百科 | 在可用性测试中，如何去评估测试的场景或流程呢？

高效的数据分析方法不是马上就能学会的，但是可以通过快速学习掌握基本的要领。简单介绍几个分析数据的方法和习惯：

1．重视分析的简单性

产品数据分析的重点不是分析，但你还是需要分析，只是它的故事和基于数据的推荐真的很重要。

复杂的分析造成的混乱将导致获得完全相反的结果，如果你的分析是不清晰的，工程师就不能快速通过你的分析获得知识，那么你的分析就会失去价值。

关于数据分析的影响力的最终测试是根据工程和投资行为的改变程度，所以更应该令数据分析变得容易，方便人们使用，得以实现改变。

百科 | 在可用性测试中，如何去评估测试的场景或流程呢？

2．重视数据的来源

一定时间里看更多的数据可以给你在分析上更多的信心，但是遥测或日志作为单一的传递途径会被捕捉到的特性所限制。

你需要的是其他数据源，可以是所有被登记在某处的SQL操作记录，或者是有工具可以从你的用户那里获得日志样本，更多的数据源也会让你确定你的故事是否一致。

3．重视熟悉的工具

你希望工具变的容易，能够被人们所使用并得到自己想要的改变，但是改变不是这么容易的。

百科 | 在可用性测试中，如何去评估测试的场景或流程呢？

4．相比信任，更加重视CUSS

中心：数据的总体趋势所在

异常特征：有缺失的数据点?离群值?集群?

传播：数据产生哪些变化？

形状：如果你来绘制数据，数据的形状是什么？

5．软件的实际工作更重要

产品数据分析的优点是看到实际用户使用你的软件产品的足迹，有时你会得到一个很好的的足迹，但也有可能得到的部分足迹让你的调查更加困难。无论如何，遥测和日志的足迹都是现实的反映。

架构知识是伟大的资产。但是，遥测和日志通过确凿的证据告诉我们实际发生了什么，结果并不是我们希望看到的。

数据分析工作常见的错误规避技巧

大部分的数据科学家在处理大数据时假设相关关系直接影响因果关系，使用大数据来理解两个变量之间的相关性通常是一个很好的实践方法，但总是使用“因果”类比可能导致虚假的预测和无效的决定。

大部分的数据科学家专心学习数据分析的方面的技术，即使开发了一个最优秀和最好的机器学习模型，它也不会大叫说“尤里卡”——所有这些所需要的是结果的有效可视化，可以理解数据模式的不同，和意识到它的存在可以被利用来获得商业成果。

由于几个因素，模型的预测能力往往会变弱，因此数据科学家需要确定一个常数，用以确保模型的预测能力不能低于可接受的水平。为了保留已建模型的预测效果和有效性，选择迭代周期是非常重要的，如果做不到，可能会导致错误的结果。

数据科学家经常给与数据太多决策制定的权力，他们不够重视发展自身商业智慧，不明白分析如何令企业获益。

数据科学家应该不仅仅让数据说话，而且善于运用自身的智慧，数据应该是影响决策的因素而不是数据科学项目决策制定的最终声音。

数据科学家经常倾向性忘记方案的可能性，这将导致作出更多的错误决策。数据科学家经常犯错，对于特定的问题没有唯一的答案，因此要确认数据科学家从不同可能性中所做的选择。

建立该模型不仅要考虑那些具有高度影响力的客户的行为数据，也要考虑那些不怎么有影响力但是具有潜在影响力的客户的行为数据，低估任何一边人口的预测力量都可能导致模型的倾斜或者一些重要变量的重要性下降。

END

调研工厂丨https://survey.work

戳“阅读原文”进入官网免费使用~

发布者：调研工厂，转载请注明出处：https://baike.survey.work/d2c38f1fe0/