上周和久未聊天的小伙伴，一起聊了些數據相關的

1、數據運營有句很經典的話“找對的人，做對的事，說對的話”，大多數常遇到的數據分析的出發(fā)點很類似。數據可以解釋現象，并不代表那些數據背后就真的是共性。

2、數據模型也好，工具手段也好，是為了更效率的銜接某個結論。尤其是“某個量級的簡單維度和復雜維度”下的結論集合。項目資源不同，團隊能力不同，工具有差別很正常。

3、反推，如果標簽數或者畫像數降到某個人工可操作的數量，可以把不同路徑下的共性找到么？看起來完全無共性的散點，在添加上時間戳或者類實名ID這樣的因子后，組成了某個場景現象。

聊天雖然很發(fā)散，但還是引發(fā)了兩個有意思的：

1、訂生日蛋糕外賣的人為什么大多不是這家店的其他商品顧客？如果想進一步做轉化，你會做哪些數據埋點？轉化策略你會怎么制定？

2、如果做購物車的時間戳埋點，你會量化哪些數據？對于加入購物車到支付完成的這個起始時間，加個購物頻次和訂單平均金額是否模糊匹配不同畫像推薦模型？共性點關聯(lián)是什么？

以上兩個線下線上數據現象不是很主流，拆解起來很有意思。

如果感興趣，歡迎帶著思路來討論，伸手黨就還是算了吧 ：）

備注：歡迎留言，也歡迎去小密圈的“懶人促進科技發(fā)展”討論區(qū)找我討論。