根因分析进阶方法论 扎根理论分析方法

一、根因根理产品需求分析的分析方法法方法论(一)-Maslow's hierarchy of needs

苏杰大大曾经说过产品就是一个需求的奋斗史，所以在产品开发中需求分析必不可少，进阶最近学到一个运用广泛的论扎论分需求分析方法-马斯洛需求层次理论（Maslow's hierarchy of needs）这也是现在很多需求分析方法的源头。所以拿这样一个经典理论开篇貌似是析方一个不错的选择。

马斯洛需求层次理论(Maslow’s hierarchy of needs)，根因根理亦称“基本需求层次理论”，分析方法法是进阶行为科学的理论之一，由美国心理学家亚伯拉罕·马斯洛于1943年在《人类激励理论》论文中所提出。论扎论分该理论将需求分为五种，析方像阶梯一样从低到高，根因根理按层次逐级递升，分析方法法分别为：生理上的进阶需求，安全上的论扎论分需求，情感和归属的析方需求，尊重的需求，自我实现的需求。另外两种需要：求知需要和审美需要。这两种需要未被列入到他的需求层次排列中，他认为这二者应居于尊重需求与自我实现需求之间。还讨论了需要层次理论的价值与应用等。

马斯洛同志认为，如果你企图越过基本需求直接去满足高层次需求，你便处于这个层次中的不稳定状态。如果你正在等待癌症的医疗诊断结果出来（第2层），你是不可能在工作中有良好表现的（第3层）。

层次模型中，低层次需求是高层次需求的基础。如果你的基础不稳固，你会被拉回低层次需求先稳固基础，以保证层次的稳定。如果不这样，你就会被压力和焦虑所困扰。

按照马斯洛的说法，马斯洛需求层次理论（以下简称理论）是分析行为科学的理论，适用于营销、设计、心理，适用于人类行为的方方面面。但是世界上真的有放之四海而皆准的理论吗，这个理论本身就一定正确吗，不一定。

并不是所有人都赞同马斯洛。很多人以其无法解释人的无私行为、勇敢和慈善等，来非难这一理论。也没有办法解释“绝食行为艺术”--那些人在生理需求几乎没有保障的情况下追求自我实现。

批评家们认为马斯洛在构建自己的理论之前并未积累到足够的经验证据且观察广度不够。马斯洛的理论并不适用于人的精神层面，此外有太多的事实与他的理论相悖。一开始它也许是个不错的观点，但也许离被完全接受还有很长的路。直觉上我们觉得它正确，但马斯洛需求层次有一定局限性，总结如下：

尽管从直觉来看，马斯洛的需求层次理论是正确的，但鲜有证据能佐证它层次顺序的正确性。实际上，有些证据与马斯洛模型中的需求顺序并不符合。比如，有的文化中社交需求是高于任何其他需求的。马斯洛需求层次也解释不通“绝食行为艺术”--一个人舍弃低层次需求而追求高层次需求。最后，除了在需求发生冲突的情况下，没有证据表明人们一次只被激励去满足某一个特定需求。

智利经济学家、环境学家，Manfred Arthur Max-Neef了，提出了一种新的基本人类需求理论，它在满足基本的人类求生需求之上并没有需求层级。他认为需求的满足是伴随着妥协的，是内相关的且被同步实现。

在这个系统中，一个人不必首先满足安全需求就可以满足创造这一需求。

那么既然理论不一定正确，它对产品需求分析还有什么作用呢？

任何一款产品若要深入人心，必要深谙人性。需要区分清楚人类表面需求及潜在需求。只有把握了人性深处的需求，才能让产品植入用户的灵魂深处，欲罢不能。

由此可见，要想做好一款好产品，必须对用户需求和产品需求有及其深入的研究。所以该理论对我们还是有很大的借鉴意义的。

有人就将产品需求和马斯洛需求层次做过一个切合分析：

从功能上分，产品提供的功能不外乎以下几种：工具类、娱乐类、阅读类、社交类等。

工具类：如为日常生活提供便捷方便，诸如美食、租房、公交、旅行等应用。

娱乐类：如音乐、视频、拍照等日常休闲娱乐，这类应用除了满足基本功能之外，又有不少做了个性化探索，来是的娱乐更加鲜活有趣。如魔漫相机，已经显著超越了简单的拍照，而是将照片已更加幽默有趣的方式呈现出来；

阅读类：如各种媒体、科技博客、新闻客户端、资讯聚合应用(如今日头条，无觅阅读等)

社交类：如QQ，微信，微博，陌陌，比邻，Linkin,婚恋交友，面向不同类型的社交。

生理需求：即时满足人们生存和生活的日常基础所需，如吃穿住用行等。

像基于美食的大众点评，公交指南的百度公交，提供生活综合服务的58同城，都在点点滴滴为我们的生活提供便捷。满足生理需求的产品，平时都不温不火，几乎没有什么可以炒作的话题。

安全需求：这类需求如对健康的担心、对贫困的恐惧、对无知的忧心，都是缺乏安全感的表现，在安全感匮乏的同时，则内心驱动会促使去满足获取安全感的需求。

如因为对贫困的恐惧，则产生理财相关的需求，希望快速的以钱生钱达到富足的目的。因之，各类投资理财软件层出不穷。

社交需求：社交包括友情、爱情、亲情等多个层次。或者可以分为熟人社交，陌生人社交等。当然两者也可以相互转化。交流和沟通，是人类永恒的主题。

尊重需求：每个人都有被尊重的需求，都希望展现自己，获得人们认可。信任和认可，这也更多的体现在社交过程之中。每一个人的尊重与被尊重都存在于在社交网络中交流互动之中。所以，尊重需求可以深度暗合在社交需求之中。

自我实现需求：这是最高层级的需求。这一层级，人们对自己的表现或者获取的成绩都已非常满意。一定程度上，炫耀也可以理解为自我实现的外在表现，尽管，可能这个是很主观的。满足此需求的，如将美图秀秀后的照片发到朋友圈或者展示一些可以提升逼格的东东都可以理解为自我实现需求的外在展示。

马斯洛的上述需求层次与产品需求之间，存在如下规律：

越靠近底层需求越是刚需

一款应用产品，最核心的是其解决的需求是否是刚需。所谓刚需，乃是刚性需求，即：需求是硬性的，是必需的；其对应的是弹性需求，只是在某些场景下才需要，是可选择的，是非必要的。

马斯洛最低层此需求，是生理需求，如生活类的吃穿住用行，即为刚需。其上一层次的安全需求，安全感缺失，也都是普遍存在的。而越往上，则变得越来越不必要，如自我实现，变得可有可无，变得因人而异，变得有选择性，不再是所有人的必须。

越靠近底层需求越工具化

几乎越是底层的东西，越是平淡无奇，使用起来越是不温不火。就像美食、租房、公交应用等。只有在需要的才打开使用，已成为一种工具。而其他基于新鲜感的需求，则在使用高峰时则万人空巷；低谷时，则门可罗雀。最后的归宿则可能是烟花散尽，不了了之。故基于底层的工具类需求，粘性未必最高，但一定是生存最久的。

越靠近高层需求，则新鲜感驱动越明显

往好了说，新鲜感驱动的东西，比较容易扩散和裂变。你可以在非常短的时间内，获取巨大的用户基数；往坏了说，这很难形成强有力的粘性，用户的留存根本无法保证。很多就好比昙花，一现而亡。这类应用比比皆是。

基于新鲜感的需求形成的产品，未来如何将引来的用户，能够通过其他工具化的基础需求将其留存，才是未来能否持续稳定的生存下去的关键。

总体而言，一个优秀的产品，一定是深谙人性，并且能够持续稳定的产生用户粘性的产品。

好的产品需是：小火慢炖，稳扎稳打，步步为营；步调太大，容易扯着蛋。

不管是满足底层需求的工具类产品还是满足自我实现炫耀需求的产品，最本质的都需要结合一定的社交属性，形成强有力的用户粘性。并且基于用户需求的场景化，来满足用户核心本质的需求，才是王道。

尽管马斯洛层次从直觉上看是对的，批评家们也指出其证据不足，特别是在“低层次需求必须要先于高层次需求被满足”这一点上。同样的结论也适用于设计需求层次，以致任何基于马斯洛层次的层级理论。他们在直觉上正确，但缺乏经验证据。

这些层级理论并不是你遵循的铁律。所有的设计中，研究透你的成功的判定标准然后确定设计目标。

你的用户也许会更喜欢这样一个网站：设计精美但它偶尔会抽风跳转到一个无聊的网站，而不是一个完美可靠的网站。

在满足高层次需求前必须完全满足低层次需求这一说法也是没有根据的，你只要明白哪些低层次需求是必须要考虑的就好。一般，如果你的网页加载不出内容，其他都是白搭。你在做进阶改进时首先要搞定这个基本问题。

把设计层级看做一个指南。多数情况下，满足高层需求前先满足底层需求是没有问题的。如果你的网站不可用，在为用户提供更多专业功能之前你最好还是先搞定不能用的问题吧。

1、马斯洛需求层次理论是一个基于需求分析的行为科学，虽然缺乏经验证据，但是对产品需求分析很有指导价值。

2、产品需求分析更为复杂，往往包含了几个不同的需求层次，层次之间的高低关系也复杂交错。产品定位、市场的需求和期望才是决定层级里有哪最需要改进的关键。即对马斯洛需求层次的批评同样适用于产品需求设计的层次。

3、要在众多需求中抓住刚需，抓住需求中的痛点才能提高用户粘度。

相关资源：

产品设计背后的马斯洛需求层次

【人人译客】缘需求而设计（正确认识马斯洛需求层次）

资源来源于网络，如有涉及版权问题，请私戳

二、方法论 | 帮你找根本原因——鱼骨图分析法

鱼骨图是由日本管理大师石川馨先生所发展出来的，故又名石川图。鱼骨图是一种发现问题“根本原因”的方法，它也可以称之为“因果图”。鱼骨图原本用于质量管理。

一、鱼骨图定义

问题的特性总是受到一些因素的影响，我们通过头脑风暴找出这些因素，并将它们与特性值一起，按相互关联性整理而成的层次分明、条理清楚，并标出重要因素的图形就叫特性要因图。因其形状如鱼骨，所以又叫鱼骨图（以下称鱼骨图），它是一种透过现象看本质的分析方法。同时，鱼骨图也用在生产中，用来形象地表示生产车间的流程。

头脑风暴法（Brain StormingBS）：一种通过集思广益、发挥团体智慧，从各种不同角度找出问题所有原因或构成要素的会议方法。BS有四大原则：严禁批评、自由奔放、多多益善、搭便车。

二、鱼骨图的三种类型

A、整理问题型鱼骨图（各要素与特性值间不存在原因关系，而是结构构成关系）

B、原因型鱼骨图（鱼头在右，特性值通常以“为什么……”来写）

C、对策型鱼骨图（鱼头在左，特性值通常以“如何提高/改善……”来写）

三、鱼骨图制作

制作鱼骨图分两个步骤：分析问题原因/结构、绘制鱼骨图。

1、分析问题原因/结构。

A、针对问题点，选择层别方法（如人机料法环等）。

B、按头脑风暴分别对各层别类别找出所有可能原因（因素）。

C、将找出的各要素进行归类、整理，明确其从属关系。

D、分析选取重要因素。

E、检查各要素的描述方法，确保语法简明、意思明确。

分析要点：

a、确定大要因（大骨）时，现场作业一般从“人机料法环”着手,管理类问题一般从“人事时地物”层别，应视具体情况决定；

b、大要因必须用中性词描述（不说明好坏），中、小要因必须使用价值判断（如…不良）；

c、脑力激荡时，应尽可能多而全地找出所有可能原因，而不仅限于自己能完全掌控或正在执行的内容。对人的原因，宜从行动而非思想态度面着手分析；

d、中要因跟特性值、小要因跟中要因间有直接的原因-问题关系，小要因应分析至可以直接下对策；

e、如果某种原因可同时归属于两种或两种以上因素，请以关联性最强者为准（必要时考虑三现主义：即现时到现场看现物，通过相对条件的比较，找出相关性最强的要因归类。）

f、选取重要原因时，不要超过7项，且应标识在最未端原因；

2、鱼骨图绘图过程

A、填写鱼头（按为什么不好的方式描述），画出主骨

B、画出大骨，填写大要因

C、画出中骨、小骨，填写中小要因

D、用特殊符号标识重要因素

要点：绘图时，应保证大骨与主骨成60度夹角，中骨与主骨平行

四、鱼骨图使用步骤

(1)查找要解决的问题；

(2)把问题写在鱼骨的头上；

(3)召集同事共同讨论问题出现的可能原因，尽可能多地找出问题；

(4)把相同的问题分组，在鱼骨上标出；

(5)根据不同问题征求大家的意见，总结出正确的原因；

(6)拿出任何一个问题，研究为什么会产生这样的问题？

(7)针对问题的答案再问为什么？这样至少深入五个层次（连续问五个问题）；

(8)当深入到第五个层次后，认为无法继续进行时，列出这些问题的原因，而后列出至少20个解决方法。

五、鱼骨图的妙用

1)  QC手法之一，因其形状似鱼刺，得名鱼骨图。鱼骨图由石川馨提出，故又名石川图。

2) 鱼骨图最主要用于对缺陷根本原因的查找。它同样可用于对策研究及归纳总结。

3) 运用鱼骨图时需进行脑力激荡方式，鼓励集思广益。

六、鱼骨图案例分析

鱼骨图分析法是咨询人员进行因果分析时经常采用的一种方法，其特点是简捷实用，比较直观。现以某炼油厂情况作为实例，采用鱼骨图分析法对其市场营销问题进行解析，(具体如图所示) 

图中的“鱼头”表示需要解决的问题，即该炼油厂产品在市场中所占份额少。根据现场调查，可以把产生该炼油厂市场营销问题的原因，概括为5类。即人员、渠道、广告、竞争和其它。在每一类中包括若干造成这些原因的可能因素，如营销人员数量少、销售点少、缺少宣传策略、进口油广告攻势等。将5类原因及其相关因素分别以鱼骨分布态势展开，形成于骨分析图。

下一步的工作是找出产生问题的主要原因，为此可以根据现场调查的数据，计算出每种原因或相关因素在产生问题过程中所占的比重，以百分数表示。例如，通过计算发现，“营销人员数量少”，在产生问题过程中所占比重为35%，“广告宣传差”为18%，“小包装少”为25%，三者在产生问题过程中共占78%的比重，可以被认为是导致该炼油厂产品市场份额少的主要原因。如果我们针对这三大因素提出改进方案，就可以解决整个问题的78%。该案例也反映了“20:80原则”，即根据经验规律，20%的原因往往产生80%的问题，如果由于条件限制，不能100%解决问题，只要抓住占全部原因20%，就能够取得80%解决问题的成效。

七、画一次鱼骨图的“瘾”

--- THE END---

三、数据的Sense,离不开数据分析思维

这篇文章讲解一些数据分析的知识，因为不论是开发、分析师、产品、运营，在数字化时代，掌握数据分析的基本概念，是一项必备的工作技能。我们经常提到的“数据Sense”，也可以概括为“数据分析思维”。

本文包括如下四个部分：

1.为什么数据分析很重要

2.常见的分析方法有哪些

3.数据驱动的一些方法论

4.数据分析师的技能进阶

|0x00为什么数据分析很重要

第一个层面，统计学依旧是数据分析的核心方法。

我们先来看一下数据分析的定义：“为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程”，数据分析是基于统计学的方法，来对社会科学的问题提供严谨的分析方法和工具。尽管大数据技术的出现，大大扩展了统计学研究的领域边界，但大数据技术并没有改变统计学通过随机抽样推断总体分布特征的基本思想，大多数统计学的基本方法，如因果推断、充分性原则、数据归纳等，甚至因为大数据技术的普及而得到了增强。通过大数据技术的加持，很多重要的社会经济心理变量变得可以构建，如居民幸福感、投资人情绪等，而实时技术的发展甚至使得实时预测变成了可能。

第二个层面，数据分析对业务的发展有指导意义。

还是引用管理学大师“彼得·格鲁克”的名言：“You cannot impove it if you cannot measure it”，只有我们找到业务发展的关键衡量标准，也就是“北极星指标”之后，我们才能够针对性的优化业务。互联网上有一句广而流传的话，谷歌分析推广人之一Avinash Kaushik的名句：“All data in aggregate is crap. Segment or die.”，意思是“所有的总和数据都是垃圾，要么分组，要么去死”。汇总数据会掩盖很多问题，对数据的下钻分析才能获得趋势发生的真正原因，才能够了解如何优化“北极星指标”。当今互联网人口红利逐步消失的前提下，对业务数据的深入理解和分析，才能够让业务维持高质量的增长。

综上，数据分析至今仍然很重要，如果想了解自己的工作能产生怎么样的价值，数据分析知识，就是数据从业者必备的“数据Sense”。

|0x01常见的分析方法有哪些

数据分析师的岗位技能，要求能够有条理有体系的来分析问题、解决问题，我们需要借鉴一些常见的分析方法，以快速定位问题的根本原因。

分析方法包括两个部分，一种是宏观的战略分析，另一种是微观的数据分析。

宏观的战略分析，主要包括：

PEST分析，通过研究政治(Politics)、经济(Economy)、社会(Society)、技术(Technology)四个方面，来分析企业经营所面临的的宏观经济状况；

SWOT分析，通过研究优势（Strengths）、劣势（Weaknesses）、机会（Opportunities）和威胁（Threats），来动态的分析企业内外部的竞争现状；

波特五力模型，通过分析同行业内现有竞争者的竞争能力、潜在竞争者进入的能力、替代品的替代能力、供应商的讨价还价能力与购买者的议价能力，来分析企业的竞争战略策略。

宏观分析虽然对于我们的日常工作而言，主题太大，但其实对于一些特定的行业，如保险、医疗、在线教育、互金、物流等，分析政策、法规、风险等考量因素，还是很有帮助的。

接下来我们讲更加常见的微观数据分析方法，这里列几个常见的方法，并附带一个小Case。

第一个要讲的是假设检验。

假设检验分析，又称统计假设检验，是用来判断样本与样本、样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。主要分成三个步骤：1、提出假设；2、收集证据；3、得出结论。

假设检验主要依据逻辑推理，来分析问题发生的原因，因此在归因分析中也常常被用到。

例如我们的北极星指标下降了，我们需要找出对应的原因，初步设想有三种可能性，即用户问题、产品问题或者是竞品问题。

从这三个方面，我们能够提出三种假设：

假如用户有问题，那么我们可以从业务链路图来分析问题，或者是多维度分析来进行拆解；

假如产品有问题，那么可以研究最近上线的产品功能，是否符合用户需求；

假如竞品有问题，那么可以通过外部市场信息，来调研竞品是不是在大规模的补贴推广。

在初步得到结论之后，分析的过程通常还要继续，多问几个为什么，然后继续用数据的方法来验证原因，直到找到问题的根源。

第二个要讲的是逻辑树分析法。

逻辑树分析法理解起来比较容易，是把复杂的问题拆分成几个简单的问题，然后像树木的树干那样，把问题逐步展开，通过解决单个的子问题，进而得到汇总的问题答案。

例如，同样分析利润增长缓慢的原因，我们可以通过逻辑树的方式，把问题拆分成：收入、成本、毛利三个维度，然后依次分析各个维度的问题。

收入需要考量客户量、客户质量、付费率、付费意愿等问题；成本需要考量广告成本、人工成本、促销策略等问题；毛利需要考量仓配客、渠道质量等问题。最后通过各个子问题的汇总，得出真正的原因。

逻辑树有三个基本原则，即

要素化：把相同问题总结归纳成要素；

框架化：将各个要素组织成框架，遵守不重不漏的原则；

关联化：框架内的各要素保持必要的相互关系，简单而不孤立。

第三个讲一下群组分析。

群组分析是按照某个特征，将数据划分成不同的组，如时间、兴趣等，通过对比组与组之间的数据差异，来对问题进行对比。

群组分析对于产品生命周期不同阶段的分析很有帮助，如新发布的版本效果如何，通过时间将用户划分成不同的群组，然后比较不同组之间的留存率，来分析用户留下或者离开的原因。

举个例子，视频平台的用户，需要充值为VIP才能看到平台独占的电视剧，但用户可以在任意月份取消订购，这类取消订购的用户就是流失用户。为了分析用户为什么流失，我们可以使用群组分析方法。

通过把每个组的数据绘制成一条折线，横轴是时间，纵轴是留存率，然后比较各个组的折线，我们通常能很容易的看出，不同时间留存率是有较大差异的，原因大体如下：

产品最近上线了某些新功能，但是这些新功能并不适合新用户；

市场最近在进行推广活动，带来了新用户，但是公司的产品对这些新用户没有价值，导致用户流失。

再配合前文提到的假设检验，进一步分析问题的根本原因，这样我们就形成了一些比较固定的分析方法：1.群组分析，找到留存率比较低的组；2.假设检验，提出问题，验证为什么留存率这么低。

不同策略的相互组合，就形成了我们自己的分析方法论。

当然，数据分析的方法还有很多，这些都需要通过日常的学习和实践，来一点点的总结完善。

|0x02数据驱动的一些方法论

数据驱动的意思，简单来讲，就是针对已经数字化的业务，如电商、视频等，通过数据来分析问题的原因，并提出优化解决的方法，来驱动业务增长、或者是产品迭代。这是互联网行业保持增长的诀窍，也是数据从业者需要掌握的业务方法，更是评价一个人工作能力的重要衡量标准。

数据驱动通常由如下的流程构成：

定性分析数据，以发现问题；

定量分析数据，以确定影响面；

调研公司、竞对和业界的通行做法；

预估解决问题后的效果；

设计相应的实验机制；

AB测试得出实验结论；

上线并跟踪策略后续的变化情况。

这里有一些知识是数据分析需要涉及的，即定性、定量分析，AB测试。其他的部分通常由工程组来实现相应的功能。

定性分析，是对研究对象进行“质”的研究，分析内在规律；定量分析，是对研究对象进行数量的研究，描述相互作用与发展趋势。

举个例子，通过数据，我们发现了电商场景中的“下单到支付转化率低”的问题，需要分析问题。我们通过分组+漏斗的方法，发现部分商品存在这个问题，然后通过抽样看数据，分析发生问题的原因，大概是因为虚假价格，这个就是定性分析。定位到原因后，我们选取抽象商品，通过人工评估虚假价格的比例，来推断总体的影响范围，就是定量分析。

接着，我们定了一些策略，需要验证这些策略对于“下单到支付转化率低”问题的影响，就需要进行实验对比。

AB实验是指，针对同一个存在2种及以上解决方法的问题，对同一组人群进行随机分组，在同一时间维度内，进行实验组和对照组的实验，通过少量且相同的衡量指标，衡量哪套解决方案的结果表现更好。当然，这么做的前提，是需要样本量足够，但对于已经数字化的互联网业务而言，通常都不是困难的事情。

通过分析AB实验后，不同策略的效果对比数据，看我们的策略是否能带来预期的正向效果，如果是则可以上线。上线之后，再进行定量的数据分析，看问题解决的程度。

以上就是数据驱动的一些常规方法。

|0xFF数据分析师的技能进阶

数据分析师也需要懂算法。

很多时候，分析师也跟开发一样，分成“向前”和“向后”两种角色。“向前”的角色贴着业务走，能够发现业务中存在的问题，寻找相应的优化点；“向后”的角色更多是落地实现一个功能，能够优化算法或者试验方法，更像后端，但更智能化。

尽管统计学能够为我们提供非常不错的分析方法，但世间的问题也不都是统计学能够概括的，很多方向的分析师，依然需要掌握算法来应对工作的需要。

例如最典型的“供需匹配”问题，因为量变引起质变。

过去互联网的发展历史中，不论在B2C、C2C、B2B、B2B2C哪个地方，我们都建立了准确的画像体系，不仅是用户画像，还有供应商画像，实现了千人前面的用户管理，更好的做供需管理匹配。后来，这套机制衍生到了其他方面，视频的个性化推荐、网约车管理，都属于供需匹配的一部分。

但如何在千万级甚至亿级的商品里面去做匹配召回，如何在海量数据中匹配线索，如何明确哪些人群是我们的目标人群，如何把信息流推荐给最合适的人，又如何衡量这些效果……很多方案，需要综合考虑，到底是通过基于统计学的数据分析去形成规则，还是需要通过算法去挖掘特征，都是达成目标的途径。

大公司由于资源丰富，通常两者会并行，从某种程度也就严格的区分了数据分析和数据算法间的职责边界；而中小企业资源有限，可能造成分析即算法的现象。

与之类似的，还有风控、知识图谱等领域，除了人力的覆盖，需要机器的介入，才能效果的最优化。

其实，数据分析师的成长，更像是一场马拉松长跑，因为需要接触的知识很多，能够合理分配自己的时间和精力，经常提醒自己核心目标是什么，才能把事情做好，在漫长的长跑过程中不掉队。分析只是一个技能，把它作为人生的职业，更需要贴切实际场景，贴近公司发展，做出相应合理的策略。

参考资料:全栈可观测