Red de conocimiento informático - Aprendizaje de código fuente - Introducción al análisis de datos | Deconstruyendo el modelo de pensamiento del análisis de datos

Introducción al análisis de datos | Deconstruyendo el modelo de pensamiento del análisis de datos

Introducción al análisis de datos | Deconstrucción del modelo de pensamiento de análisis de datos

Análisis de datos (Análisis de datos): ¡esta palabra es realmente popular y es increíble pretender ser B! Independientemente de tres, siete o veintiuno, será un gran éxito cuando aparezca. El "análisis de datos" ha sido puesto en un pedestal. Es imposible encontrar trabajo o hablar sobre las tendencias de la industria sin mencionar algunos datos. Francamente, sé muy poco sobre el concepto de "análisis de datos", sólo un poquito: estadísticas, datos analíticos y big data (Big Data).

¿Cómo realizar análisis de datos sobre productos? O para un entusiasta del análisis de datos como yo, ¿por dónde empezar? La forma de pensar determina los resultados de las acciones.

Primer punto: ¿Qué es el análisis de datos?

El análisis de datos se refiere al proceso de utilizar métodos de análisis estadístico apropiados para analizar una gran cantidad de datos recopilados, extraer información útil y formar conclusiones, y realizar investigaciones detalladas y resúmenes de los datos. En la práctica, el análisis de datos puede ayudar a las personas a emitir juicios y tomar las medidas adecuadas.

Por supuesto, en mi opinión, los datos en sí no tienen valor. Es la existencia de métodos de análisis lo que hace que los datos originalmente inútiles brillen.

Segundo punto: ¿Por qué necesitamos realizar análisis de datos?

Algunas personas dicen que el jefe necesita ver datos; algunas dicen que se necesita inversión de capital de riesgo; otras dicen que el funcionamiento de la empresa necesita... Hay muchas razones para la necesidad de datos. Creo que en realidad la mayoría de las personas obtienen datos para obtener el estado objetivo del producto y hacer algo al respecto (puedo pensar así, ¿tal vez porque soy un niño optimista?). p>

De hecho, las razones para realizar un análisis de datos probablemente sean las siguientes:

Evaluar las oportunidades del producto:

En las primeras etapas de la conceptualización del producto, se necesitan investigaciones de demanda y de mercado. investigación La investigación es especialmente crítica. La evaluación de las oportunidades del producto es crucial para el diseño y la iteración posteriores del producto, e incluso determina el futuro y el concepto central del producto.

Analizar y resolver problemas:

Debe haber una razón para los problemas del producto. Los problemas no se pueden imaginar de la nada y hay que respetar la realidad objetiva. Entonces, sólo mediante las pruebas de datos necesarias podremos rastrear el origen del problema y luego formular soluciones razonables para resolverlo por completo.

Actividades operativas de soporte:

¿Qué impacto tiene esta característica del producto en la línea de producción? ¿Qué opción A o B es mejor? Todas estas preguntas implican un problema "estándar". Para juzgar la calidad de un problema, probablemente lo más fiable sean los datos. Una vez dije: "La gente no es de fiar. Siempre quieren creer lo que quieren ver". Sólo proporcionando hechos (es decir, datos) verdaderos, fiables y objetivos podremos emitir el juicio más auténtico sobre una actividad específica.

Optimización predictiva de productos:

Los resultados del análisis de datos no solo pueden reflejar el estado pasado del producto, los llamados datos posteriores al evento, sino que también pueden dar la situación probable. que el producto encontrará en el futuro al problema de los llamados datos prospectivos. Los indicadores de datos reales deben ser procesables. Se puede actuar sobre los datos retrospectivos y los datos prospectivos. La diferencia es que los datos prospectivos pueden predecir lo que sucederá en el futuro, acortar los ciclos de iteración y mejorar la excelencia.

Punto 3: ¿Cómo analizar los datos?

La filosofía del modelado de datos

Al comprender la motivación del análisis de datos, ¿qué tipo de indicadores de datos pueden lograr los resultados esperados? Luego, primero debemos resolver el problema de definir indicadores de datos. El autor cree que se deben considerar los siguientes tres elementos principales al construir un modelo de indicadores de datos:

Considere el modelo de negocio y los escenarios de negocio

<. p>Preste atención a la inicialización detrás de los indicadores de datos Motivación

Considere la viabilidad, el análisis y la facilidad de comparación de datos de múltiples dimensiones

Por supuesto, no puede crear datos a ciegas a partir de aire fino, ¿verdad? Generalmente hay tres formas de diseñar modelos de indicadores de datos:

Optimizar y transformar los indicadores existentes, y las intersecciones razonables entre los indicadores de datos pueden traer sorpresas inesperadas;

Se desarrollan indicadores de datos de referencia cruzada de diferentes industrias por otras industrias;

Práctica en profundidad para descubrir indicadores de datos más valiosos y significativos (esto es un poco descabellado...)

Objetivos del análisis de datos Los ajustes inevitablemente irán acompañados por cambios en los indicadores de datos. Respetar los hechos, buscar la verdad a partir de los hechos y comprender la importancia de los ajustes de los indicadores de datos y su posible impacto posterior en los productos, creo que esta es una actitud deseable hacia el cambio.

Si decimos que el cambio es sólo por cambiar, ignorando los hechos y reduciendo las expectativas, entonces ¿qué sentido tiene tal ajuste?

Filipinas Ralph-Lauren polo Ralph-Lauren polo Ralph-Lauren polo Ralph-Lauren polo Ralph-Lauren polo Ralph-Lauren polo Ralph Lauren polo Ralph Lauren polo Ralph Lauren polo Ralph Lauren polo Ralph Lauren polo Ralph Lauren Pascher La exactitud de los datos en sí afecta la exactitud de los resultados del análisis, por lo que es importante garantizar que la fuente de datos sea válida y confiable. El autor cree que no hay más de tres fuentes de datos:

Sistema de análisis de datos propio:

Los datos propiedad de la empresa son la mayor fuente de datos cualitativos y también son la más confiable y completo. En términos generales, los datos internos son la principal fuente de datos si las condiciones lo permiten, por supuesto, la mayoría de las pequeñas y microempresas empresariales exportan directamente datos de bases de datos o dependen de gerentes de productos para el procesamiento secundario.

Investigación cualitativa/cuantitativa:

¿Qué hacer si no tienes datos completos? ¿O los datos que desea analizar no se pueden contar? Bueno, levantar el teléfono, salir a la calle y repartir cuestionarios no es el camino a seguir. Los datos cuantitativos excluyen los factores de capacidad, mientras que los datos cualitativos absorben los factores de capacidad. De hecho, los datos cualitativos tienen muchas incertidumbres, pero también tienen una ventaja que otros indicadores de datos no tienen: la comunicación de carne y hueso con usuarios reales.

Instituciones de investigación profesionales:

Instituciones de investigación reconocidas, como: iResearch, Baidu Statistics, Econometrics, 199IT-Internet Data Center, etc. En términos generales, los datos de investigación estadística de estructuras autorizadas tienen un gran valor de referencia, pero no se pueden descartar por completo los factores subjetivos.

Filipinas ralph lauren polo ralph lauren polo ralph lauren polo ralph lauren polo ralph lauren polo ralph lauren polo ralph lauren polo ralph lauren polo ralph lauren polo ralph lauren pas cher

Análisis integrado de datos de desarrollo Sistema:

Los indicadores de datos requeridos se diseñan directamente en las funciones del producto a través de medios técnicos, que se pueden cuantificar periódicamente y generar y exportar directamente informes de BI.

Procesamiento manual de datos:

Al enfrentarse a metadatos en lugar de datos concluyentes ya preparados, los gerentes de producto solo pueden operarlos ellos mismos con la ayuda de diversas funciones de EXCEL. ¡Frente a datos masivos, la mente es muy importante!

Confía en una agencia de análisis:

Si eres rico, voluntarioso y capaz, contrata a alguien para que lo analice. Si dependes de otros para todo, el valor del gerente de producto desaparecerá instantáneamente...

Segmentación de mercado (Segmentación):

La segmentación de mercado se refiere al análisis de productos con ciertas ****. Se define una muestra para grupos de personas con las mismas características. La segmentación del mercado no se puede aplicar a productos de Internet. Tiene un significado de referencia positivo para cualquier industria y cualquier forma de producto.

Análisis de cohortes:

El análisis de cohortes nos proporciona una nueva perspectiva para comparar cambios en grupos similares a lo largo del tiempo. Nos permite observar patrones de comportamiento del usuario en diferentes etapas del ciclo de vida, en lugar de ignorar la naturaleza procesual del comportamiento del usuario.

Pruebas multivariadas:

Analiza múltiples factores simultáneamente y utiliza métodos estadísticos para aislar la correlación entre los factores que influyen individualmente y las mejoras en indicadores específicos en los resultados. Cambie varios aspectos de su producto al mismo tiempo para ver qué aspecto se correlaciona más con sus resultados.

Resumen

El núcleo del análisis de datos no reside en los datos en sí, sino en diseñar indicadores de datos significativos y valiosos, analizarlos a través de medios científicos y eficaces, y luego descubrir problemas y soluciones. optimizando iteraciones. El análisis de datos existe debido al valor, y el análisis de datos es un proceso de valor creciente. Independientemente de si el resultado del análisis es positivo o negativo, es portador de valor y debe afrontarse con una actitud objetiva. El análisis de datos es la herramienta más convincente para probar ideas de productos, pero si se ignora el pensamiento de las personas detrás del análisis de datos, el análisis de datos fundamentalmente perderá su significado.

El gurú de la gestión Peter Drucker dijo: "No se puede medir lo que se está haciendo". Drucker dijo: "Lo que no se puede medir, no se puede gestionar". El análisis de datos puede comprobar y equilibrar eficazmente los engaños internos de los gerentes de productos. A través del análisis de datos, puede ayudarnos a encontrar productos y mercados más adecuados, e incluso crear un modelo de negocio más sostenible, replicable y en continuo desarrollo.