百科 | 常用的几个数据使用方式

互联网需要进行数据观察的领域十分广泛，每个细分领域都有不同核心的绩效考核，我们需要根据核心目标拆分背后的影响因素，有针对性地提出数据需求，制定数据报表，通常数据的使用方式分为如下情况：

常规数据报表主要用于需要长期持续观察的核心数据。

当常规监控的核心数据项发生超阈值波动或趋势性波动时，通常会触发专题分析，并根据分析结果采取相应对策，便于推动数据回到常规范围。

专题数据分析通常按专题的主要影响因素确定数据项，拆分观察维度，抓取多维度数据，对某个专题目标进行分析，找到影响因素所在的数据维度，得出结论，指导后续动作。

3. AB测试

产品经理经常纠结于当上线了某一个功能或者频道后，目标数据出现了某种变化。但因为变化背后的影响因素实在太多，例如时间因素导致的差异、竞争对手的动作、季节性因素等等，核心数据的波动很容易被这些综合因素影响。

运营也常有类似的诉求，比如引导文案做了一些调整，数据出现了波动，但是很难确定究竟是多大程度为该特定运营动作的效果。

上述情况下，最好的方法就是做AB测试。

（有关于AB测试的注意事项，我们之前也介绍过：百科 | 5个实际使用AB测试中的关键事项）

取两个数据集，在数据集样本的选取中对各种影响因素做均匀的随机分布，如地域、用户群体特性，并对其中一个数据集实施特定产品功能或运营动作，在同一时段中，观测目标数据在两个测试集上的差异，从而精确判定待观测动作的准确效果。

为了确保统计效果的准确性，需要有较大的样本量和统计时长。如果某一个样本中存在少数对均值影响巨大的样本，例如一个金额巨大的订单，则需要排除，以减少偶然性带来的偏差。

这是个大数据的时代，差异巨大的用户群体面对海量的商品和选择，“千人一面”带来的糟糕体验已不再适用，每个用户在系统中都会留下自己的线索和足迹，体现自己在商品品类、价格段、品牌偏好等方面的阶段性需求。

系统可以通过数据有效发现当前用户的当前需求，进行有效的推荐，而用户也会感受到系统知道我想要什么，产生良好的购物体验。

数据是千人千面的基础，通过机器学习和算法设计，让系统在各个模块中进行智能化推荐，自动组装匹配当前用户的场景，是数据使用的最重要方式之一。

发布者：调研工厂，转载请注明出处：https://baike.survey.work/f7da98ea7f/