你們分析過用戶的行為日志沒？從中尋找過規(guī)律
處理基本上都沒什么難度。敏感度，好奇心提出有價值的問題，其價值不弱于找到有價值的答案，不僅僅對技術(shù)，對產(chǎn)品、對運營，也是如此。為什么說敏感度？做數(shù)據(jù)分析，做數(shù)據(jù)，不是技術(shù)活，而是一種理解力。理解力來自于哪里？來自于好奇心。而敏感度，為好奇心帶來源源不斷的靈感。然后你會去提問題，為什么這個渠道的轉(zhuǎn)化率比這個渠道低？為什么這個產(chǎn)品的留存有這樣的特征？提出問題，才會去思考下一步。下一步是什么呢？分解問題，這個渠道的轉(zhuǎn)化率是不是可以再細分，比如根據(jù)地區(qū)、根據(jù)語言版本、根據(jù)投放策略，然后看是哪個地方出現(xiàn)了顯著差異，還是說不同細分都體現(xiàn)完全一致的差異。這對你理解問題和尋找答案幫助特別大。比如留存，也要再細分，不斷細分問題，不斷層進，把好奇心變成經(jīng)驗值。有的年輕人，工作很短的時間就會進步特別大，非常有想法，有能力，就是因為他們始終保持好奇，保持敏感，不斷去提出新的問題，尋求答案。但有一些工作很多年的人，你說經(jīng)驗豐富？其實都是同樣的經(jīng)驗重復(fù)，沒有好奇，不敏感，各種麻木不仁，這樣做事情再有經(jīng)驗又怎樣？反推，逆證這就像我們上學(xué)時做數(shù)學(xué)題，我們通過題目得出一個結(jié)果后，在檢驗結(jié)果的時候，把結(jié)果帶回題目，重新推算一下，是不是所有中間得到的數(shù)據(jù)和題目中的條件一致，這樣才能判斷我們得到結(jié)果是否正確。在做分析和判斷的時候，似是而非等干擾性的判斷是經(jīng)常出現(xiàn)的，特別是提問者帶有明顯目的性和誘導(dǎo)性的時候，更容易得到這樣的結(jié)論。如果我們覺得A是壞人，那么他的一切表象都是壞人的跡象，你怎么看都覺得他就是壞人。你提出了一個A是壞人嗎;的問題，然后給出了無數(shù)個A是壞人的證據(jù)。但突然有一天你發(fā)現(xiàn)B才是你要找的壞人，瞬間你發(fā)現(xiàn)A是壞人的所有證據(jù)其實都不成立。盡量不要提出明顯傾向性的問題，如果你提出了一個傾向性的問題，一定要對應(yīng)提出一個反問，否則很可能被自己的問題帶到溝里去。歸納與總結(jié)講一種面試的方法，比如應(yīng)屆生，沒有太多業(yè)內(nèi)經(jīng)驗，我怎么知道這個孩子有沒有前途，通常的問題是這樣的，逐一遞進提問。問題1：你在學(xué)校期間，覺得最能體現(xiàn)自己能力和價值的事情是什么？問題2：在這件事情上你遇到的最大困難和挑戰(zhàn)是什么？問題3：你是怎么克服和處理的。這三個問題考的是什么呢？歸納和總結(jié)的能力，對自己從事過的事情、克服的問題，能不能有一個清晰的表達、有條理的描述，以及對自己是不是有一個正確的認(rèn)識。其中，有精準(zhǔn)的數(shù)字描述，會比定性的表達更具有意義。非應(yīng)屆生也是這樣問的。比如程序員A回答的是：做過一次網(wǎng)站性能優(yōu)化，效率提升很高，感覺自己棒棒噠。挑戰(zhàn)就是并發(fā)一多，服務(wù)器負(fù)載很高，所以扛不住。解決方法是加了緩存，把數(shù)據(jù)庫壓力轉(zhuǎn)到緩存上，所以負(fù)載降下來了，業(yè)務(wù)也增加了。;另一個程序員B的回答是：做過一次網(wǎng)站性能優(yōu)化，效率提升很高，感覺自己棒棒噠。挑戰(zhàn)是并發(fā)達到200的時候，CPU占用100%，主要壓力來自于數(shù)據(jù)庫的查詢，偶爾慢查詢阻塞，數(shù)據(jù)庫鏈接過多。解決辦法是增加了緩存，緩存命中率達到了80%，也就是80%的查詢請求不通過數(shù)據(jù)庫，結(jié)果是當(dāng)并發(fā)達到200的時候，CPU只占用了30%不到，后來業(yè)務(wù)增長并發(fā)展到400，CPU也只占用了50%。;現(xiàn)在，我相信你一定知道哪個程序員更值得用了。我有一個習(xí)慣，分配工作的時候有些東西特意不會描述得特別具體，就是看看員工是不是有能力，有思維能力，來把這些地方做好。當(dāng)然，這可能會付出一些時間成本甚至其他成本，但是對于培養(yǎng)新人來說，更寬松的環(huán)境更容易看到一個新人的潛質(zhì)和能力。當(dāng)然，后續(xù)人家沒做好，沒做對（常有的事情，不代表人不可用，只是沒有驚喜而已），要給他講一遍。如果前面很寬松，后面不給講評，這個其實真就是偷懶了。把大量的瑣碎信息分類是特別考驗思維能力的一種方法，首先你要有一個緯度的概念，比如按照業(yè)務(wù)的重要程度去分，按照功能或業(yè)務(wù)模塊特性去分，按照體驗的傷害程度去分，或者按照客戶特征去分，等等。但是更有價值的可能是下面，多個緯度的組合，哪些緯度組合的投訴建議更有價值，優(yōu)先級更高。前段時間遇到一個夢幻創(chuàng)業(yè)團隊，創(chuàng)業(yè)者是一個名校博士，大學(xué)教授，離職創(chuàng)業(yè)；團隊技術(shù)核心都是ACM大賽的底子，來自于清華和上海交大ACM的骨干成員。那么面對這樣的算法達人，從算法和技術(shù)上我肯定不敢班門弄斧，但是基于他們業(yè)務(wù)場景的用戶引導(dǎo)優(yōu)化我還是給他們上了一課。這一課說簡單也簡單，你們分析過用戶的行為日志沒？從中尋找過規(guī)律和特征沒？只看了Google Analytic的漏斗模型，而沒去看原始日志，沒有去一條條體會用戶的行為規(guī)律，你怎么能做好呢？一些他們以為需要很復(fù)雜算法實現(xiàn)的東西，其實可以基于行為日志，以不高的技術(shù)代價做成機器學(xué)習(xí)模型，思路一開對他們而言后面就沒技術(shù)含量了。但這件事也提醒他們，很多看上去很基本的、很沒有技術(shù)含量的事情，其實價值是很大的。針對上述內(nèi)容做一下總結(jié)。1.對問題的描述，對解決方案的效果評估，要有條理、有邏輯，不但要定性，而且要定量，要精準(zhǔn)描述，完整記錄。2.面
