阿里巴巴菜鸟级数据产品经理半年回顾总结篇
干货教程:如何绘制业务流程图(二)
干货教程:如何绘制业务流程图(一)
技术贴:如何在数据库中秘密地查询隐私数据
攻略教程:信息图(infographic)是怎么做出来的?
分析师一定要看!用数据讲故事的五个步骤
技术篇:怎样玩转千万级别的数据?
北漂书生:大数据时代SEO数据如何搜集和分析
干货,从十大问题重新认识并读懂互联网
相似图片搜索、算法、识别的原理解析(下)
相似图片搜索、算法、识别的原理解析(上)
制作信息图时请遵循这10条原则
提高表格可读性的一些技巧,适用于Excel、PPT等数据报表
实用教程:如何让Excel图表更具“商务气质”?
一张数据信息图是这样制作完成的
菜鸟读财报,如何从上市公司财报中挖情报?
北大数据分析老鸟写给学弟们一封信
如何一步一步制作出高品质数据信息图?
总结:海量数据分析处理的十个方法
【实战经验】数据分析师如何了解老板真正想法?
零售业数据分析那些事儿
数据分析时l常用电子表格公式【大全】
用数据来告诉你 上市公司财报的秘密
这12个数据能 帮你搞定淘宝店铺
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(四)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(三)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(二)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(一)
淘宝网店从激活到挽留,4步走玩转数据营销
文案怎样写才有意思、不空洞、打动人?
入门级扫盲贴:数据分析的步骤有哪些?
关系即数据,论社交媒体的关系转换
数据的力量,苹果教你用数据鄙视竞争对手
谁说文科生不能做数据分析?数据分析入行→技能提升→优势
产品运营数据分析——SPSS数据分组案例
如何追踪iPhone和iPad等移动设备的用户行为数据?
阿里巴巴中国站:用户满意度指标权重计算方法
广告中的AdNetwork、AdExchange、DSP、SSP、RTB和DMP是什么?
信息图制作教程:关于数值的表现
为什么大数据会如此轰动?(值得深度的文章)
多图技术贴:深入浅出解析大数据平台架构
面板数据分析中标准误的估计修正——根据Peterson (2009)的归纳
财务官、投资人、CIO看过来:给企业数据定价
推荐系统中常用算法 以及优点缺点对比
探索Weotta搜索引擎背后的大数据技术
如何识别虚假数据?
为什么我们像驯化小狗那样驯化算法
程序员必须知道的10大基础实用算法及其讲解
电子商务:最影响转化率的九大要素
如何迅速成为一名数据分析师?
想从事大数据、海量数据处理相关的工作,如何自学打基础?
如何用亚马逊弹性MapReduce分析大数据?
译文:机器学习算法基础知识
给hadoop新手的一封信:Hadoop入门自学及对就业的帮助
从入门到精通,我是这样学习算法的
小商家,从老客户身上获取的数据才更有意义
13页PPT讲述:大数据下网站数据分析应用
40页PPT详解:京东大数据基础构架与创新应用
67页PPT解密搜索引擎背后的大技术:知识图谱,大数据语义链接的基石
营销洞察力——10个营销度量指标
技术篇:前端数据之美如何展示?
董飞:美国大数据工程师面试攻略【PPT】
easel:如何制作好的信息图——来自专家的顶级技巧
大数据实操:以3D打印机为例,如何知道卖点有没有市场需求?
大数据建模 需要了解的九大形式
用户画像数据建模方法
从规划开始,公司or企业如何入手和实施大数据?
干货:商品信息数据分析和展现系统的设计与开发
高手教你用Excel制作百度迁徙数据地图
50篇干货:淘宝店/电子商务如何玩转数据分析?
精华索引:大数据实际应用案例50篇
验证最小化可行产品 (MVP) 的 15 种方法
干货:数据分析师的完整知识结构
大数据技术Hadoop面试题,看看你能答对多少?答案在后面
用SPSS做数据分析?先弄懂SPSS的基础知识吧
怎样做出优秀的扁平化设计风格PPT? 扁平化PPT设计手册#3
解答│做大数据过程中遇到的13个问题
40页PPT│社交网络发展的新动力:大数据与众包
以Amazon、豆瓣网为例,探索推荐引擎内部的秘密#1
怎样做出优秀的扁平化设计风格PPT?#2
怎样做出优秀的扁平化设计风格PPT?#1
36页PPT│大数据分析关键技术在腾讯的应用服务创新
如何丰满地做SWOT分析?
【35页PPT】TalkingData研发副总阎志涛:移动互联网大数据处理系统架构
27页PPT|以珍爱网为例,如何构建有业务价值的数据分析系统?
国外数据新闻资源分享
21页PPT重磅发布:Mariana——腾讯深度学习平台的进展与应用
从0到100——知乎架构变迁史
PPT解读:百度大数据质量保障方案探索
45页PPT|大数据环境下实现一个O2O通用推荐引擎的实践
从数据看豆瓣兴衰
深度学习系列:解密最接近人脑的智能学习机器——深度学习及并行化实现(四)
重磅推荐:129页PPT讲述移动时代创业黄金法则 via:腾讯企鹅智酷
重磅推荐:大数据工程师飞林沙的年终总结&算法数据的思考
OpenKN——网络大数据时代的知识计算引擎
大数据下城市计算的典型应用
技术贴:大数据告诉你,如何给微信公众号文章取标题?
你的QQ暴露了你的心——QQ大数据及其应用介绍PPT
如何从企业报表看企业的生存能力?
实用的大数据技巧合集
技术帝揭秘:充电宝是如何盗取你的个人隐私的?
重磅!50页PPT揭秘腾讯大数据平台与推荐应用架构
原创教程:饼图之复合饼图与双层饼图(1)
PPT:大数据时代的设计特点——不了解这个你做不了今天的设计
教程贴:如何用方程式写春联?
原创教程:如何用Excel制作简易动态对比图
深度译文:机器学习那些事
教程帖:数学之美——手把手教你用Excel画心(动态图)
董老师走进斯坦福,聊聊硅谷创业公司和大数据的事儿(附课件PPT下载)
【限时】年度钜献,108个大数据文档PDF开放下载
董飞专栏:大数据入门——大数据相关技术、Hadoop生态、LinkedIn内部实战
亿级用户下的新浪微博平台架构
一张图了解磁盘里的数据结构
浅析数据化设计思维在阿里系产品的应用
美团推荐算法实践
一个P2P创业公司有哪些部门,都是做什么的?
一个P2P平台的详细运营框架是怎样的?
机器学习中的算法——决策树模型组合之随机森林与GBDT
神经网络简史
58页PPT看懂互联网趋势,大数据/物联网/云计算/4G都有了
广点通背后的大数据技术秘密——大规模主题模型建模及其在腾讯业务中的应用(附PPT)
微信红包之CBA实践PPT——移动互联网海量访问系统设计
一文读懂机器学习,大数据/自然语言处理/算法全有了……
搜狐新闻客户端的背后大数据技术原理——推荐系统(PPT)
原创教程:用Excel做动态双层饼图
半小时读懂PMP私有广告交易市场
怎样分析样本调研数据(译)
PPT:支付宝背后的大数据技术——DataLab、Higo的实践及应用
大数据技术人员的工具包——开源大数据处理工具list(限时下载)
计算机视觉:随机森林算法在人体识别中的应用
24页PPT:机器学习——支持向量机SVM简介(附下载)
互联网高手教你如何搜集你想要的信息
深度:对地观测大数据处理、挑战与思考
原创教程:用Excel做饼图之复合饼图与双层饼图(2)
移动大数据时代: 无线网络的挑战与机遇(附pdf下载)
Excel使用技巧——25招必学秘技
【年度热门】加上这些 Excel 技能点,秒杀众人(多图)
原创教程:用Excel做纵向折线图
知识图谱——机器大脑中的知识库
何明科专栏:用数据化的方式解析投资条款
DT时代,如何用大数据分析创造商业价值(23页PPT)
MIT牛人梳理脉络详解宏伟现代数据体系
你的老婆是怎么算出来的?揭秘佳缘用户推荐系统
飞林沙:商品推荐算法&推荐解释
PPT:如何成为真正的数据架构师?(附下载)
开源大数据查询分析引擎现状
董飞专栏:打造数据产品必知秘籍
译文:如何做强大又漂亮的信息图
如何使用Amazon Machine Learning构建机器学习预测模型
如何运用数据协助货架管理(内附26张PPT)
SVM算法
主流大数据系统在后台的层次角色及数据流向
PPT:阿里全息大数据构建与应用
人脸识别技术大总结——Face Detection & Alignment
教程:用Excel制作成对条形图
易观智库:大数据下的用户分析及用户画像(18页PPT附下载)
技术向:如何设计企业级大数据分析平台?
电商数据分析基础指标体系
IBM SPSS Modeler 决策树之银行行销预测应用分析
拓扑数据分析与机器学习的相互促进
基于 R 语言和 SPSS 的决策树算法介绍及应用
用php做爬虫 百万级别知乎用户数据爬取与分析
另类新浪微博基本数据采集方法
以10万+阅读的文章为例 教你做微信公众号的运营数据分析
破解数据三大难题:变现?交易?隐私?
微店的大数据平台建设实践与探讨
阿里巴巴PPT:大数据基础建议及产品应用之道
基于社会媒体的预测技术
人工智能简史
技巧:演讲中怎样用数据说话
马云和小贝选谁做老公?写给非数据人的数据世界入门指南
掘金大数据产业链:上游资源+中游技术+下游应用
原创教程:手把手教你用Excel做多层折线图
销售分析:如何从数据指标发现背后的故事
如何一步步从数据产品菜鸟走到骨干数据产品
也来谈谈微博的用户画像
行走在网格之间:微博用户关系模型
如何拍出和明星一样美爆的自拍照?斯坦福大学用卷积神经网络建模告诉你
运营商如何玩转大数据? 浙江移动云计算和大数据实践(PPT附下载)
大数据分析的集中化之路 建设银行大数据应用实践PPT
腾讯防刷负责人:基于用户画像大数据的电商防刷架构
创业提案的逻辑
友盟分享 | 移动大数据平台架构思想以及实践经验
寻路推荐 豆瓣推荐系统实践之路
“小数据”的统计学
重磅!8大策略让你对抗机器学习数据集里的不均衡数据
小团队撬动大数据——当当推荐团队的机器学习实践
微博推荐架构的演进
科普文 手把手教你微信公众号数据分析
信息图制作的六个注意点
【权利的游戏】剧透新玩法:情理之中?意料之外
推荐系统(Recommender System)的技术基础
核心算法 谷歌如何从网络的大海里捞到针
Quora数据科学家和机器学习工程师是如何合作的
阿里巴巴PPT:大数据下的数据安全
数据建模那点事儿
全民拥抱Docker云–Lhotse系统经验分享
实时股票分析系统的架构与算法
架构师必看 京东咚咚架构演进
什么叫对数据敏感?怎样做数据分析?
推荐系统基础知识储备
刘德寰:数据科学的整合与细分 数据科学的七个危险趋势(视频)
实际工作中,如何做简单的数据分析?
分布式前置机器学习在威胁情报中的应用(附PPT下载)
数据科学 怎样进行大数据的入门级学习?
扛住100亿次请求 如何做一个“有把握”的春晚红包系统?(PPT下载)
从 LinkedIn 的数据处理机制学习数据架构
大数据会如何改变管理咨询公司(I)
优秀大数据GitHub项目一览
生硬的数字和数据新闻:这么近,那么远
经典大数据架构案例:酷狗音乐的大数据平台重构(长文)
揭秘中兴大数据在银行领域的系统部署
基于大数据的用户画像构建(理论篇)
【R】支持向量机模型实现
数据图处处有陷阱?五个例子教你辨真伪
如何用R绘制地图
你确定你真的懂用户画像?
数据模型需要多少训练数据?
【接地气】01 数据报表的颜色怎么配
游戏价值和数据分析新思路
【R】异常值检测
快的打车架构实践
豆瓣还是朋友圈:大数据、新方法和日常问
PPT数据图表,怎么做才好看?
大道至简的数据体系构建方法论
数据的误区及自身业务
新浪微博的用户画像是怎样构建的?
面试干货!21个必知数据科学面试题和答案part1(1-11)
易观智库:中国大数据产业生态图谱2016(附下载)
Airbnb的数据基础架构
50PB海量数据排序,谷歌是这么做的
大数据时代工程师如何应对–今日头条走进硅谷技术讲座
D3.js教学记(下)
D3.js教学记(上)
飞林沙:企业级服务公司如何赚钱?只有平台级产品才有大数据的理论
一个母婴电子商务网站的大数据平台及机器学习实践
7大板块 组成数据分析师的完整知识结构
干货:SaaS领域如何分析收入增长?
学术 | 词嵌入的类比特性有实用意义吗?
6个用好大数据的秘诀
一个数据库外行眼中的微信优化 (附专家补充)
大数据调研,如何实现快全准?
数据大师Olivier Grisel给志向高远的数据科学家的指引
数据堂肖永红:数据交易的是使用权或数据的增值,而不是数据本身(PPT附下载)
淘宝商品详情平台化思考与实践
刘译璟:百分点大数据理念和实践(图文+PPT下载)
如何快速搞定一份看起来还不错的演示文档?
【BABY夜谈大数据】决策树
数据驱动设计:数据处理流程、分析方法和实战案例
美图数据总监:Facebook的法宝,我们在产品中怎么用?
树的内核:量化树结构化数据之间的相似性
拿到用户数据之后,LinkedIn怎么赚钱?
GrowingIO张溪梦:增长黑客的核心 企业应该重视产品留存率(附PPT下载)
[译]Airbnb是如何使用数据理解用户旅行体验的?
微博推荐数据服务代理: hyper_proxy的设计和实现
星图数据谷熠:消费领域DaaS 大数据重构未来商业游戏规则(附PPT下载)
鲍忠铁:TalkingData大数据技术与应用实践(PPT下载)
【干货教材】数据分析VS业务分析需求
九枝兰专访:数字营销的核心—企业如何使用数据管理平台(DMP)进行精准营销
我们的应用系统是如何支撑千万级别用户的
R应用空间数据科学
Excel进行高级数据分析(上)
Excel进行高级数据分析(下)
国内各大互联网公司2.0版技术站点收集
网站数据分析思路导图
大数据分析报表设计开发要素
大数据需要的12个工具 推荐
YARN/MRv2 Resource Manager深入剖析—NM管理
YARN/MRv2 Resource Manager深入剖析—RMApp状态机分析
Hadoop 1.0与Hadoop 2.0资源管理方案对比
Hadoop 2.0中单点故障解决方案总结
Hadoop 2.0 (YARN)中的安全机制概述
Hadoop 新特性、改进、优化和Bug分析系列1:YARN-378
Hadoop 新特性、改进、优化和Bug分析系列2:YARN-45
Hadoop 新特性、改进、优化和Bug分析系列3:YARN-392
Hadoop版本选择探讨
探究提高Hadoop稳定性与性能的方法
《Effective C++》读书笔记(第一部分)
Hadoop分布式环境下的数据抽样
Hadoop计算能力调度器算法解析
如何编写Hadoop调度器
数据结构之红黑树
Hadoop pipes设计原理
《C++ Primer plus》学习笔记之”类”
《C++ Primer plus》学习笔记之”类继承”
《C++ Primer plus》学习笔记之”C++中的代码重用”
《C++ Primer plus》学习笔记之”异常”
《C++ Primer plus》学习笔记之”RTTI”
Hadoop pipes编程
Hadoop Streaming高级编程
《C++ Primer plus》学习笔记之”标准模板库”
《C++ Primer plus》学习笔记之”输入输出库”
Linux Shell 命令总结
算法之图搜索算法(一)
awk使用总结
素数判定算法
《C++ Primer plus》学习笔记之“函数探幽”
使用Thrift RPC编写程序
如何在Hadoop上编写MapReduce程序
怎样从10亿查询词找出出现频率最高的10个

美图数据总监:Facebook的法宝,我们在产品中怎么用?

于2017-04-01由小牛君创建

分享到:


作者 :Fan

原文 http://www.leiphone.com/news/201603/agZONKBgfIPXtYFO.html

【编者按】如果看过前FB工程师覃超的( 《关于神秘的Growth Hacking,Facebook都做了什么?(中)》 )的朋友应该对于里面Facebook首页和人人网首页改版的例子印象深刻。这里Facebook使用的一大法宝就是灰度发布和 A/B testing,让Facebook的日活达到了10亿用户。本文作者 Fan,在美国卡耐基梅隆大学完成博士阶段学习,曾任职Facebook与Google Switzerland,专注于广告与推荐排序的研发。2015年底加入美图公司担任数据总监。文章来自Fan的线下数据交流会的分享,介绍了美拍是如何做好数据驱动的。

大家好!很高兴能有这个交流的机会。准备这次主题的时候,我想的是去了解大家对产品中的数据指标是否熟悉,以及在日常研发的过程中怎样与数据打交道。所以我针对我们的主打产品美拍做了一个关于数据的简短调研,今天也结合自己之前的工作经验讲讲这个调研的过程、结果和体会,希望能对大家有所帮助。

| 通过数据来佐知——美拍的基础数据

“Data-informed and data-driven”这个题目来自选择到Facebook工作之前交流时的一个问答。我的问题是 “有的公司是数据驱动的,有的公司是得益于创新的设计,那么对FB最重要的一个方面是什么?”回答的一部分谈到了数据,因为印象比较深,所以就借用过来——“不同的领域对待数据的方式各异,比如广告后台的迭代改进更加需要数据驱动,而开发一个全新的产品可能更多需要对数据有所感知,即是在产品方面有要个做什么的想法时通过数据来佐知我们的观点。

既然是要讲产品研发中的数据,我也就通过收集一些数据来让自己明了。

我关注的产品是美拍,因为它是我们最受欢迎的应用产品之一,不仅数据的种类丰富,总量也很大。除了用户注册、活跃、访问数和一些简单的交互,作为一个短视频分享的服务,美拍特有的数据就包括用户的上传、播放、搜索,对一个视频的点赞、评论、转发,以及用户和用户的交互,包括评论的回复、关注、私信等。美拍的用户可以分为明星、达人和众多普通的用户。用户也会根据自己的兴趣选择不同的频道。这里面有很多很丰富的数据,为了支持这些体验,数据部门的职责之一,就是通过个性化的推荐让用户更容易看到自己喜欢的视频和关注到感兴趣的发布者。

美拍的数据从一些基本的数字看起,比如每日、每周、每月的活跃用户数,每天的新增用户数和留存比。留存的定义是,如果今天新增的用户明天仍然用到了美拍,则计入今天的次日留存,类似的用户在未来一周内至少有一天活跃则计入今天的周留存。另外的数字包括播放总数和播放时长等。统计的总数可以来自客户端,或者包括客户端、移动端与非移动端的网页版的总数,来源是美图的统计后台以及第三方平台。

| 美拍数据调研与结果简述

在准备好这些数字之前,我想到可以在自己不知道标准答案的时候找负责美拍的技术、产品、运营的同学做一个相关的调研。于是就准备了单页的问卷打印出来,到每人的工位旁打扰他们15分钟来做访谈,最后一共有17位同学参与。

在谈到调研结果前先谈下过程中的体会。

首先是数据收集的过程中要考虑到可行性与代价。 比如在调研中问一些很细节的或者目前后台没有加入统计的数据指标,可能不会有信息量。 在研发中类似的情况比如说在设计推荐和排序用到的特征时,优先级不仅取决于该特征可能产生的效果,也依赖于产生特征需要的数据能否在保证性能的前提下获得。

其次是关于测量方式,尤其是在有多个相关的指标时如何做选择,比如这次调研中的一个问题是平均每日用户对视频点赞的总数,如果换一个方式,每天的活跃用户的平均点赞数,由此推出的答案非常可能会与前一种问法有差异。类似的情况在技术实践中也时常遇到,比如测试性能的时候就不仅仅需要了解一个请求延迟时长的平均数,相应的百分位数p50, p95, p99都是常见的指标。

最后有一句话是 “Done is better than perfect”, 也就是说在一次访谈还没做之前去花时间纠结怎样把问卷设计的更完美,不如在过程中迭代改进。事实上访谈问卷经过前几次访谈后做了一次简化,很大提升了后面完成的效率。

下面是经过可视化处理的数据,每一行对应一个数据指标,每一列对应一份问卷。上面的颜色用来指示答案的准确程度,越接近真实值颜色越深。可以清楚的看出有一些指标的颜色更深,尤其是最下方的两排,分别对应每周和每天的活跃高峰期。大多数同学对这两个指标的了解都相当准确。

调研结果
本段后的两排单独列出日、月活跃用户数两项指标。日活被了解的比月活更多。这可能是因为目前月活数通常是按照自然月统计,尽管它还可被定义为过去30天内的活跃用户数。另外,美图统计后台和第三方平台的计算方法也有所不同,在问卷中没有明确数据源也造成了一定的误差。

两排单独列出日、月活跃用户数两项指标
另外有意思的比较是上传数和播放数的回答情况。作为短视频的分享平台,美拍的播放数和播放时长是比上传数更有意义的指标——尽管它们都彼此相关——因此播放数被关注和了解的更多。如果美拍仅仅是一个视频处理工具,那么上传数就会是关键指标了。

上传数和播放数的回答情况

| 调研体会:前提是准确、理解应一致

下面就不再每项指标的去罗列,而是以调研中遇到的情形谈谈数据分析中的几点体会。

首先是数据工作的前提是准确。

无论是用于报表分析、推荐算法或是这次分享,收集得到的数据指标应该与定义相一致。比如下面的曲线左边是三个星期的注册数,其中有一个是前后平均值两倍的高峰,这个是真实的增长吗?如果再看右手边同时段内手机号的注册数占总注册数的比例就会发现有5倍的增长,这样大的增幅相当可疑。真正的成因是某个旧版本被刷了注册数,多出来许多虚假账户,当问题解决时指标水平又恢复正常。 对这个具体的例子,可以根据平日手机号注册所占的比例修正得到基本准确的注册总数。其他情形如统计算法或数据源的bug就无法能通过简单的数据清理而解决。

在迭代上线的时候,A/B测试实验有时会看到意外的结果 ,可能是意外的好也可能是意外的坏,意外的坏常常在分析时比意外好的情形更得到重视。但从数据准确性的角度而言,意外的好与意外的坏是相同的情况,只有在确认数据正确解决了可能存在的问题之后,意外的好才会是真的提升。

A/B测试实验1 A/B测试实验2
同样重要的一点是大家对于数据指标的理解是否一致。

举个在之前的公司的例子,产品广告质量中用到一个产品“参考价格”的概念。这个概念非常直观,大家都喜欢用,可是在之后的沟通中的过程中会因为彼此的理解不同造成问题,比如它可以指产品价格的中位数,即于大多数商家选择的价格接近,也可以指在有信誉商家所提供的最低价格。对于美拍而言, “有效播放”也是个模糊的概念,可能存在各自有价值的几个相关的指标,比如播放长度是超过几秒,或者是超过视频长度的百分之多少,能尽早分别定义、命名清楚能够避免后续的混淆。

| 调研体会:数据分布、界面的影响与及时的指标测量

数据还能够帮助我们了解进展与建立优先级。

对一个快速发展的产品而言,可以优化的点很多,想法也就更多了,然而资源和时间是有限的。了解重要指标的数据分布可以是一个入手点,比如如果目标是增加美拍的总播放数,那么就可以先了解哪个频道的播放数占的比例最高。除此之外,具体的比例数据的绝对大小也不应该忽略。之前工作中曾经做过一次实验,希望上线的测试组比对照组的各项指标均没有明显变化,但转化数有1%的统计显著的增长。因为转化数是产品广告质量非常相关的一个指标,起初这个结果看着很不错。因为转化数的绝对值没有在界面中显示,等查到发现1%的增长只对应少几百个时,就进一步调查得知这个转化数指标的统计是依赖商家主动报上来的,很不完全,所以1%的增长对实际效果的影响并不能得出明确的结论。

另外一个体会是关于界面的。

用户界面的改变可能对下游的数据产生极大的影响,而一个好的设计对主要指标的贡献的程度会是后台迭代中很难见到的。比如在用户添加好友时取消确认框能够把损耗率降低两位数的百分点,而提升广告CTR的有效途径是设计吸引人的创意。与界面相关的特征也是机器学习模型的重要输入,而当用户界面有较大变更时,相应的A/B测试会需要独立的模型,这不仅仅因为有这些特征的存在,也是因为组成其他特征的数据分布和目标函数的分布都会有显著变化。

还有一句话是“If you can’t measure it, you can’t fix it”。

就是要求先发、及时的数据测量,如果问题无法测量,那也失去了解决的途径。这次调研其实有一些重要的用户体验数据没有包括在内,比如和用户使用体验很相关的平均视频加载时间及其分布。还有一些分解的指标没有加到现有的统计后台中,后面会尽快补上。

| 结语

大数据是现在常听到的一个词,甚至被用得有些过头了。拥有海量、多样的数据确实有很大潜在的价值,但要用好还是要定义、采集、存储、清理等一个个环节入手,才能为之后的分析、推断、预测提供可靠的基础。

数据感知的前提是:数据是有的;数据是正确的;理解是相一致的;在哪儿是找得到的;怎样变化是看得来的。而数据驱动则要求数据收集、处理和应用的整个过程都能够及时(甚至实时)而有效,这需要数据相关的上下游团队的共同努力。数据之所以有用是因为当产品够大时就不存在一个典型用户。A/B测试就是说明这点的很好的例子。每个人在做决定的时候会代入自己的判断,而良好设计的实验得到的客观指标,能够指引我们做出有依据的选择。从另一个角度讲,虽然数据是提升用户体验的一个指标,但总有它的局限性,例如依赖不完整的数据测量可能无法做出最优的选择。而用户的信任取得难失去易,从数据的角度而言就是要格外注意数据的隐私,这是非常重要的!

via:tuicool

End.