分析方案策划 确定了目标

[mdrafimia002]

但是有很多设计点的改动较为细微，且不是所有的功能或者设计都有机会通过严格控制变量来获得验证结果，并且功能和界面都是比较主观的，没有最好的，总会有更好的方案。所以一方面有很多设计点可能是有提升空间的，但是没有办法发现，另外一方面总会出现一些争议，比如为了提升连接转化率，要不要把看起来没什么用处的图片放到描述后面。

我们需要研究和预测不同变量之间的关系,为后续产品优化提供支持？所以选定了相关分析、一元线性回归、多元线性回归，三个方法都能达到我们想要的效果。通过线性回归能了解 墨西哥手机号码数据 变量间量化的关系，预测未来的变化趋势，即自变量提升1%能导致因变量多大的变化。这个也可以应用在产品营销策略、定价策略等场景。相关分析能获得的信息相对少一些，但是也能定性的了解到两个变量之间是否显著正相关。 我们试验了相关分析、一元线性回归、多元线性回归三个不同的分析方法，因为线上产品变量之间耦合比较严重，且在进行分析过程中发现部分自变量之间共线性严重且残差存在自相关，不符合线性回归的数据要求。所以最后采用了相关分析，这个结果和一元线性回归的结果是一样的，能普遍适用到所有场景，能得到的结论也比较多。 







数据采集 和用户调研能收集到单一用户所有维度的信息，所以采用用户维度的信息进行分析不同，线上产品很难收集到单个用户所有的行为数据，所以我们采用了聚合数据，采用同一段时间内不同天的核心数据和预设相关的用户行为数据。比如近30天每天的NPS和为了提升真实性的模块的展现率、点击率，近30天每天的连接率和连接相关模块的展现率、点击率。 （但这有一个风险点在于：这种数据处理方式的前提是我们假设时间对变量是没有任何影响的） 4. 数据分析 在试算后选取了相关分析的方法，然后就用SPSS交叉分析各用户行为和核心数据的相关性。 这里我们分析了用户行为和所有核心指标的相关性，因为某个用户行为可能和A指标显著正相关，但是和B指标显著负相关，这里如果只看其中某个方面，就会获得错误的结论，之后所做的事情也都会白费。