日思录（18.5.18）【设计方法论2】

Theme:user research—data thinking

    用户研究中的数据思维就是将业务问题转化为数据可分析问题的思维能力；

    将业务问题转化为数据可分析问题首先在于要能提出需求。而提需求恰恰需要公司高层决策者就产品改进的方向，产品的定位等给一个大方向，这一点在实际商业活动中并不容易。听樊登讲《数据思维》一书时，王汉生老师说，他们有一次去一家大公司调研，座谈会上，王老师问到该公司大数据部门具体能做什么事时，部门负责人神气地说我们的数据分析为公司所有业务服务。话一落到，另一个部门的负责人冷不丁地接到，我觉得大数据分析对我们就没用（当面打脸）。数据部门负责人急道，那你提需求，你提需求我就能给你解决。对方也不相让，“我不会提需求”……该例子从侧面说明大数据分析与实际业务存在断层，即如何使数据分析对现有业务（特别是核心业务）产生价值，是数据分析务实的关键。同时也说明，将业务过程中的具体问题转化为数据问题，即提需求，特别重要。

    数据分析从大方向上来说都是回归分析，回归分析是确定两种或两种以上的变量间互相依赖的定量关系的一种统计分析方法，就是要找到事物之间的关系，比如当我们新上线一个产品时发现用户转化率严重降低，那么我们就要通过各种数据找到是哪些因素导致用户转化率降低了，是新上线的产品注册页面不符合用户以往习惯导致用户操作不便而放弃，还是产品为了营收植入的广告让用户不胜其烦一怒之下卸载了我产品。利用回归分析，我们就要找到因变量Y（用户转化率降低）和原因X（是注册页面的设计问题，还是植入的广告问题）间的关系。如果将回归分析说得理论点，那么：因变量Y：因为别人的改变而改变的变量，这是业务的核心诉求。自变量X：用来解释因变量Y的相关变量，通俗点说，自变量X的改变，影响了因变量Y的变化。（X表现了数据分析者对业务的洞见。）值得注意的是，我们找到的Y与X的关系大多数是相关关系，而非因果关系。实际上因果关系很难把握，必须做很多双盲实验，A/B测试等，而因果关系的把握很好的便于我们决策！

    最后一点，数据分析常常涉及预测，而数据预测不准是常态。因为我们的着重点不是竭尽所能去尽可能地预测得更加准确，而且通过产品，商业等手段将这个不准确产品化，产生价值；就像测谎仪本身并不能测出一个人是不是真正说谎，它只是一个工具，并不能完全解决一个问题，但我们可以结合其他手段，比如用测谎仪观察被试说谎时其生理心理指标，明了了人说谎时哪些指标会发生变化，再去测谎，就靠谱多了。数据分析，以及仪器（如眼动仪）并不能一劳永逸地解决我们的问题，我们不应该将其神化，认为其就是一个技术突破，能完整地解决我们当下的问题。同时当我们发现这些东西仅仅只能测出我们的一些指标，也不能轻视了它们。而应该将它们做为我们解决问题的一个有力工具，辅助以其他方法，就会产生巨大的价值！