即刻App年轻人的同好社区
下载
技术能力的提高其实是很简单的事，都是一路走应试教育上来的，很少有人比其他人的智商有碾压性的不同。
更关键的永远是商业sense，投入解决一线问题不推脱的能力。
看的人多了，不免觉得或许只有亲身下过场的人才能真正尊重和敬畏这一点。
更关键的永远是商业sense，投入解决一线问题不推脱的能力。
看的人多了，不免觉得或许只有亲身下过场的人才能真正尊重和敬畏这一点。
9 00
前段时间在考虑如何处理订单未响应时用户应加多少钱才能使订单得到响应的问题，期间有几个印象深刻的观点。
首先是如何将业务需求转化为数据需求的过程。
我最初的想法是，价格本质上是双边匹配的工具，其核心基于供需预测的计算。
很多时候，定价问题实际上并不仅仅关乎价格，更多是如何准确预测即时供需，并根据历史经验进行价格匹配。
考虑到这个问题，我们首先尽可能排除难以计算的环境变量，将场景限定在可量化的订单未响应的真空环境中。
进而，我们可以计算不同价格对即时响应率的uplift效果（这里暂且不讨论实现这一点所需的高度信任的技术和业务合作）。
这涉及到两件事的叠加：拆分订单未响应的场景，并在确认核心问题是价格后，尝试使用历史成交价引导用户出价。
但在进一步拆解这个问题后，我意识到了一个新的影响因素，即用户的需求弹性，如何识别非价敏用户的刚需场景？
这意味着从订单未响应到用户愿意加价响应之间，存在一个不可忽视的环节：即使我们能准确计算出增加多少元能匹配到车辆，用户是否愿意支付这个加价呢？
如找不到非价敏用户的刚需场景，也因为供需算不准，导致加多少钱能叫到车这件事也算不准，那是不是还是粗略划分档次，引导用户加5块10块，积累更多的历史数据是更好的策略？
可能针对复杂供需+定价问题，没有历史经验的我还没有能力看清其背后的规律和方法。
那就又回到最常见的那个问题，业务给你的需求有时候往往是基于ta视角的解决方案，如果你没有能力超出对方的业务视角，那其实还是很难判断需求的合理性和最佳解决方案的。
不过人贵在有自知之明🧏♀️
首先是如何将业务需求转化为数据需求的过程。
我最初的想法是，价格本质上是双边匹配的工具，其核心基于供需预测的计算。
很多时候，定价问题实际上并不仅仅关乎价格，更多是如何准确预测即时供需，并根据历史经验进行价格匹配。
考虑到这个问题，我们首先尽可能排除难以计算的环境变量，将场景限定在可量化的订单未响应的真空环境中。
进而，我们可以计算不同价格对即时响应率的uplift效果（这里暂且不讨论实现这一点所需的高度信任的技术和业务合作）。
这涉及到两件事的叠加：拆分订单未响应的场景，并在确认核心问题是价格后，尝试使用历史成交价引导用户出价。
但在进一步拆解这个问题后，我意识到了一个新的影响因素，即用户的需求弹性，如何识别非价敏用户的刚需场景？
这意味着从订单未响应到用户愿意加价响应之间，存在一个不可忽视的环节：即使我们能准确计算出增加多少元能匹配到车辆，用户是否愿意支付这个加价呢？
如找不到非价敏用户的刚需场景，也因为供需算不准，导致加多少钱能叫到车这件事也算不准，那是不是还是粗略划分档次，引导用户加5块10块，积累更多的历史数据是更好的策略？
可能针对复杂供需+定价问题，没有历史经验的我还没有能力看清其背后的规律和方法。
那就又回到最常见的那个问题，业务给你的需求有时候往往是基于ta视角的解决方案，如果你没有能力超出对方的业务视角，那其实还是很难判断需求的合理性和最佳解决方案的。
不过人贵在有自知之明🧏♀️
10 00
这周去公园时，没有预设爬山所需的时间，误以为已经迟到，便一路匆忙上山。
等到喜行的姚老师让大家分享沿途感受，我才发现，虽然自己本意是享受自然，但在赶路的时刻，不能迟到的“社会期望”下意识地抢夺走了所有的注意力。
画画时同样的事情再次发生，因为时间限制便急于完成，感受到的是能否完成的紧张，而享受的初衷早被下意识地抛在脑后。
而让自己真正悬浮起来回看状态的，始终都是同样的一句：“你在那一刻的感受是什么？”
这话本是心理学中最普通不过的一句疑问，但我确实被其所引领，然后慢慢看到那些很多曾自以为代表着自主的想法和决定，实际上包裹着一层层来自外界的期望和压力。
“Our inner child represents our original self, it remembers our joy, anger, sadness, and fear”，或许离时刻听到内在小孩声音的状态，还有比预期想象的更长的路要走。
等到喜行的姚老师让大家分享沿途感受，我才发现，虽然自己本意是享受自然，但在赶路的时刻，不能迟到的“社会期望”下意识地抢夺走了所有的注意力。
画画时同样的事情再次发生，因为时间限制便急于完成，感受到的是能否完成的紧张，而享受的初衷早被下意识地抛在脑后。
而让自己真正悬浮起来回看状态的，始终都是同样的一句：“你在那一刻的感受是什么？”
这话本是心理学中最普通不过的一句疑问，但我确实被其所引领，然后慢慢看到那些很多曾自以为代表着自主的想法和决定，实际上包裹着一层层来自外界的期望和压力。
“Our inner child represents our original self, it remembers our joy, anger, sadness, and fear”，或许离时刻听到内在小孩声音的状态，还有比预期想象的更长的路要走。
8 00
之前看俞军老师的书，说用户价值 = 新体验 – 旧体验 – 替换成本，当时看的时候怎么讲，因为过于小白没看出什么门道。
直到最近碰到这个目标用户和我自身用户画像完全不同的产品，才越来越意识到，对于这些下沉市场的用户，有一个先验认知是非常重要的，就是他们对于产品旧体验的感知，几乎就等于最常使用app带来的感知。
当产品经理尝试用C端线上互联网的那套逻辑论证自己的UI更好、交互更合理，反而会被用户教育做人，因为你的“更好体验”往往带来了更大的替换成本，反而增加了产品的使用门槛。
想起来自己在大众点评app不小心点到美团打车时，直觉是这个产品设计非常流畅，仔细观察才发现，其实美团打车的所有页面设计和交互都复刻了滴滴。
但客观来看，滴滴的交互真的就最合理吗？其实也不一定，但在那个直觉反应的一刻，对于我来说，滴滴的交互就是“最合理”的。
直到最近碰到这个目标用户和我自身用户画像完全不同的产品，才越来越意识到，对于这些下沉市场的用户，有一个先验认知是非常重要的，就是他们对于产品旧体验的感知，几乎就等于最常使用app带来的感知。
当产品经理尝试用C端线上互联网的那套逻辑论证自己的UI更好、交互更合理，反而会被用户教育做人，因为你的“更好体验”往往带来了更大的替换成本，反而增加了产品的使用门槛。
想起来自己在大众点评app不小心点到美团打车时，直觉是这个产品设计非常流畅，仔细观察才发现，其实美团打车的所有页面设计和交互都复刻了滴滴。
但客观来看，滴滴的交互真的就最合理吗？其实也不一定，但在那个直觉反应的一刻，对于我来说，滴滴的交互就是“最合理”的。
20 20
想起来十年前做公众号的时候，好多人的状态都是：全职工作+加班+回家坚持日更。
当年没上过班的我看多了，以为这都是轻轻松松的常态。
直到我上班后发现，即使不咋加班的我回家后也没有力气更个几千字长文，更别提日更了。
留下一句respect🫡
当年没上过班的我看多了，以为这都是轻轻松松的常态。
直到我上班后发现，即使不咋加班的我回家后也没有力气更个几千字长文，更别提日更了。
留下一句respect🫡
21 10
数据分析最有意思的部分在于，当看到数据告诉你的是什么之后，你要去判断这个结论是一个既定结果，还是一个可优化的 to do。
例如针对一个 0 or 1的结果，我们通过数据挖掘找到的特征重要性排序，那么我们是用这些特征重新回溯策略的优化，还是直接就去用这些特征做下一步的预测。
说的有些绕，举个例子来说，我们通过数据挖掘，找到下单概率最高的用户特征之一是注册T+7范围内的用户。
那在解释数据时，我们可能认为注册用户天然的下单窗口就在T+7的范围内。
但其实，还有另外的可能性，包括但不局限于优惠券的下单窗口只有七天，导致了T+7外的用户没有优惠券，从而加剧了当前的结果。
那么针对注册T+7外的用户，虽然从大盘来看下单占比较低，但这批用户我们真的就不需要运营了吗？
其实都是可以下钻分析的点。
再例如，我们去找被判定有责任的司机特征，发现这批有责的司机与低收入区间的概率相关性更高。
那当落实到策略时，我们就要想到底是收入低导致了有责任，还是说因为有责任导致了收入低。
进一步的，这些有责任到底是合不合理，可能才是问题应该下钻的方向。
想起这个主要是因为最近看了一个零售用户增长的数据挖掘案例，他们的结论就是RFM各个值越高的用户二次下单概率越高，看完我心想：这用你说嘛🤦♀️
例如针对一个 0 or 1的结果，我们通过数据挖掘找到的特征重要性排序，那么我们是用这些特征重新回溯策略的优化，还是直接就去用这些特征做下一步的预测。
说的有些绕，举个例子来说，我们通过数据挖掘，找到下单概率最高的用户特征之一是注册T+7范围内的用户。
那在解释数据时，我们可能认为注册用户天然的下单窗口就在T+7的范围内。
但其实，还有另外的可能性，包括但不局限于优惠券的下单窗口只有七天，导致了T+7外的用户没有优惠券，从而加剧了当前的结果。
那么针对注册T+7外的用户，虽然从大盘来看下单占比较低，但这批用户我们真的就不需要运营了吗？
其实都是可以下钻分析的点。
再例如，我们去找被判定有责任的司机特征，发现这批有责的司机与低收入区间的概率相关性更高。
那当落实到策略时，我们就要想到底是收入低导致了有责任，还是说因为有责任导致了收入低。
进一步的，这些有责任到底是合不合理，可能才是问题应该下钻的方向。
想起这个主要是因为最近看了一个零售用户增长的数据挖掘案例，他们的结论就是RFM各个值越高的用户二次下单概率越高，看完我心想：这用你说嘛🤦♀️
4 02
