数据收集与分析
数据收集与分析不是某类岗位的专有能力:经营决策、市场与竞品、用户研究、运营实验、技术观测,用的是同一套方法——先定义问题,再选择证据,最后把结论说清楚。
数据不是越多越好。方法的价值在于把"收集与分析"约束到具体问题上:没有问题的数据只是库存。
1. 方法主线
2. 适用场景
同一套方法在不同场景下的证据优先级不同:
| 场景 | 典型问题 | 主要证据 | 常用方法 |
|---|---|---|---|
| 经营与决策 | 增长放缓、利润下降的根因 | 定量为主 | 指标拆解、归因、对比 |
| 市场与竞品 | 是否进入、如何定位 | 定量 + 定性 | 市场数据、竞品拆解、专家访谈 |
| 用户与需求 | 用户为什么流失、怎么使用产品 | 定性为主 | 访谈、可用性测试、行为日志 |
| 运营与实验 | 活动或改版是否有效 | 定量 + 实验 | 对照实验、前后对比、漏斗 |
| 技术观测 | 系统为什么变慢、故障根因 | 定量 + 定性 | 日志、链路追踪、故障复盘 |
| 政策与舆情 | 环境变化带来什么风险 | 二手 + 定性 | 公开数据、文本分析、交叉验证 |
场景决定证据优先级,而不是手头有什么数据就做什么分析。
3. 章节
| 环节 | 页面 | 回答的问题 | 主要产出 |
|---|---|---|---|
| 问题与研究设计 | 问题与研究设计 | 要回答什么、需要什么证据、样本怎么选 | 研究方案、证据清单、采集计划 |
| 采集方法 | 采集方法 | 用什么渠道采集、怎么控制偏差 | 采集记录、访谈与问卷材料、系统数据 |
| 处理与质量 | 处理与质量 | 数据怎么变可信、定性资料怎么整理 | 清洗规则、口径说明、编码表、质量报告 |
| 分析与结论 | 分析与结论 | 用什么方法、结论是否站得住 | 结论、证据、置信度与边界 |
| 表达与反馈 | 表达与反馈 | 给谁看、怎么推动行动、效果如何 | 简报、报告、看板、复盘记录 |
4. 四条原则
- 先问题后数据:每个采集项都能追溯到要回答的问题;
- 来源可核验:每条结论标注来源、口径与时间,区分事实与推断;
- 结论带边界:写清适用范围、置信度与反例,不用单一数字下结论;
- 结果要回流:行动执行后的结果回到下一轮设计,而不是报告发完即止。