数据人圈子来啦！
数据人圈子介绍
“数据人圈子”是一个知识交流社区。
(资料图片仅供参考)
有来自各大厂的 6 位“大咖”坐镇，圈子里的小伙伴可向大咖提问，与同行交流，随时查看直播回放，共享行业资料，获取内推机会，还有专属社群哦~
6 位大咖和负责的方向是：李凯东（策略算法，增长运营），小风（埋点数仓），小诺（求职职场），大鹏（数据产品），草帽小子（画像标签），鲸歌（数据分析）。
>>
数据人精彩问答节选来了！
我们每期会从数据人圈子里节选几个精彩问答至公众号，供大家学习。
“数据大佬，在线答疑，就等你问。”如果你有工作上的问题或想看更多精彩内容，欢迎文末扫码加入~
本期我们对比了ChatGPT和嘉宾老师的回答，快来看看吧！
快来看看本期的 3 个问答吧：
Q1
做标签画像系统时，标签质量如何评估？
ChatGPT 从算法标签的质量评估方面进行了详细的解答。
草帽老师从数据质量和应用质量这两个方面对问题做了详细的解答，并增加实例，帮助提问者更好理解。
对标签进行质量评估可分为 2 方面：标签数据质量、标签业务质量。
1、标签数据质量包含 2 个方面：标签覆盖率、标签准确率。
标签覆盖率=标签覆盖量/全量用户，如年龄的覆盖率为 50%，则说明有 50% 的用户不知其年龄，需想方设法进行补充；
标签准确率一般是算法标签需要评估，一般算法标签的准确率需高于某个值，才能上线使用，如高于 80%。
2、标签应用质量主要包含2个方面：标签热度、标签业务价值。
标签热度一般从标签的使用次数、收藏次数等方面进行评估；
标签业务价值一般从标签在具体业务场景应用时所带来的业务变化，如点击率等指标。
草帽
Q2
年薪均 50w-80w 的策略分析/策略增长/策略产品到底需要什么能力？
ChatGPT 给出了适合通用的产品经理能力的回答，没有针对策略产品特性的解答。
凯东老师的回答从公司需求的角度切入，并结合了大厂和小厂国内的实际岗位情况，并给出能力集的相关文章供提问者参考。
50-80W 实际上在不同公司对应的要求并不一样。
比如在阿里等一线大厂，50万可能就是毕业两年左右的工资，那么要求就是比较初级的，80万就是大概毕业 5 年左右，也就是中级水平。
但是如果是小公司，50万那么就是完全独当一面的人。
其实还是关注一下大厂的职级能力要求比较好，这个是一个相对客观的评价标准，但是大的标准就会比较泛化，都是概念性的标准。
以下是两个能力要求可以参考圈子回答中的链接：
凯东
Q3
常用的数据分析方法有哪些？能否举例简单说明一下？
ChatGPT 列举出了 9 种分析方法的说明，但是没有增加应用实例。
鲸歌老师的解答不仅仅详细举例说明了几个常用的分析方法并且针对不同的方法举例应用，还提到了分析思路的重要性。
首先，我们先弄清楚 2 个概念，即分析思路和分析方法。
数据分析要实现分析目的。如何实现呢？
先将分析目的分解为分析内容，再基于分析内容实现分析目的。从目的到内容的分解叫分析思路；从内容到目的的实现叫分析方法。为了加深我们对这2个概念的理解，我们可以回想一下，自己是如何从接到一个数据分析需求，中间执行到提交分析结果的完整过程。
其次，数据分析方法有很多，比如战略方向和营销方向等。我们可以把它大致划分为 2 大类，即基础分析方法和衍生分析方法，基础分析方法适宜初阶，衍生分析方法则更高阶。在这里，我想补充一句，我们或多或少都看过武侠剧，真正的绝世高手，比如金庸笔下的扫地僧，他能够做到一招制敌。所以，高手不拘泥于一招一式的运用，更在于能把功夫修炼到炉火纯青的地步。愿我们都能成为绝世高手！
正因为数据分析方法有很多，我这边先介绍 6 个常用的数据分析方法，分别是：
• 对比分析
• 分类分析
• 分布分析
• 相关分析
• 多维度拆解分析
• 假设检验分析
考虑篇幅，后续如有时间可以再做补充，也欢迎大家分享自己常用的数据分析方法。
1. 对比分析：
这个分析方法非常常用，可以说是融入了我们的血液之中。当我们向别人提供一份数据时，自然要想到，如何说明这份数据好，那就需要有对比的参照物。比如，同一类目下多个品牌参加了活动，我们要说明我们的产品销售好，那就可以对比同价格带的竞品销量。
常见的对比分析有横向对比、纵向对比和综合对比，具体情境具体运用。
2. 分类分析：
顾名思义，我们把分析的对象进行归类。比如，我们要分析一款产品的核心消费人群，常用的方法是看购买客的人群画像，阿里把购买客根据年龄、性别和地域等标签划分为十大人群，如Z时代、小镇青年和新锐白领等。当我们找到这些分类人群后，可以再做进一步的分析。
3. 分布分析：
当对比的对象不是一个数值，而是一组数值，就要用到分布分析了。我们看的是什么？分布的集中和离散趋势，怎么看呢？比如我们常用的折线图就可以看出，不同组数值在相同时间段的变化趋势。
4. 相关分析：
相关分析研究的是事物间的某种联系，最常见的联系就是因果分析。比如，今年2-4月份，某品牌的一款产品销量持续走低，问为什么？思路之一，是因为疫情影响，更直接说是因为上海疫情的影响，如何证明销量低和疫情的相关性呢？我们可以在后台把去年和今年同期的地域销售数据拉出来，做一个对比，即可证明两者之间的关系。
5. 多维度拆解分析：
它可以帮我们从多维度去思考问题，常用的是公式拆解。比如指标是由哪几部分构成？业务流程是什么？举个栗子，当我们做完一档大促活动时，我们需要做复盘。这时，我们会把GMV达成情况进行拆解，看哪一块儿做得好，哪一块儿没达标。重点是，我们要把维度搞清楚，做到不重不漏。
6. 假设检验分析：
这也是一个非常常用的分析方法，其底层思想是逻辑推理。我们都知道福尔摩斯，也看过电影《唐人街探案》，假设检验就是先假设再验证，从而一步步得出最终答案。它分为3步，即提出假设，收集证据和得出结论。在我们实际工作中，我们要去解决一个业务问题时，也可以运用这个分析方法。
最后，我想说的是，分析方法有很多，如果你是一个有心人，那么可以在阅读的书中发现和提炼别人的分析思路和方法，从而灵活运用到工作中。比如，我最近参加的共读活动，书籍是《俞军的产品方法论》，在阅读写笔记的过程中，我就发现了很多可运用的分析方法。注意哈，初期方法不贪多，重在掌握运用。
*部分内容引用于《数据分析：企业的贤内助》一书
鲸歌
嘉宾简介
鲸歌老师：负责“数据分析”相关问题解答。
电商行业资深数据分析师，依托阿里和京东生态，为头部品牌（美赞臣、飞鹤、科沃斯等）提供数据诊断和咨询服务。
李凯东老师：负责“策略算法”和“增长运营”相关问题解答。
读书会领读人，某大厂数据总监，产研运全能，国内知名比赛获奖无数，有10年的连续创业经历，负责数据、用户、搜索、推荐、AI等方向。
草帽老师：负责“画像标签”相关问题解答。
一个数据人的自留地公众号发起人之一，《大数据实践之路》作者，某大厂数据产品经理，尤其擅长用户画像和标签体系，拥有多项专利。
ChatGPT知识内容丰富，但是在应用信息和知识的过程中只能做简单的整合，按照语料库的模式生成文本，缺乏人类的创造力、想象力，没有自由发挥的空间。
数据人圈子嘉宾的回答，在逻辑严谨的基础上又兼顾全面性，同时结合不同情况提供针对性的应用分析和经验分享，这或许是更珍贵的。
所以，欢迎大家加入数据人圈子，畅享更全面实用的回答，随时随地和大家一起学习一起进步吧！
