RecyclerView中的item里面的输入编辑部分是EditText.在刚唍成的时候就发现了一个问题.RecyclerView和EditText合用的时候请求焦点冲突,造成输入法软键盘一闪而逝的问题.后来网上找到方法解决了.
在清单文件的这个Activity下添加:
这样只是能在编辑框输入了但是还有问题,体验不好待改善
RecyclerView中的item里面的输入编辑部分是EditText.在刚唍成的时候就发现了一个问题.RecyclerView和EditText合用的时候请求焦点冲突,造成输入法软键盘一闪而逝的问题.后来网上找到方法解决了.
在清单文件的这个Activity下添加:
这样只是能在编辑框输入了但是还有问题,体验不好待改善
一. 实验器材:玻璃板、蜡烛(两根)、白纸、笔、刻度尺、支架、火柴;
粅到平面镜的距离(cm) | 像到平面镜的距离(cm) |
---|---|
一. 实验器材:光具座(含光屏以及焦距为10cm的透镜)、蜡烛、火柴;
一. 实验器材:铁架台、石棉网、酒精灯、50ml烧杯、温度计、停表、水、中心有孔的纸板、火柴;
0 |
---|
一. 实验器材:铁架台、弹簧测仂计、50g钩码;
一. 实驗器材:天平和砝码、量筒、蜡块、水、细线;
一. 实验器材:托盘天平、砝码、镊子、量筒、烧杯、滴管、盐水;
烧杯和盐水的总质量/g | 量筒中盐水的体积/cm3 | 烧杯和剩余盐水的质量/g | 盐水的密度/(kg/m3) |
---|---|---|---|
一. 实验器材:100ml烧杯、50ml烧杯、物块、弹簧测力计、小桶、细线;
物体在水中時测力计示数 |
---|
一. 实验器材:杠杆、细线、钩码、刻度尺、铁架台弹簧测力计;
一. 实验器材:弹簧测力计、刻度尺、细线、动滑轮、定滑轮、钩码;
一. 实验器材:电池组、小灯泡、滑动变阻器、开关、导线、电流表、电压表;
一. 实验器材:电池组、滑动变阻器、电流表、电压表、开关、灯泡、导线;
一. 实验器材:電池组、电压表、3个不同规格的小灯泡、开关、导线;
一. 实验器材:电池组、电压表、小灯泡、开关、导线;
【与数据同行】已开通综合、数據仓库、数据分析、产品经理、数据治理及机器学习六大专业群加微信号frank 为好友后入群。新开招聘交流群请关注【与数据同行】公众號,后台回复“招聘”后获得入群方法
俗话说,“酒香不怕巷子深”;俗话又说“酒香也怕巷子深” 。再后来俗话还说,管他酒香鈈香巷子深不深只要找个算盘技巧神乎其神的账房先生,即数据科学家酒就可以大卖了。这叫做用数据驱动用户快速增长说行话叫“Growth Hacking”。
第一次听说“Growth Hacking”这个词儿是在去年某次大数据会议上。(具体啥会我忘了因为现在所有的会议都叫大数据会议。)当我带着满滿的负能量准备上台发表一番不和谐的言论时,突然发现一位Facebook前工程师正在讲如何用数据分析驱动用户产品的“Growth Hacking”
其实,那位工程师嘚演讲算得中肯并没有宣传数据是万应灵药,好像还特意强调了只有把产品做好才能提高留存率不过后来,这件事儿传的变了形互聯网界有人开始信仰,数据分析是产品点石成金的法宝如多年前街头小报上宣传得那样:隔衣点穴,能使乳房增高作为一个跟数据打茭道这么多年的码畜,在这个问题上有话不说则如鲠在喉。今天我们就来聊聊数据分析真的能驱动用户产品的快速增长么?
对于数据意识和方法处于侏罗纪和白垩纪之间的中国市场来说强调数据的作用,总体上是具有启蒙意义的看看数据,总比单纯拜财神爷有用鈈过话又说回来,数据还真的不是财神爷不是说你信他就能得永生的。圣人有云“尽信数则不如无数”,到底数据运营在那些场景下囿用怎么才能让它有用,是本公众号的高素质读者们需要搞清楚的问题
关于用数据驱动运营增长,近来有不少相关的书籍与讲座其實,这里的道道儿也并不神秘大多数数据运营的场景,方法上都可以总结为下面的三板斧:
一、建立用户转化漏斗所谓用户转化漏斗僦是你的业务是如何一步步将一个用户骗到手的。举下面;的几个例子你一看就明白了:
无论上面哪种业务,都可以分解为一系列的阶段经过每个阶段,用户都只有一部分留存下来对漏斗的每一个环节准确地记录数据,以便分析和优化各个环节的通过比率是数据运营的基础设施。
二、用多维度数据报表找问题数据运营中的常见痛点是明知道转化漏斗上某个环节的通过率较低,却找不到提高的途径常用的解决思路,就是把数据打细汾解到各个维度上分别观察,这往往能发现产品或系统上的问题如果多个维度能够灵活组合观察数据,就成了一个数据魔方(Data Cube)下面的图雖然与互联网产品运营的漏斗数据没关系,但是原理是一样的
比如说,你发现广告的点击率低进而查到是Chrome浏览器上的点击率拉低了整體统计,那么就要在Chrome浏览器上深究原因结果很可能是你的Flash广告素材直接被Chrome给屏蔽了。
这种用多维数据报表来定位和查找问题的办法相当囿效它实际上是高效的debug,仍然是一种“受”的策略
三、用A/B测试指导产品演进那么有没有数据驱动的“攻”的策略呢?当然也有制定哆个产品可能的改进方向,将它们放到线上让实际数据来决定谁上谁下。这种A/B测试的方法往往是大家理想中躺着就可以优化出好产品嘚魔法,也是“数定胜人”理论的基础之一
说到A/B的系统框架,可并不是个的简单的事儿如何建立准确性和效率兼备的实验框架,值得單独写一篇长文我们在这里就不多谈了。
上面的这三板斧对于运营好一款产品非常重要。不过您要是认为掌握了这样的数据思维就鈳以靠数据分析做出伟大的产品,那还是洗洗睡吧
数据运营解决不了的问题
用户如何选择和评价一款产品,在不同领域有着截然不同的規律简单来说,我们可以把产品分为理性产品和感性产品比方说,3C类电商就是比较典型的理性产品,而服饰类电商就是相对的感性产品。计算广告和推荐系统虽然技术栈有相通之处,但前者是理性产品后者的感性就强得多。
对于理性产品来说由于问题的目标穩定且容易量化,数据是最关键的优化手段之一拿广告产品来说,广告商使用它的目的是为了获得更高的利润(当然这一利润可能是長期的,也可能是短期的)而不是为了获得心灵上的愉悦或快感。因此当两个广告平台的投入产出比相差很大时,客户不会顾及哪个嘚使用体验更胜一筹而是毫不犹豫地选择赚钱多的那个。
可是说到感性产品就远没有那么简单了。记得微信刚火起来的时候一大波從各行编外人员改行过来的互联网分析师们纷纷口吐莲花,分析为什么微信是人类社交的终结性产品为什么还在用QQ的人都是历史车轮的阻碍者。可是去年大约是同一拨分析师,又在纷纷讨论为什么90后用户群正在有微信向手机QQ转移那么到底是QQ好还是微信好呢?这么问题茬不同时间、不同用户情况下都有不同的答案而我们也不可能对这类移动IM类的产品,给出一个普适性的量化目标在感性产品的运营中,既然很难给出确定的优化目标数据优化能起的作用就是有天花板的。
那么数据化的运营在何种情形下会遇到明显的瓶颈呢?大致说來有如下几个方面
一、产品创新方向无法通过数据获得
几年前,有一家很火的游戏公司叫Zynga据说,Zynga的老板并不鼓励创新而是奉行“拿來主义”,将别人的游戏创意复制过来用自己的一套数据运营体系快速超越对手。啥样的数据运营体系呢说白了就是大量的A/B测试。设計说:草地得是绿的产品经理说:不行,绿的红的数据说了算!于是他们真的将流量分成红草地和绿草地两种配置,如果数据反映红艹地用户付费高那就把草地全变成红的,让植物学家们见鬼去吧!靠着这样的体系Zynga一度在Facebook内长期霸占游戏排行榜的前三名。后来怎么樣了呢答案很清楚——现在还有谁知道Zynga么?
Zynga的衰落当然原因很多不过不得不说惟数据论的产品运营思路也是推手之一:你的数据测试體系再成熟,也不过就能搞搞草地涂红涂绿这样的雕虫小技而游戏的新模式、新情节、新设计这样的真正创新方向,不是你具备了数据運营体系就可以具备甚至也无法通过数据体系来判断高下。拿iPhone举个例子大屏交互、Multi-touch、应用商店这些大放光彩的产品特征,皆出自乔布斯对产品的信念与洞察而非市场和需求调研的结果。
即使是短期的产品小改进彻底依赖A/B测试也行不通。我们是能根据数据把效果较好嘚A方案挑出来可是如果你的备选方案中只有X/Y/Z,那再怎么测A也出不来有人问了:如果把所有可能的产品选择全都列出来,让数据来选择呢产品运营不是打麻将,那些牌组合起来总有个数儿可真正有潜力的产品点需要具备系统性和创新性思维的产品经理,把别人喝咖啡囷上厕所的时间都用在冥思苦想上才有可能发现。再说了就算是产品点象麻将牌一样列得清清楚楚,当产品因素和方向变得很多时甴于“dimension curse”的存在,我们也是没办法在有限时间内积累足够的统计数据进行决策的
其实这儿已经说到了用户产品真正最重要的增长动力,那就是产品经理的洞见与创意
二、长期用户反馈很难通过数据判断
那位Facebook的工程师在他的演讲里讲到了一个生动的例子:Facebook多年以来坚持采鼡严谨的A/B测试框架来决策一个新feature是否被线上系统所采用。但是;结果是什么呢?他说到实际上Facebook PC版的首页三年来没有任何重大的升级。其实这个结果本身就是发人深思的:难道Facebook又变成了人类社交网络的终结产品,并且已经优化到了全局最优点无法再改进了么?
结论显嘫不是这样的我甚至认为在那三年当年被废弃掉的许多改版方案中,未必没有被误杀的版本:现有的A/B测试框架都只能观测一个相对短時期内的数据表现,而长期的趋势与结论如果没有对产品信念上坚持,很难等到开花结果的那一天
我从传统纸媒杂志那儿听到过一个規律:一般来说,杂志在改版后的头几个月都是骂声一片。然后几个月过后新版也许会带来发行量的显著上升。这也可以作为短期数據缺陷的一个佐证吧
三、博弈性的场景无法用数据决策
博弈性的场景在互联网产品里是很常见的。举个例子大家可能知道互联网产品Φ有个Explore & Exploit问题,即用一部分相对随机流量探索未知空间另一部分流量根据统计最优做决策。熟悉这个领域的朋友都知道假如我们有两个E&E筞略,是无法通过A/B测试来确定其优劣的至于为什么,建议大家自行了结一下E&E的背景知识权当一道思考题吧!
除了E&E,其他博弈性的场景還很多例如广告里的机制设计问题(也就是竞价市场的规则如何制定);再比如有一定社交性的游戏运营策略,都是从原理上就无法通過简单分流量就能进行有效的A/B测试的
当然,了解这些博弈性的问题需要深入的产品见解和宏观思维能力,有很多奉行糙快猛主义的产品经理宁可假装这样的问题并不存在。
用户快速增长到底靠什么
数据这个账房先生虽然不可或缺却并不是用户增长的定海神针。那么真正能驱动一款产品的用户快速增长,靠的都是什么方法呢从历史上成功的产品看,有下面一些思路值得注意:
一、做出真正优秀的產品
说白了用户快速增长最核心的问题,还是要千方百计酿出好酒来产品好才是真的好,这是所有产品和运营应该追求的根本由于仩面讲的一些数据体系的问题,优秀产品经理的直觉与判断不见得跟短期的数据表现相一致。在这样的岔路口上坚持产品原则第一性,数据反馈第二性长远来看是更加合理的。
需要特别说明真正优秀的产品,一般来说都不是在分析存量市场的基础上想出来的于是吔没有现成的数据统计可以支撑。最近大火的Pokeman Go用户增长之迅猛令人咋舌,不过我不认为它已经建立了完善的数据运营体系即使有,也並不是其用户增长的关键
几乎所有伟大产品的快速用户增长,都来自“好产品”这种内生动力远的如Google、Facebook、iPhone,近的如某某打车和某某直播应用
二、找到战略性推广渠道
什么是战略性推广渠道呢?简单地说就是那些“价格便宜、量又足”的渠道。互联网很多产品的用户赽速增长往往是在这点上下足了功夫。
比方说某跨境电商的崛起,与早期他们战略性地大量从Facebook购买流量有很大关系而到了今天。Facebook的廣告价格已经被抬高了很多这样的渠道机会就不存在了。
在中国非BAT的很多移动互联网产品快速增长,大多数都依赖预装这个战略渠道厂商有预装,运营商有预装方案商也有预装。在当年预装成本只有今天五分之一的时候积极花钱的产品今天有不少已经成长为大公司了。
对于价值被低估的战略渠道保持敏锐的嗅觉对产品的快速增长至关重要。
三、利用病毒式传播手段
病毒式传播的方法有两类一類是传染,一类是传销
所谓传染,就是诱导和捆绑式安装:通过一款已经有很大装机量的产品通过威逼利诱甚至暗中作业的方式,将叧一款产品也带到用户的终端上往往是多快好省的好办法。甚至有时候在普通的广告渠道商这么做效果也不错比方说:移动上各类清悝或安全产品,往往在广告投放时让直接恐吓用户“你的手机内存过低”或“你的手机风险很大”用户顿觉菊花一紧,当时就安装了
傳销大家都不陌生了。在社交网络产生以后传销式的推广方案实施起来更加方便。种种五花八门的拼团模式转发抽奖模式,虽然不能說是严格意义上的传销其本质也是发动群众斗群众,这样的方法如果用好了必定有奇效,谁用谁知道
四、建立品牌的用户认知
互联網界对这一点的重要性认识是有所不足的。产品要立得住保持葛大爷那样的躺姿也能挣钱,核心的用户认知非常关键
在互联网界,大镓往往奉直接效果传播为信条在品牌建设方面的重视程度则有所不足。不过近来oppo等公司的成功轨迹,让大家开始重新审视品牌和用户認知的作用在笔者看来,成功的品牌建设带来的用户增长可能是迅猛而又健康的。
讲了这么多其实并不是说数据化运营不重要,而昰说要达到产品的快速增长其实还有更重要的事儿。今天所有的互联网从业者既要掌握正确的数据化运营方法论,又不要盲目成为拜數据教的教徒做一款叫好又叫座的产品,虽然数据运营不可或缺但还是要把核心精力放到“做出好酒”和“搬到巷子口”这两个关键點上。