当我们拿到一份表单时，如何通过对表单的分析对不同的客户进行分类，从而展开不同的营销活动。

当我们拿到销售的数据表单时，有可能其中的信息是不完全的，这时我们需要将不同的数据汇总到一份数据当中，比如将产品数据、地区数据等汇总到订单明细当 中 我们汇总数据后得到的表格如图：

那么我们接下来就是如何根据销售情况来对企业进行合理的划分了：

此时我们可以通过excel表格中强大的数据透视表来帮助完成

(这一数据透视表已经是经过细微处理了之后的结果，已经有贴对这一技术方式进行了说明，以下附地址供大家参考学习Excel中如何将多维表格转换为数据清单？ - Microsoft Excel)

复制数据透视表中的数据，选择“选择性粘贴”中的“粘贴链接”到已经设定好的维度下，便可以得到如下的结果：

再通过对客户消费情况中的数据建立数据透表可以得到以下结果：

在客户后添加地域信息，有助于降低我们将同名客户归为同一人的可能性。但实际上仍然存在这样的可能性，此时需要更多的信息来加以区分。

我们再一次根据客户的消费情况，从而得到各个城市的消费情况，如下图：

客户的分类应当结合当地的实际情况开展，而不能以一概之。因此我们再一次根据各地客户的消费情况，制定各地消费情况表单，如下：

根据我们的需要对客户进行分类(各个等级的划分标准可以根据实际情况进行制定,比如还可以用到中位数,众数,我还想到运用黄金比例的方法进行分类,总之方法还是很多样的)

在此处我们可以根据客户分类标准，运用IF函数和LOOKUP函数对客户进行分类

这里可以通过条件格式对不同的客户进行格式上的区分：

此外，这毕竟是课堂案例分析，实际情况可能会比这更加的复杂（诸如在数据上会更加丰富以及具有代表性，也会引入其他外部数据来加以辅助分析），再此仅提供一个思路，具体的方法应当视具体情况而定。

Udesk 精品文章

Udesk功能专题

工单处理时间

每日5000+工单的解决之策

Udesk系统之用户互动

通过Udesk获取客户需求点

呼叫中心

如何用呼叫中心提升用户体验

下一代客服型呼叫中心发展方向

呼叫中心客服交流三大法宝

在呼叫中心成长：认知比行为更重要

突破呼叫中心，小企业客服的化蝶之路

如何正确利用呼叫中心来实现客服管理

客服系统

如何选择一款优秀的客服系统？

好的客服系统让客服成为企业行销利器

客服系统发展带来新的营销套路

从Udesk看未来客服系统发展

移动互联网时代客服系统的变革之路

客服系统比企业更懂客户需求

客户服务

教你如何绕开他们踩过的“坑”

客户服务对企业影响有多大

洞察客户，创造更好的客户服务

未来的战役——“客户服务“之争

别再浪费时间和资源，客户服务这么做

什么是好的客户服务？

提升企业服务的5个技巧

客户管理

如何客户定位及管理？

是什么抢走了你客户的忠诚度？

搞定客户15招，忠诚才是你的拥护者

如何将你的客户转化为企业效益

将潜在客户转换成真实客户的4个秘诀

干货技能

如何晋升到呼叫中心管理层？

呼叫中心客服主管初入秘籍

客服中心服务质量提升——不妨这样做！

做客服3年，我学到了什么？

客户案例

海底捞为什么选择Udesk客服系统？

星巴克高效内部沟通背后的黑科技

Udesk携手屈臣氏

Udesk助力海信，客服管理不再是难题

售百货巨头百盛如何打造高端客服？

Udesk携手诺心蛋糕，穿越浪漫情人节

Udesk助力港中旅酒店，酒店行业全渠道客服整合指南

Udesk牵手51信用卡，让客户感受更高效更安全的服务

Udesk

Udesk智能客服系统，用一个通用的平台连接电话、在线客服、手机APP、微信、微博、短信、邮箱、web等所有渠道。包括五大核心功能：呼叫中心、在线客服、智能机器人、工单系统、移动客服。是星巴克、海底捞、迅雷、每日优鲜等20多个行业，数万家企业的选择。

原标题：发展数字经济，大数据安全是前提

据报道，正在开展的全国网络安全执法大检查行动，首次将对大数据安全的整治纳入其中。这一专项整治将对我国大数据信息内容、存储位置、所涉企业进行全面摸底，包括大数据的采集、存储、应用、传输、销毁等全生命周期的监管、安全以及保护。

作为数字经济发展新引擎，大数据与互联网、人工智能、云计算以及物联网等技术协同发展，与实体经济深度融合，成为全球经济发展的新趋势。我国发布了《关于运用大数据加强对市场主体服务和监管的若干意见》《促进大数据发展行动纲要》《大数据产业发展规划（2016-2020年）》等，积极支持和促进大数据发展。

没有网络安全，就没有国家安全。现阶段，大数据安全是网络安全中问题最为突出的。无论是对国家，还是对公民个人、数字经济企业而言，大数据的违法运用都会造成严重危害。

违法运用大数据，可能会危害国家安全、政治安全、军事安全，譬如国家公职人员出行、举办或参加重要会议等信息被采集、泄露。例如，名为剑桥分析的数据咨询公司被曝料，其通过脸书网站收集8700万用户的偏好信息，然后利用这些信息进行针对性的广告推送。

违法运用大数据，还可能损害个人信息安全。除了违法采集个人隐私信息外，通过分析合法采集的信息对个人实施“精准画像”，描绘出该个体的身份职务、作息时间、活动区域、社交范围、日常收支、健康状况等，可以实现对其全方位透视。如果由于企业内控制度不完善或安防技术滞后，导致个人信息被不法分子窃取，则极易助长诈骗、盗窃等违法行为。有相关研究机构发布的调查显示，在取样的208家企业中，69％曾在过去一年内“遭公司内部人员窃取数据或试图盗取”。还有一些企业将收集的个人信息向第三方主体提供，进行非法交易谋利。

违法运用大数据，可能导致企业自身利益受损。数字经济企业违法运用数据信息，会造成企业自身形象受损、竞争力下降，不仅会影响企业“走出去”，还可能引发监管部门的高额罚款、业务禁止等制裁，不利于企业长远发展。具有域外效力的欧盟《通用数据保护条例》已于不久前生效，其重罚机制对违法采集处理数据的企业，最高可处以2000万欧元或上一财年全球营业额4%的罚款，可能直接导致企业破产。

大数据被喻为21世纪的“钻石矿”。但在大数据运用过程中，无论是侵犯个人信息、损害企业利益，还是危害国家安全，都是数字经济良性发展的绊脚石。“矿”不可随意挖，大数据安全是最重要的前提。 （据《光明日报》）

来源 | 小饿（ID：eshiyiblog)

作者 | 小饿

关注社交媒体运营、互联网科技，提供IT热门话题另类解读。

你自诩为新媒体界的老人，当有人向你问起，你会公众号数据分析吗？你内心一颤，但还是故作镇静：公众号的数据分析不就是阅读、点赞、评论量么？

你每个月汇总出所有推送文章的阅读量总和，选出 3 篇阅读量最高的文章，同时计算出比上个月增长 or 降低了多少百分比的阅读，粉丝也没见涨多少，你或许就轻描淡写略过……

当你战战兢兢把月报数据抄送给老板时，你依然没觉得数据分析跟公众号运营有半毛钱关系。

01

为什么要系统学习数据分析？

数据分析，在众多运营工作中显得比较特殊，相较其他跟内容或用户打交道的业务环节，数据分析更多的是跟数字打交道。通过对后台各种数据的分析，找到数据中存在的问题，提出解决方案，从而指导并调整运营的方向。

麻省理工学院一项研究发现，以数据驱动决策的企业，生产效率要比一般企业高 4% ，利润要高 6% 。

越来越多的创业公司从一开始就通过数据来指导运营，我了解的一些创业公司，由于资金问题，养不起成熟有经验的运营人员，他们更倾向于招聘应届毕业生，公司内部培养运营人员，而培养的方法就是通过数据分析，如 A/B 测试、漏斗模型等方法来小成本试错、快速迭代，实现低成本增长的目标。

而公众号越来越像一个独立的产品，一些大号甚至撑起一个公司。当你接手一个公众号，我估计你一开始就研究怎么涨粉、怎么互推、怎么裂变，粉丝是涨了很不少，但就是一推送文章就掉粉，你甚至会产生自我怀疑，是我的写作水平不行吗？于是你又囤了一堆写作课程，但依然掉粉不止，你越来越焦虑……

读到这里，你停下来仔细想一想，是不是你从一开始就忽略了，对账号本身数据的分析与研究。学会数据分析，也许你会发现，掉粉这件事跟你的写作水平没有半毛钱关系。

学会公众号数据分析，是你快速成长为资深新媒体运营的捷径。

02

公众号数据分析使用什么工具？

也许你一直以为公众号数据分析是一项特别专业的事情，以至于需要借助第三方工具才能实现，现在的数据可视化分析平台动辄每年上万的费用，而且绝大多数是 SaaS 平台。

什么是 SaaS 呢？「软件即服务」，简单理解就是，你购买我的产品多长时间，我提供多长时间的服务，软件我不卖，你得每年交给我使用费。套路啊！正是昂贵的费用，你羞于向老板申请经费，你以为的数据分析迟迟没有开展。

其实，对公众号进行数据分析，使用微信公众平台后台自带数据功能就足够了。记住，在你申请任何一笔钱的时候，你得说服你的领导，经过你的小范围测试，是可以追加一些投入，产生更大的价值。

这也是职场应该养成的一个习惯，不是有了某个工具你的工作效率会大大提高，而是经过你的小范围测试，是适合你的业务的，投入越多，收入越多，这种情况下，为什么不花钱？况且，对公众号的数据分析，并不需要花一分钱。

03

如何看懂公众号后台数据统计？

公众号数据分析主要用到公众平台后台的「统计」版块，它的位置在后台左侧边栏第 6 个功能。我们今天详细介绍的是前 4 个模块。

数据分析的前提是要清楚各项数据指标的定义及用法，这 4 大模块总共涉及 34 个关键指标，而我们运营工作中常用到只有十几个，下面有必要逐一拆解这些常用的关键指标。

▲ 公众平台 4 大数据统计模块 34 个关键指标

用户分析：用户增长和用户属性

用户增长也就是我们常说的涨粉情况，包含 4 个关键指标，新增人数、取关人数、净增人数、累积人数。新增人数和取关人数是每天实时涨粉、掉粉的数据，净增人数 = 新增人数 - 取关人数，而累积人数是当前实时关注总人数。

细心的同学可能注意到，公众号后台首页有个是「总用户数」，是指所有关注过公众号的人数，其中包含已经取关的粉丝量，类似 APP 的装机量，只要安装过 APP 都算在装机量中，不管是不是已经卸载，所以「总用户数」是个虚荣指标，「累积人数」才是实实在在留存下来的粉丝，我们经常谈论的粉丝量是「累积人数」。

用户增长我们需要特别关注新增人数和取关人数曲线的峰值数据。当涨粉特别是掉粉在某一天达到峰值时，一定提高警惕，一推送就掉粉，一般有两种情况，要么粉丝有问题，要么文章有问题。

粉丝有两种，一种是路人粉，也就是通过参与活动关注的账号，他们关注账号只是为了获得奖品，你推送文章不符合他们的预期，所以取关；一种是精准粉，他们是真正喜爱你的产品或内容才关注，你日常推送的文章，都是他们第一个打开阅读。

文章问题导致的掉粉其实很少，除非你的账号定位很不明确，推文质量也良莠不齐。采用前人经验撰写的标题、文章总不会太差，不至于一推送就因为文章质量而取关，所以不要妄自菲薄，过于焦虑。

用户增长还可以查询到用户的关注来源，简单介绍下各个关注渠道的定义：

搜索关注：说明账号有一定影响力或者来自微信之外第三方平台的推荐。扫码关注：主要来自线上线下活动涨粉（线下二维码物料，或线上海报、文中二维码）。图文关注：靠文章内容涨粉。支付关注：一般是开通支付功能的服务号，线下店面支付时同时关注公众号。

通过「用户属性」可以了解粉丝的性别、语言、省份、城市等 4 个信息，你只需要了解粉丝的性别、地域。

比如情感类的账号粉丝性别以女性为主，科技类账号粉丝男性居多；地域只要不出问题即可，什么是出了问题？河北的一个地域号，一半以上粉丝都是湖南的，这就出了问题。

显然了解用户仅凭这些信息还不够，真实的用户信息需要做用户调研，你可以用麦客表单、金数据、问卷星这类问券工具，建一个表单，推送出去或添加在关注自动回复里面。

用户调查的信息通常包含：年龄、收入、职业、爱好等，通过调查发现关注公众号的粉丝 90 后偏多，那就在写推文的时候语言上多一些网络流行元素；粉丝普遍收入比较高，那就在排版、配图上精致一些，满足中产阶层的审美。

图文分析：单篇图文和全部图文

单篇图文的数据分析详情页有 5 个关键指标：送达、公众号会话阅读、从公众号分享到朋友圈、在朋友圈再次分享、在朋友圈阅读。

▲ 单篇图文的数据分析详情页入口

这 5 个指标形成一个转化率漏斗模型，通过数据还原出一篇文章的传播路径：

推送文章→关注账号的粉丝在公众号会话窗口打开文章→从会话窗口分享朋友圈→粉丝的好友再次分享朋友圈→在朋友圈被好友的好友阅读→获得更广泛的传播……

其中前 3 个指标定义为一次传播，后 2 个指标定义为二次传播。公众号文章阅读量 = 一次传播 + 二次传播，通过观察转化率漏斗数据，很容易判断出，一篇文章是否具有传播性，它的阅读量来源于已关注用户，还是朋友圈分享的结果。

▲ 单篇图文转化率漏洞模型

而通过单篇图文「数据概况」中的饼图，也可以分析出文章标题与内容的关系，进而对运营做出调整。这里要引入「阅读量 & 朋友圈分享占比」四象限图：

菜单分析：菜单点击次数查询

公众号会话窗口的底部自定义菜单栏，往往是很多运营人员忽略的流量入口，新改版的公众号关注页面增加了自定义菜单展示，不用关注公众号也可以看到，势必相比之前仅仅在公众号会话窗口底部要带来更多曝光。

通过对菜单栏某个按钮的点击次数监控，及时调整按钮的位置和文案，使链接到按钮的内容获得更多点击，或者，通过数据分析某个按钮压根没人点击，那就干脆去掉。

一些个人公众号，菜单栏设置很随便，什么「撩我」「戳一下」，其实都是很自嗨式的逻辑。

分享一个简单的自定义菜单栏设置模板：文章精华 + 行业工具 + 联系作者。同时，菜单栏的内容也要经常更新，尤其是你的公众号在做活动时，菜单栏可以和文章内容打个小配合。

比如我的公众号自定义菜单是这样设置的：

不要抵触粉丝加你的个人微信，我曾做过一个小调查，很多人在关注一个喜欢的公众号后，都希望能加上作者的个人微信，他们想看到大咖们的朋友圈都分享些什么内容。而且加粉丝为微信好友，通过朋友圈查看你分享的文章，能直接提高公众号文章的打开率。

消息分析：用户自主发往后台消息和关键词自动回复消息

消息是粉丝和你的公众号产生互动的结果，对消息的分析也是指导公众号运营的重要数据。「消息关键词」中列出了后台「自定义关键词」和「非自定义关键词」的发送排行榜。

通过这些数据，你可以直观地看出你之前设置的哪些关键词粉丝发送的多，哪些非自定义关键词突然爆发式增长，及时设置相应的「自定义关键词」提高公众号服务粉丝的意识。

04

案例分析

最后以某餐饮连锁企业的公众号（服务号）为例，运用以上的数据分析方法，截取10月17日数据，对该账号做一次运营诊断。

用户分析

▲ 账号整体情况

▲ 昨日关键指标

▲ 最近 30 天取关人数

▲ 最近 30 天通过「支付关注」渠道新增粉丝

这个账号最近 30 天取关的峰值都是推送文章的日子，属于典型的一推送文章就掉粉的账号。通过分析各渠道涨粉的数据，发现这个主要粉丝来源于「支付关注」，这是线下实体品牌常见的涨粉方式，不难理解，通过支付功能关注的粉丝，其实对公众号的日常内容并没有太大的认同，也就是推送的文章并没有达到用户的心理预期，导致取关。

运营建议：建议设计跟品牌相关的互动文章二维码物料，在餐厅店内摆放，增加顾客对公众号的认知，并与公众号产生主动互动。

图文分析

▲ 10 月份某篇文章图文分析详情页漏斗模型

▲ 10 月份阅读来源分析饼图

这个公众号文章传播路径就是上文提到的，阅读量高全凭标题党，阅读量绝大部分来自于「公众号会话阅读」，文章被分享到朋友圈的几率很少，几乎可以忽略不计，估计绝大部分都是餐厅员工转发。

运营建议：提高内容质量，多发与顾客互动相关的内容，加强与粉丝的互动。特别建议开设品牌的个人微信号，如运营小编个人号、店长个人号，与粉丝建立强关系，可提高文章在朋友圈的打开率，进而促进文章在朋友圈的传播。

菜单分析

▲ 最近30天自定义菜单栏点击情况

一级菜单「会员中心」点击量最高，「更多」作为一级菜单，指向太模糊，该列菜单包含「门店信息」和「加入我们」，均有一定点击量，可以考虑将「更多」改为「联系我们」，提高「门店信息」和「加入我们」的曝光。而一级菜单「好食材」点击量几乎可以忽略，可以尝试寻找更多顾客「痛点」与「痒点」，替换掉「好食材」。

消息分析

▲ 消息发送人数小时报

▲ 最近 30 天消息发送日报

▲ 消息关键词TOP200 非自定义关键词

通过分析最近 30 天消息发送小时报、日报，发现周四、周五饭点期间发送消息的用户达到峰值，而在「非自定义关键词」中建议、菜单、外卖、营业时间等相关关键词发送较为集中。

运营建议：周四、周五饭点前后增加线上客服响应，提高用户咨询相关问题的体验，从而培养用户忠诚度。增加顾客集中咨询的关键词，设置自定义回复，提高用户咨询体验。

本文主要讲述数据挖掘分析领域中，最常用的四种数据分析方法：描述型分析、诊断型分析、预测型分析和指令型分析。

当刚涉足数据挖掘分析领域的分析师被问及，数据挖掘分析人员最重要的能力是什么时，他们给出了五花八门的答案。

其实我想告诉他们的是，数据挖掘分析领域最重要的能力是：能够将数据转化为非专业人士也能够清楚理解的有意义的见解。

使用一些工具来帮助大家更好的理解数据分析在挖掘数据价值方面的重要性，是十分有必要的。其中的一个工具，叫做四维分析法。

简单地来说，分析可被划分为4种关键方法。

下面会详细介绍这四种方法。

1. 描述型分析：发生了什么？

这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。

例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。

2. 诊断型分析：为什么会发生？

描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。

良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。

3. 预测型分析：可能发生什么？

预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。

预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。

在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

4. 指令型分析：需要做什么？

数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

例如，交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素，来帮助选择最好的回家路线。

结论

最后需要说明，每一种分析方法都对业务分析具有很大的帮助，同时也应用在数据分析的各个方面。

原文链接：http://kdnuggets/2017/07/4-types-data-analytics.html

转载请注明出自：葡萄城控件

关于葡萄城

葡萄城是全球控件行业领导者，世界领先的企业应用定制工具、企业报表和商业智能解决方案提供商，为超过75%的全球财富500强企业提供服务。

关于数据分析师，数据工程师和数据科学家有什么区别，三者有着相关的共同点，又有着不同点，数据科学家的影响力与互联网同进同退。数据工程师和数据分析师与数据科学家携手共同完成这幅“大数据时代”巨作。

数据科学家是什么样一个存在呢?

通常情况下，数据科学家有数学或物理方面的高等学位。有博士学位的情况并不少见，硕士学位仅是一个前提条件。数据科学家精通统计建模以及如何构建与定制高级数学算法。这既在他们专业范围内，也是他们所擅长的地方。我听到过有人这样形容一个数据科学家“软件工程技能牛过多数人的酷炫统计学家”。

我结合加工的说：所谓数据科学家，是指运用统计分析、机器学习、分布式处理等技术，从大量数据中提取出对业务有意义的信息，以易懂的形式传达给决策者，并创造出新的数据运用服务的人才。

数据工程师如何定义呢?

数据工程师一般被定义成“深刻理解统计学科的明星软件工程师”。如果你正为一个商业问题烦恼，那么你需要一个数据工程师。这些伙计就是那些能提供可建模数据所需平台的人。他们的核心价值在于他们借由清晰数据创建数据管道的能力。

如何区分数据科学家，数据工程师与数据分析师

数据工程师对演算法有相当好的理解。因此，数据工程师理应能运行基本数据模型。商业需求的高端化催生了演算高度复杂化的需求。很多时候，这些需求超过了数据工程师掌握知识范围，这个时候你就需要打电话寻求数据科学家的帮助。

数据分析师如何理解呢?

数据分析师能洞悉一个方程式的商业意义。他们知道如何提出正确的问题，非常善于数据分析，数据可视化和数据呈现。不管是给另一个数据分析师还是C级执行做演讲，数据分析师都是数据提取，模式识别以及从大量数据中洞察问题方面的能手。

如果你或者你的公司正考虑顺应这股大数据浪潮的发展，你应该从明确你想利用大数据解决所面临的商业问题处下手。接着找出你真正的需求：是数据采集，检索，仓储还是数据分析?然后编写相应的职位描述并做好准备。

想要快速进入大数据行业，西线学院大数据培训是不错的选择，除了坚持小班化教学之外，还以项目式教学为宗旨，手把手辅导学员，进行大量的案例操作，保障学员不光学会书本上的知识，更具有实际操作的能力。

作者：吴彬彬

我们在生活中，会经常听说两种推理模式，一种是归纳 一种是演绎，这两种思维模式能够帮助数据分析师完成原始的业务逻辑积累，在此基础上快速定位业务问题，提升分析效率，但是对于刚入门的数据分析师，在项目经验不足的前提下，如何快速完成项目的分析报告？ 这里引进一种外展推理的思维模式，方便入门分析师的完成日常的工作。

那什么是外展推理模式呢？

在麦肯锡思维模式中它将人的推理过程涉及的实体分为三个部分：规则，情况以及结果。

规则: 通常是对这个世界的看法；情况：就是这个世界存在的已知事实；结果：将规则用于情况，预期要发生的事儿。

这三个任何一个实体都可以作为推理的起点，然而起点不同意味着，推理的方法也有所差异。

以规则为起点的推理方法可以称之为演绎推理。

举个例子，如果平时不努力，考试成绩将不及格(规则)；现实中a平时不努力(情况)；所以a考试不及格(结果)。

以情况为起点的推理方法就是归纳推理。

a平时不努力(情况)；a考试不及格(结果)；所以a考试不及格的原因可能是平时不努力。

以结果为起点的推理方法就是外展型思维方法。

a考试不及格(结果)，考试不及格通常是由于平时不努力(规则)，检查是否平时不努力(情况)。

从日常工作中，我们可以发现，外展推理的思维模式十分切合日常数据分析师的多维分析定位原因的工作模式，是数据分析师尤其是入门数据分析师最应该具备的一种思维逻辑，那如何进行外展推理呢？外展推理用大白话来说就是强迫自己思考产生问题的各种可能原因，之后的重点就是收集资料，以证明是这些原因或不是这些原因。在工作过程中MECE结构化分解是主要手段，按日常的工作可以简化如下三个流程：

将所思考的问题的相关因素全部罗列出来。对所有相关的因素进行层级和相关性比较，分离不同层级的因素，合并同一层级中相同的因素，确保各因素的独立性。按照正确的逻辑关系，把各因素进行排列组合。

如下图：我们可以将问题进行分解，分解的原则为

各部分之间相互独立 （Mutually Exclusive）所有部分完全穷尽 （Collectively Exhaustive）

在此基础上按层级进行数据分析定位，找到最细的原因。

在工作中，我们主要会用到的分解方法有这两种，

按业务职能结构划分，比如渠道，运营，功能等相关模块，将相关指标映射到主要模块，通过简单快速的沟通，能快速的定位问题原因，但是缺点是分析结果不够直接，依赖外部资源信息搜集。按因果结构划分（指标分解）营收=日活*付费率*arpu等指标因果关系进行划分，通过定位指标波动，定位最细指标，辅助维度下转，能够清楚的问题原因，该方式是较为稳妥的方式，是日常工作中的主要方式，但是缺点是需要构建相对完整的指标逻辑体系。

如上两种分解方法针对不同的项目要求进行组合应用，但是外部资源搜集及完整的指标逻辑体系训练是入门数据分析师到资深分析师最难跨越的两道门槛，在经过阶段训练后，逐步利用归纳和演绎的思维，提升业务熟悉程度，完成业务的初始积累后，后续的分析过程中就可以逐步减少拓展推理的层级及组合，逐步提升问题原因定位的效率。

网易有数：企业级大数据可视化分析平台。面向业务人员的自助式敏捷分析平台，采用PPT模式的报告制作，更加易学易用，具备强大的探索分析功能，真正帮助用户洞察数据发现价值。可免费试用。

作者：瑶子

今天想写的主题是：数据分析 ，我一直觉得这属于很多人不知道Ta有多重要、一部分人知道Ta重要但并不重视，只有极少数人真正在工作中重视Ta并且运用Ta。

说一个东西重要，肯定要讲为什么，不然绝对是要被拿着刀追几条街的。

那么，数据分析为什么重要呢？至少有以下好处：

相比“似乎”、“好像”，能够更加客观的呈现真实现状；

相比“我以为”、“我觉得”，数据的改变是对产品”改变”做出的最直观、最无声的投票，数据可以佐证“改变”是否正确、恰当以及效果如何；

相比所谓的“经验”、“年纪”、“职位”，数据能够排除掉这些太不可控的“主观”的影响/压力，作为另一个相对客观的决策依据；

说的更加大白话一些的，那就是：

你刚接手个新业务，搞不清现状，小伙伴也东一嘴西一嘴的讲的碎碎的，你可以看数据；

如果你想做某个需求，人家不给你做，你可以甩数据给他看，证明需求的必要性；

如果你不想做某个需求，但人家硬要你做，你还是可以甩数据，证明需求无意义或者效果不理想；

如果你做了需求不知道要不要继续迭代下去，你还是可以看数据，去看用户的无声投票如何；

数据是产品、运营、技术日常装备中必不可少的矛和盾。至于什么时候是矛，什么时候是盾，那就看不同场合不同情况了。

// 补充：数据分析辅助决策，但并不是决策的唯一要素。我并不鼓吹数据分析天下第一，请注意，合理使用才是王道。

数据的最大天坑

数据分析，字面意思，数据分析由两个部分组成：一是数据，二是分析，看起来跟废话一样，但却也是绝大多数人都忽略的。

大多数人在讲到数据分析的时候，更加注重的是分析，而并不是数据本身，这就造成了数据分析最大的误区：不关心数据怎么来，使劲儿做无用功。

举个简单的例子呗？

在App的新版本上，产品经理新加了个子频道。版本上了一段时间数据稳定后，产品经理从数据发现，哎哟，这个子频道很吊炸天啊，点击率、登录比等数据同比甩其他子频道N条街啊，恩，说明这个子频道用户很需要呀，以后要接着往这个方向上做。

看似，产品经理好像做了正确决策吧？

然而，oh，no，不幸的消息来了！

程序员在数据埋点的时候不小心埋错了，他把另一个热门子频道的数据和这个新频道埋在了一起，数据计算的是这两个频道的总和！（抱歉，程序员又一次实力背锅，之后会为你们正名）

因为错误的数据，得出了错误的分析结果，并且还做了后续错误方向的工作，这在日常中其实并不少见，虽然真的很蠢。

有效数据分析的前提，是对正确的数据做分析。

分析的最大天坑

数据怎么来的，是基础。得来的数据怎么分析，是进阶。光有数据不分析，假把式，还糟蹋了人家的SQL。

这就引来了一个重要问题：为什么要分析？

用基本的分析去了解现状以及趋势；

用针对的分析去验证或者踢翻自己的想法；

看似很简单，实际做起来却一点儿都不简单。又要举个常见例子呗：

新版本发布了一段时间，数据也稳定了，产品经理让实习生A、B、C分别做一份用户对新版本各项修改内容的数据分析反馈报告。

实习生A：这个简单啊，数据组的同学一定有数据，拿过来就是了。

最后他把各种原始数据表发给了产品经理；

产品经理内心独白：X，我要你有个啥用？

实习生B：这个工作，数据同学说不定已经做了，直接找他问就好了嘛。

最后他把数据挖掘童鞋的口述内容写成了报告发给了产品经理；

产品经理内心独白：虽然比之前的那个好，但依旧X，你自己的脑子呢？

实习生C：这个报告不是那么好写的，至少得：

看下新增、优化、影响了哪些地方做重点观察；

围绕着这些地方，分别列好目标和可能的猜想；

找数据挖掘童鞋聊并且记录根据他的角度数据处于什么样的情况，还得记得拿原始数据；

自己再做一次针对性的数据分析工作；

得出一些结论，保留一些疑惑等；

最后他把根据以上步骤得出的观点做成了报告发给了产品经理，同时附带了原始数据的各种变形计算；

产品经理内心独白：这个上道，可以的可以的。

实习生A、B其实都属于没有搞清楚为什么要分析，分析的目的到底是什么。没有想清楚这一环节，自然给到的分析结果也没什么用了。

分析目的是指南针，只有方向对了，后续的各种分析方法以及分析结果才有意义。

上文举的例子，其实一部分说明了数据分析过程中除了以上两大坑之外的一些其他小坑坑，下面也来简单列一列：

1. 小团队的数据正确性很难被保证

这个就是上文举例的时候我说会为开发同学正名的部分。大公司暂且不说，毕竟，光是数据支持团队就比人家小公司一整个团队的人还要多了。

小公司往往没有资源去组建自己的数据团队，这个时候就要使用各种第三方的统计软件来做数据埋点。然而，各个统计软件又有各自的问题：

GA：需要翻墙，数据会计漏；

百度：额，不说了；

友盟：统计大的数据ok，但是在细致的用户行为方面就比较菜了，代码埋点也是个坑，数据也不图表化！（好久前用的，可能现在已经慢慢有图表了吧？）；

fabric：和友盟其实差不多，但是强在程序报错上，另外数据图表化做的也是很炫酷，但，还是坑爹的代码埋点；

growing io/诸葛io：强于细致的用户行为数据分析，同时宣称可以无代码埋点。然而无代码埋点又是另一个不亚于代码埋点的大坑，必须符合他的框架写法才行，不然数据统计不上或者出错。然而，框架写法又没有明确的文本说明，开发也不一定能改掉自己的写法。另外，细致的用户行为数据分析，在实际分析操作上也是很蛋疼的；

完蛋，扯远了，这块如果感兴趣，可以专门搞篇文章写写。想说的是，代码埋点会产生很多问题，例如：

可能因为不同程序员的页面代码写法不同，计算结果不同；

可能因为埋点过程中没有沟通好，出现理解偏差，计算结果不同；

可能因为开发不小心埋错点，计算结果不同；

可能因为版本迭代修改了某个地方，导致计算结果不同；

非常多可能性，导致埋点错误，从而导致数据错误。每次看移动端数据，都要ios和android端一起对着看，谁能懂？特么的跟侦探一样样的。

2. 存在已久并不代表一定正确

这个存在已有，不仅是指数据，同样也指分析结果。

某个数据存在已有，所有人都对Ta没有质疑，这就能说明这个数据没错了么？

其实不一定哦，也许这个数据从未被人注意过，也有可能大家都把质疑数据的正确性这个前提给忽略掉了。

所以，如果在分析的过程中发现，数据的横向对比或者纵向对比，结果存在一定的违背，那么这个时候就要注意了。

至于分析结果的存在已久嘛，没啥好说的，产品功能、产品运营手法都有可能导致数据的大变动，分析时段自然要比较新鲜才有用。

3. 数据条件很重要

数据条件是什么意思？说白了就是放在数据这两字前的定语，即：什么样的数据。（这是定语还是形容词，傻傻搞不清）

举个例子：

极度活跃用户、一般活跃用户、不活跃用户、沉默用户、流失用户。在用户之前的字就是数据条件。

为啥说数据条件很重要呢？原因在于不同条件的数据在各项指标上可能都会差异非常大，而无法用简单的均值来做概括。例如极度活跃用户在活跃天数、活跃时长、日活跃次数、留存率等上都会甩掉其他用户好几个级别。

当然，更为日常的情况是，在和数据同学沟通的时候，一定要先确保大家的沟通前提处在同一条件下，不然很可能出现的情况是：拿到的数据是正确的，但是条件是偏差的。

4. 第一手分析很重要

很多小伙伴喜欢偷懒，觉得有数据挖掘同学分析数据就可以了，但其实并不是这样的。

其一：除了数据本身是客观的之外，对数据做的任何处理都是主观的，不管是用模型还是各种数据之间的变形计算，都是主观的，差别在于主观的程度多少而已，每个人都会站在自己的背景知识去处理数据，如何保证别人的和自己相同呢？

其二：在分析数据的过程中，一般来说，各种横纵向对比，是可以发现一些自己之前没有注意过的结论的。而这点，别人帮你分析的过程中，一般这些信息无形中就不见了。

5. 分析具有联动性

绝大多数情况下，单独看某一个数据，一般意义不那么大，或者说达不到更好的效率。

举些例子：

评价某模块做的好不好，只看绝对uv，而不同时看模块登录比，介是耍流氓；

评价内容做的好不好，只看生产的绝对量，而不同时看不同类型内容的分别用户uv占比/生产量，介也是耍流氓；

联动的看数据，才能更加综合的去判断。

感觉写的差不多了，那就先这样呗？虽然还有一些其他小坑，哎哟，以后再写吧。再熬夜，感觉一周都要缓不过去了。

End.

比赛分析至今仍被忽视

分析这一行为已被广泛应用于各个领域。没有通过分析总结而来的基础知识，我们就无法进步。运动亦是如此。

在网球界，分析统计的积极作用虽已被认可，但遗憾的是推广速度很慢，至今仍被很多人忽视。

要进行比赛分析，首先要对比赛经过有详细的把握。在大满贯赛事中，一场比赛会打满5 盘，比赛时间有时会长达5 小时以上。要想掌握比赛的特征以及影响比赛的因素，仅是分析这两点，就有足够的信息可供你使用了。

去年澳网男单决赛，乔科维奇对阵纳达尔，全场比赛两人共拿到369 分，完成了2000 次底线抽击，比赛耗时5 小时53 分钟。相信没有人能够记住比赛的细节，因为每次抽击都是在不同的情况下完成的，同样的击球不会出现两次。

每一盘结束或整场比赛结束时，电视屏幕或互联网上就会公布技术统计。这些固然是重要的信息，能够对比赛做出一定程度的总结，但这些统计数据无法对比赛进程、各种战术展开的过程和背景进行再现，而这些却是更加重要的。

没有笔记的帮助，无法传达事件背后的真相如今，大部分职业选手都聘请了专职教练。教练会专心关注比赛，为选手提供帮助。当选手在比赛中击球成功或失误时，教练会进行示意（WTA 巡回赛之外，教练禁止赛场指导）。同时，选手面对挫折时教练会努力帮助他们走出困境，教练的作用无可置疑。

但值得注意的是，很少有教练会以赛场记录的形式记录下比赛过程。能够做到这一点的教练少之又少。

顶级职业球员的教练执教经验丰富，能够在头脑中记录下很多事件，但比赛瞬息万变，若没有笔记的帮助，很难对比赛过程进行切实的分析。

现在，重要的巡回赛都有电视直播，我们可以重复观看比赛的画面。但从现场第一时间捕捉到的信息，是无法通过比赛的重放画面得到的。

我从青年球员成长为职业球员的过程中，一直在以笔记的形式记录比赛过程。我与指导的选手一同分析比赛时，笔记带给我们很大的帮助。

比赛结束后，选手的情绪会完全释放出来，尤其是失利后，选手深陷在自我否定的情绪中，无法对比赛进行客观的分析，这样自然无法找到失利的真正原因。在这样的情况下，你能够仅凭记忆，向选手分析败北的原因吗？仅凭记忆又如何能够证明你的分析是正确的？

今天我要向大家介绍的分析方法，是我在指导青年时期的贝克尔、格拉夫的年代所开发，并且至今为止已经收到很好效果的分析法。我们借用的比赛实例就是去年澳网男单决赛，纳达尔对乔科维奇一战。

统计数据的真实性

大家都知道比赛的结果。经过5 小时53 分钟的鏖战，乔科维奇以5 ∶ 7、6 ∶ 4、6 ∶ 2、6 ∶ 7（5）、7 ∶ 5又一次取得了胜利。下表所示的是比赛的最终技术统计，从这个表格中，大家捕捉到了哪些信息？

纳达尔的一发成功率比对手高出8%，且Ace 球多出一记，一发最快时速也比对手高出2km。

再来看乔科维奇。一发得分率比纳达尔高2%，二发得分率也高出纳达尔18%，制胜球多出13 个，非受迫性失误少两次，二发平均时速超过纳达尔15km。

这些数据确实值得我们去研究，但它们并没有向我们展示胜败的根本原因。而这其中最值得我们注意的是总得分数。乔科维奇193，纳达尔176。这是指向胜利或失败最重要的指针。这一点我们接下来会具体进行讲解。

在互联网的下半场，不断精细化运营的背景下，产品经理不再是单纯的靠感觉来做产品，更需要培养数据的意识，能以数据为依归，来不断改善产品。

不同于公司专业的数据分析师，产品经理更多的可以从用户、业务的层面去看待数据，去更快更透彻的去寻找数据变动的原因。

科多大数据带你们看看在数据已经被有效记录的前提下，如何有效的去进行大数据分析呢？

一、明确数据分析的目的

1、如果数据分析的目的是要对比页面改版前后的优劣，则衡量的指标应该从页面的点击率，跳出率等维度出发，电商类应用还要观察订单转化率，社交类应用要注重用户的访问时长、点赞转发互动等频次。

不少新人在设计自己产品的时候，可能会花费很多时间在产品本身的设计上，却没有花精力思考如何衡量产品的成功与否，在产品文档上写上一句类似“用户体验有所”提升的空话，这样既不利于产品设计顺利通过需求评审，也无法更有效的快速提高产品的KPI指标。

2、如果数据分析的目的是探究某一模块数据异常波动的原因，则分析的方法应该按照金字塔原理逐步拆解，版本->时间->人群。

比如发现首页猜你喜欢模块最近的点击率从40%下降到了35%，暴跌5%个点，这个时候先看看是不是哪个版本的数据发生了波动，是不是因为新版本上线埋点遗漏或有误造成的。

如果版本的波动数据保持一致，再看看数据是从什么时候开始变化的，是不是因为受到了圣诞、元旦假日因素的影响，页面上其他模块上线了新的活动影响了猜你喜欢的转化。

如果不是，则再拆解是不是流量来源构成发生了变动，是不是新用户的曝光数量增加导致的。

产品经理需要带着明确的目的去分析数据，思考实现目标需要构建哪些维度去验证。大部分时候，产品经理需要非常耐心的一步一步的拆解细分，排查原因。

二、多渠道收集数据

收集方式一般有四类渠道。

1、从外部如易观或艾瑞的行业数据分析报告获取，需要带着审慎的态度去观察数据，提取有效准确的信息，剥离部分可能注水的数据，并需要时刻警惕那些被人处理过的二手数据。

2、从AppStore、客服意见反馈、微博等社区论坛去主动收集用户的反馈。我自己经常有空的时候就会去社区论坛看看用户的状态评论，一般这样的评论都是非常极端的，要么特别好，要么骂成狗，但这些评论对于自身产品设计的提升还是非常有益的，可以尝试去反推用户当时当刻为什么会产生如此的情绪。

3、自行参与问卷设计、用户访谈等调研，直面用户，收集一手数据，观察用户使用产品时所遇到的问题及感受。问卷需要提炼核心问题，减少问题，回收结果需剔除无效的敷衍的问卷。用户访谈需要注意不使用引导性的词汇或问题去带偏用户的自然感受。

4、从已记录的用户行为轨迹去研究数据。大公司一般会有固话的报表/邮件去每天甚至实时反馈线上的用户数据情况，也会提供SQL查询平台给产品经理或数据分析师，让他们可以更有深度的探究对比数据。

三、有效剔除干扰数据

1、选取正确的样本数量，选取足够大的数量，剔除极端或偶然性数据的影响。08年奥运会上，姚明的三分投篮命中率为100%，科比的三分投篮命中率为32%，那么是不是说姚明的三分投篮命中率要比科比高？显示有问题，因为那届奥运会，姚明只投了一个三分球，科比投了53个。

2、制定相同的抽样规则，减少分析结论的偏差性。比如两条Push文案，第1条“您有一个外卖暖心红包未领取，最大的红包只留给最会吃的你，点击进入”，第2条“送你一个外卖低温福利，足不出户吃喝热腾美味，点击领取”。实验数据表明，第二条Push文案的点击率比第一条同比高了30%。那么真的是第二条文案更有吸引力嘛？结果发现是第二条Push文案的接收人群的活跃度明显高于第一条造成的。

3、剔除版本或节假日因素的干扰，新版本刚上线时的数据表现往往会很好，因为主动升级的用户一般是高活跃度的用户。临近周末或大型节假日的时候，用户的消费需求会被触发，电商类应用的订单转化率也会直线上升。因此，在数据对比的时候，实验组和对照组的数据在时间维度上要保持对应。

4、对历史数据遗忘。人与数据技术不同，数据技术有着100%的记忆能力，而人类根据艾浩宾斯遗忘定律1天后只能记起33%，6天后25%，31天后21%。因此，我们要合理的选择筛选时间段。比如猜你喜欢模块不仅要对兴趣标签的计分进行一定的加权处理，也要结合商品的生命周期等因素做一系列的回归实验，得出受众人群对各类兴趣和购买倾向的衰退曲线，利用有规律的时间变化有效删除老数据，去提升模块的点击率。

5、实验需拆分A1组，也就是在实验组B和对照组A上再增加一组A1，A1和A的规则保持一致，然后探究AB的数据波动与AA1比较，剔除数据的自然/异常波动带来的影响。以我实际的A/B实验表明，设立A1组是非常重要且必要的，不管数据量级有多大，相同实验规则的两组在数据也会有一定的小幅波动，而这小幅波动在精细化运营的今天，对我们的判断可能形成较大的干扰偏差。

四、合理客观的审视数据

1、不要忽略沉默用户

产品经理在听到部分用户反馈的时候就做出决策，花费大量的时间开发相应的功能，往往结果，可能这些功能只是极少部分用户的迫切需求，而大部分用户并不在乎。甚至有可能与核心用户的诉求相违背，导致新版产品上线后数据猛跌。

忽略沉默用户，没有全盘的考虑产品大部分目标用户的核心需求，可能造成人力物力的浪费，更有甚者，会错失商业机会。

2、全面理解数据结果

如果实验结果的预期与我们的经验认知有明显的偏差，请不要盲目下结论质疑自己的直觉，而是尝试对数据进行更透彻的分析。

例如我曾经做过在首页给用户投放活动弹窗的实验，发现实验组的数据不管在首页的点击率，订单转化率乃至7日留存率方面都远超对照组，首页上的每一个模块的转化率都有明显的提升，远远超出了我们的预期，那这真的是活动弹窗刺激了用户的转化率嘛？

后来我们发现在首页能够展示出活动弹窗的用户，往往在使用环境时的网络状态比较好，在wifi环境下，而未展示弹窗的用户则可能是在公交/地铁/商场等移动场景下，网络通讯可能不佳，因此影响了A/B实验的结果。

3、不要过度依赖数据

过度依赖数据，一方面，会让我们做很多没有价值的数据分析；另一方面，也会限制产品经理本来应有的灵感和创意。

正像罗振宇在时间的朋友跨年演讲上提到的一样。用户要什么，你就给什么，甚至他们没说出来你就猜到了，这叫母爱算法，在内容分发领域没有人比今日头条做得更好，但母爱算法有很大的弊端，在推荐的时候会越推越窄。

另一面则是父爱算法，站的高，看得远。告诉用户，放下你手里的烂东西，我告诉你一个好东西，跟我来。正像乔帮主当年打造的iPhone系列产品一样，不看市场分析，不做用户调研，打造出超出用户预期的产品。

五、总结

美国最成功的视频网站Netflix通过基于用户习惯的分析，将大数据分析深入到电影的创作环节中，塑造了风靡一时的美剧《纸牌屋》。然而Netflix的工作人员告诉我们，不应该迷恋大数据

如果说电视剧评分9分是精品的话，大数据可以让我们脱离低分6分以下的风险，却也会带我们按部就班的走向平庸的绝大多数7-8分之间。

产品经理在直觉创造的心智能力，情感理解的社交能力，与大数据相结合，正确的理解数据，让数据真正嵌入到产品的设计中，切实解决用户的实际问题，方能真正做到所谓的“用户洞察”，让产品走到用户需求前面，超出用户的预期。

数据分析是从数据中提取有价值信息的过程，过程中需要对数据进行各种处理和归类，只有掌握了正确的数据分类方法和数据处理模式，才能起到事半功倍的效果，以下是数据分析员必备的9种数据分析思维模式：

1. 分类

分类是一种基本的数据分析方式，数据根据其特点，可将数据对象划分为不同的部分和类型，再进一步分析，能够进一步挖掘事物的本质。

2. 回归

回归是一种运用广泛的统计分析方法，可以通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各参数，然后评价回归模型是否能够很好的拟合实测数据，如果能够很好的拟合，则可以根据自变量作进一步预测。

3. 聚类

聚类是根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大的一种分类方式，其与分类分析不同，所划分的类是未知的，因此，聚类分析也称为无指导或无监督的学习。

数据聚类是对于静态数据分析的一门技术，在许多领域受到广泛应用，包括机器学习，数据挖掘，模式识别，图像分析以及生物信息。

4. 相似匹配

相似匹配是通过一定的方法，来计算两个数据的相似程度，相似程度通常会用一个是百分比来衡量。相似匹配算法被用在很多不同的计算场景，如数据清洗、用户输入纠错、推荐统计、剽窃检测系统、自动评分系统、网页搜索和DNA序列匹配等领域。

5. 频繁项集

频繁项集是指事例中频繁出现的项的集合，如啤酒和尿不湿，Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，目前已被广泛的应用在商业、网络安全等领域。

6. 统计描述

统计描述是根据数据的特点，用一定的统计指标和指标体系，表明数据所反馈的信息，是对数据分析的基础处理工作，主要方法包括：平均指标和变异指标的计算、资料分布形态的图形表现等。

7. 链接预测

链接预测是一种预测数据之间本应存有的关系的一种方法，链接预测可分为基于节点属性的预测和基于网络结构的预测，基于节点之间属性的链接预测包括分析节点资审的属性和节点之间属性的关系等信息，利用节点信息知识集和节点相似度等方法得到节点之间隐藏的关系。与基于节点属性的链接预测相比，网络结构数据更容易获得。复杂网络领域一个主要的观点表明，网络中的个体的特质没有个体间的关系重要。因此基于网络结构的链接预测受到越来越多的关注。

8. 数据压缩

数据压缩是指在不丢失有用信息的前提下，缩减数据量以减少存储空间，提高其传输、存储和处理效率，或按照一定的算法对数据进行重新组织，减少数据的冗余和存储的空间的一种技术方法。数据压缩分为有损压缩和无损压缩。

9. 因果分析

因果分析法是利用事物发展变化的因果关系来进行预测的方法，运用因果分析法进行市场预测，主要是采用回归分析方法，除此之外，计算经济模型和投人产出分析等方法也较为常用。

以上是数据分析员应熟练掌握的9种数据分析思维方法，数据分析员应根据实际情况合理运用不同的方法，才能够快速精确的挖掘出有价值的信息！