聽說知乎在招數據分析師， 做為一個某乎重度用戶， 以及一名某廣告公司的資料分析師， 我覺得這個還挺有意思的。 如果我來做知乎的資料分析， 我會做什麼？怎麼做？
首先來看看知乎網站上列出來的職位描述【1】：
對知乎的產品、運營、市場資料進行分析、監測、統計， 並形成指標體系
挖掘使用者行為特徵、興趣、擅長領域、活躍度等資訊， 為產品改進提供資料支援和決策建議
負責公司內需求收集、分析、整理工作， 制定相應的資料指標規範並協助業務產品接入資料平臺
講得很模糊， 沒說具體做哪一塊的，
總體來講的話， 資料分析對現階段的知乎能提供説明最大的在兩部分：用戶增長 ( growth ) 和用戶參與度 ( user engagement ), 這兩部分又是相愛相殺， 互相影響， 可能互相促進， 也可能互有抑制， 另外一個大頭變現暫不在這篇的主要討論之列， 但也是有一些共通之處的。
1. 指標體系
首先， 你需要有一個（套）指標體系。 大的方面來說， 用戶增長和使用者參與度明顯就需要不同的指標。 前者可能是註冊用戶數（很久就被淘汰的指標）， 可以是日活、月活之類更接近真實用戶數的指標。
一個好的指標應該有以下特點：
a. 簡單粗暴， 這樣可以讓整個團隊目標集中統一。 如果需要超過十秒鐘解釋這個指標是什麼， 那麼很可能這個指標不是個好指標（至少對全公司來說）。 可能反面例子：過去一周平均每天線上時長大於十分鐘或者每月至少回答一次的用戶。
b. 能反應真實情況， 而不是自己欺騙自己。 可能反面例子：註冊用戶（請自行體會）。
c. 具有可比性， 包括跟同類產品比較， 自己跟自己在不同時間段的比較。 可能反面例子：增長率。
不要小看指標體系的重要性， 因為這相當於指南針， 如果在這上面偏得太離譜，
2. 資料包表 (dashboard report)
假如有了一套指標體系， 接下來幹嘛？當然是把資料工程師 ( data engineer ) 叫來， 做一系列的報表了。 什麼？沒有資料工程師？自己動手， 豐衣足食。 正好前段時間在知乎上寫了一個回答， 其中關於資料包表的部分【2】：
a. 不同維度的完善
b. 資料的時間精度
類似的， 比如知乎日報想看每天幾點推送效果更好， 可以嘗試在不同的時間段推送， 然後看每天的閱讀量、互動等，
當然， 通常情況下產品經理也會用更多的問題糊回來的。
Airbnb 的網站上有一篇他們是怎麼做支付系統的異常監測， 資料分析師和資料工程師們都可以讀一讀【3】。
說起支付系統的異常監測， Netflix 有一個很有意思的例子， 某天 Netflix 的監測系統發現巴西一個 Credit Union 的付款系統有異常， 於是他們打電話過去確認一下情況， Credit Union信誓旦旦的說系統沒問題。 第二天問題仍然存在， 接著打電話， 對方還是說沒問題， 直到第三天打過去， 對方終於發現的確是出問題了。
看來以後Netflix可以給銀行提供協力廠商監測服務了。
3. 資料支援和決策建議
為什麼知乎主頁的預設介面是註冊而不是登陸？相比預設介面是登陸，
不同的演算法排序對使用者使用時長有什麼影響？對用戶留存又有什麼影響？
為什麼。 。 。
類似這樣一些問題， 資料分析都可以提供建議， 當然前提是找到合適的指標， 配合相應的資料分析， 比如 A/B 測試.
比如上面提到的 Airbnb 的例子， 如果用戶提前註冊好帳戶， 那麼即使當下沒有下單訂房， 長期來看也是有利的。 他們怎麼知道的， 因為測過啊！關於 Airbnb 怎麼做 A/B 測試的， 請看【4】， 或者 Airbnb 的實驗資料分析之道
細說起來這個問題的答案不是那麼明顯的， 久遠一點的例子， 對 eBay 來說， 如果用戶通過搜尋引擎找到一個 eBay 上的商品， 接下來是應該把使用者導向註冊頁面還是導向購買頁面呢？
4. 制定相應的資料指標
這幾年，或者說是早幾年，有兩個很火的詞，一是大資料（big data），二是資料驅動（data driven）。其實話說回來，資料大不大並不是那麼的重要，雖說 size matters，但更重要的是如果從資料中得出有用的資訊。而對於資料驅動來說，就更是一件似是而非的事情，畢竟最終做產品的，還是產品經理和工程師們。產品和工程說要往東，資料分析說要往東偏南15度那還是有可能的，如果偏說要往西，那也是挺難的。
更多的是，資料分析可以找出大趨勢，找出哪些是重要的領域，具體做哪些東西，或許還是第一手接觸的產品和工程組會瞭解得更細緻一些。
就我個人經驗來說，資料分析最給體現價值的地方在於它的相對客觀性。互聯網產品行業都很在意員工多使用自己家產品，提供回饋。這些回饋意見非常寶貴，很多都非常有價值，也直接帶來了一些改進產品的點子。然而這些回饋也是有很大的局限性的，因為自己家工通常來說是非常不能代表廣大真實用戶的。知乎員工或者知乎重度用戶跟廣大知乎普通用戶差異很大，知乎普通用戶跟知乎潛在用戶差異又是很大的，對於任何一個互聯網產品來說，基本都存在這樣的差異。而資料分析，能從一個相對的角度，找到這些差異，為大多數用戶甚至潛在使用者優化改進產品。
很顯然上面這些說的這些就好像題圖一樣，只是冰山一角，所以問題來了，如果讓你來做知乎的資料分析師，你會做什麼？
End.
http://www.itongji.cn
4. 制定相應的資料指標
這幾年，或者說是早幾年，有兩個很火的詞，一是大資料（big data），二是資料驅動（data driven）。其實話說回來，資料大不大並不是那麼的重要，雖說 size matters，但更重要的是如果從資料中得出有用的資訊。而對於資料驅動來說，就更是一件似是而非的事情，畢竟最終做產品的，還是產品經理和工程師們。產品和工程說要往東，資料分析說要往東偏南15度那還是有可能的，如果偏說要往西，那也是挺難的。
更多的是，資料分析可以找出大趨勢，找出哪些是重要的領域，具體做哪些東西，或許還是第一手接觸的產品和工程組會瞭解得更細緻一些。
就我個人經驗來說，資料分析最給體現價值的地方在於它的相對客觀性。互聯網產品行業都很在意員工多使用自己家產品，提供回饋。這些回饋意見非常寶貴，很多都非常有價值，也直接帶來了一些改進產品的點子。然而這些回饋也是有很大的局限性的，因為自己家工通常來說是非常不能代表廣大真實用戶的。知乎員工或者知乎重度用戶跟廣大知乎普通用戶差異很大，知乎普通用戶跟知乎潛在用戶差異又是很大的，對於任何一個互聯網產品來說，基本都存在這樣的差異。而資料分析，能從一個相對的角度，找到這些差異，為大多數用戶甚至潛在使用者優化改進產品。
很顯然上面這些說的這些就好像題圖一樣，只是冰山一角，所以問題來了，如果讓你來做知乎的資料分析師，你會做什麼？
End.
http://www.itongji.cn