mvp是什么意思

　　

　　很多学生都雄心勃勃地想在工作中取得成绩，这里推荐数据分析的MVP方法。 我可以保护大家的工作。

　　微型可编程产品( MVP )是一种原始的产品设计方法，在产品正式上市之前，先推出一个包含核心功能的简单版本，测试用户需求和反馈，快速了解产品是否符合市场需求

　　数据分析的MVP方法在数据正式生产之前，首先根据数据需求和使用场景，提供虚拟的数据结果，验证数据的有效性，发现真正的数据需求。

　　这个方法在数据分析领域非常方便！ 因为可以解决数据分析的中心课题。 因为做半天也无济于事。 数据分析背后的《统计学》 《数学》 《运筹学》 《博弈论》 《机器学习》…各种理论多了，容易引起自我启发。

　　制作数据的自己很糟糕，各种理论计算都失败了，来到了用户那里：

　　按三次按钮，这个项目一定会输。

　　数据分析的MVP方法旨在提前整理。 通过数据如何对业务有用的逻辑来避免上述悲剧。 另一方面，乍一看很强硬，但实际上对同卵双胞胎的数据分析，现实中很多……

　　举个简单的例子，比如互联网平台-广告销售团队提出“制作业务员的用户画像，掌握每个业务员的性别、年龄、行为、转化率，以提高业绩”。

　　这个时候怎么办？

　　在MVP的思路中，不是先追数字，也不是罗列很多“用户画像的标准指标”，而是直接抱着“提高性别、年龄、行为、转化率提高业绩”的商业方面的最初需求，直接给出虚拟的结果，“ 中选择所需的族。 ――让他确认。

　　

　　至少仅基于这一句话来看，数据分析可以输出的结论是完全没有用的。 如果1.0版的MVP测试失败，则继续考虑是放弃这个需求，还是如何更好地抓住用户的痛点。 这样将数据推送到2.0版。

　　此外，1.0版的问题是没有明确的目标。 图像指标堆积如山，不太清楚到底要做什么。 集中目标，例如，找到业绩好的业务员。 这样就更清楚了。

　　这里需要引入更多的分析。 因为“好”“坏”本身就需要分析：

　　在这个阶段，做MVP的时候，可以提前消除可以直接预想到的、烦恼的问题，和业务方一起提前考虑应对方案； 不是等一大堆数据跑了，自己算了好几遍再讨论； 讨论得越早，就越能提前消除疲劳，避免无谓的学习。

　　例如，评价：“好/坏”中常见的多指标叠加问题(下图)。

　　

　　例如，业绩不稳定的问题(

　　

　　对与此阶段无关的指标，可以大胆做减法，消除后再说。

　　新目标出来了，围绕新目标整理数据。 不问青红皂白，先凑齐人数再做的方法——数据分析员不能按时下班，就是因为被这些破事牵着鼻子走。

　　把这些整理一下，就有了2.0版的MVP。 (下图)

　　

　　看起来比1.0版清晰多了。 删除了许多无效指标，重点是明确的目标。

　　请注意，此时还没有跑任何数据，只是基于经验的虚拟。 但是，通过暴露“早就知道”的数据，过滤“实际上无济于事”的指标，并将可能存在歧义的地方作为具体案例进行具体讨论，可以大大避免问题。

　　但是请注意，这还不是合格的MVP。 我知道谁好谁坏，我该怎么办？ 知道李四真的好，大家能成为李四吗？ 还是根本上李四是复印不了的。 必须找更多像李四这样的人进去吗？

　　这些问题没有答案。 所以，此时还不能直接说这个数据能提高业绩。 MVP测试失败了。 请继续。

　　只告诉你谁好，谁坏就不能提高业绩。 业绩是在第一线做的，第一线需要的是SOP，是弹药，所以还需要进一步制作数据。 例如：

　　基准数据指标(呼叫数？ 时间分配？ 随访的机会？ ) )

　　优秀的基准目标客户(特定客户容易成功吗？ ) )

　　优秀的标杆销售技巧(使用什么样的话术？ 利用什么样的物料/活动？ ) )

　　请注意这里已经不仅仅是数据的范畴了。 数据只能打上标签，列举指标。 但话术、语调、时机的把握需要训练/业务部门提供，因此，在此阶段进行MVP时，可以直接向业务部门明确是否只输出数据就能满足需求； 如果做不到，就提前拉其他部门一起工作，不要自己忍数据。

　　

　　3.0版好像已经很厉害了。 但是，有一个隐藏的bug，就是别人能不能学到。

　　请注意，这将严重阻碍业务授权数据分析的结果，即数据分析的结论是错误的，还是执行不充分的。 这个要事先安排好，弄明白。 否则，以后就要推后了。

　　因此，需要在当前版本的基础上增加测试环节，以验证其是否有用。

　　这样，就涉及到以下事项。

　　选择哪个范围进行测试

　　测试时间是多长

　　如何排除休息日、活动等其他因素

　　测试结果的认定标准

　　把这些弄清楚，有4.0版。

　　

　　在这个阶段，才能将数据需求转向一项业务所期待的“业绩提高”的结果； 而且最终的结果有测试数据的回收验证，即使测试不成功，预案也会排在最后，这个时候可以放心大胆地跑着数数。 出来后一定会有帮助。

　　请注意，MVP测试紧密围绕用户的需求。

　　上面的例子之所以做了几个版本，本来是因为用户期望值很高，期待直接看到业绩。如果用户期望值不高，MVP测试很简单。

　　例如：

　　用户的需求是目前没有数据尽快提供数据

　　用户的需求是当前数据过多删除无用的指标

　　用户的需求是目标数据混乱重新整理逻辑

　　用户的需求，不知道问题在哪里输出可以量化的问题点

　　这些可以通过事先对数据进行虚拟化，制图确认需求来解决。

　　虽然有点复杂，比如用户的需求，通过准确的预测销量，也许只需要整理两三步，就能使范围更加精细，提高有用性(如下图)。

　　

　　在数据分析领域，一直流行八爪鱼派。 也就是说，不管有用与否，不管是否合乎逻辑，都像八爪鱼一样丢了很多指标。 (请参阅

　　

　　这种做法，咬紧牙关，看着很厉害，但实际上是项目失败的根源； 让做数据的人误以为工作是作业，不考虑实际效果，贪婪地追求，最后累得半死也不高兴。

　　相比之下：

　　多研究业务数据的基本形态

　　发现更多业务对数据的实际需求

　　多种测试数据的有用之处

　　消除无用、空洞、崇高的指标。

　　这样才能更快地积累分析经验，使数据更好地发挥作用。

TAG:
热门标签： 听话(1) 消防维(1) 发达(2) 这么(7) 永乐(1)
注

部分信息与图片素材来源于互联网，如内容侵权与违规，请与本站联系，将立即处理，举报邮箱：1356571586@qq.com

随机关键词：