问题进行清晰的定义
建议性分析的最终结果是给出答案、提出建议和改进方案，因此，对建议性分析的问题，必须要清晰的定义问题，形成预先的假设，确定分析的范围。
一定要先做描述性分析，对问题形成初步的理解，确定值得探索的几个领域，并尽量将描述性分析自动化，分析结果可以作为整个团队运营的基准。利用建设性分析对产品进行优化，并时刻跟基准线对标，看假设是否合理，如何进一步优化。在此基础上，个人和团队要构建预测性分析的核心能力，将业务能力从 “解决现有问题” 转移到“构建问题” 上。
公司文化
每一个人都要努力提供对自己的观点的数据支撑；一个没有数据支撑的观点，不论是谁的观点，都不比你自己的观点更好。
每一个应该牢记一句话并身体力行：如果你有数据，请摆出来，我们可以利用这些数据；如果你有的只是观点，抱歉，我最好还是用我自己的观点。(If you have data, present it and we will use it; if you have opinion, sorry, I'm gonna use mine.)
————————————————————————————————————————————————————
这篇文章让我意识到了自己对于数据的问题，我做了很多数据采集方面的工作，目前的产品能够精确到具体模块的展现数据。但是我一直对于怎么用这些数据感到困惑，自己以为是缺少商业上敏锐的嗅觉，这篇文章给出了一个我不曾想到的答案。
应该先做假设，再通过数据验证假设，这样就不会在海量数据里面迷失
——————————————————————————————————————————————————
网友评论