精华内容
下载资源
问答
  • 数据分析是验证产品设想的最具说服力的工具,但忽略数据分析背后的人性和商业思考,那么数据分析也就在根本上失去了意义。 数据分析的核心并不在于数据本身,而在于设计有意义、有价值的数据指标,通过科学有效的...
  • 数据分析是作为产品经理的重要工作,尤其是跟专业的搜索、商业产品经理,每天都会接触大量的数据,数据处理已经成为产品经理求职网的重要内容,下面为大家说说如何针对产品进行有效数据分析。 ...

    数据分析是作为产品经理的重要工作,尤其是跟专业的搜索、商业产品经理,每天都会接触大量的数据,数据处理已经成为产品经理求职网的重要内容,下面为大家说说如何针对产品进行有效数据分析。

    产品经理职责:如何对产品进行数据分析?

    方法/步骤

    1. Query

      这是一切搜索或者类似产品的质量提升源泉没有之一 //至少我是这么认为的。

      看了Query你才能知道用户真的在你这里干什么,于是就会理解了“访谈里都是骗人的……”。

       举个栗子,访谈用户十个里面9.9个会义正言辞的告诉你,自己使用翻译的时候是多么正经的看论文啦学英语,跟外国友人交流啦看美剧。看看query你就会发现各种杂七杂八少儿不宜的都冒出来了。

      Query最简单的一个使用方法就是选取query=>分析用户目的=>评价结果质量,然后针对质量问题进行进一步分析,之后给出解决方案。解决方案后的事情后面会再聊。

      除此之外,query在合理的统计下可以看到相关的很多信息,虽然有不少用户疑神疑鬼以为隐私没了,但这些相关信息确实很大程度上进一步形象化了用户角色和真是场景,进一步协助了优化结果质量。

       使用query前请务必让自己先搞清楚,自己拿到的query是什么时间什么渠道什么方式(随机or高频or其他方式)拿到的?该如何分析用户的请求目的?获得结果后当如何设计评价方式?


    2. Visit

      浏览行为在网页类产品的分析中是极为关键的,直接关系到这一页的所有功能被触发的可能性,最简单的用法就是可以分析某一个功能放在这一页的话有多大的可能被看到。

      分析浏览量前,尽可能让自己先搞清楚,怎样算一个Visit(隔天的怎么算?一直没动但是刷了个新算一次吗?多久刷新的时候重记一个visit?浏览器关了再开继续浏览记不记一个Visit?)


    3. Action

      用户的操作行为有很多种,最常见的就比如click,同样最简单的应用方式是通过用户对功能的触发或者其他行为分析用户做同类触发或者进一步行为的可能性,除此之外要结合visit分析当前页面是否有需要优化的点,例如不是纯浏览性质的页面,很高的visit伴随着很低的action这就是很可疑的。

      分析action前,也同样需要知道怎样算一次行为,这个行为是以什么样的标准记录到你可以查看到的数据表中的。

    4. Time

      time有可能是页面停留时间、访客停留时间、响应时间等很多种,可以直观得到你的用户在某行为上停留或者花费的时间。

      停留时间长某些时候可能意味着用户认真在浏览网页,但有些时候则可能是遇到了使用障碍不得不花费时间继续,这里需要结合行为一起来看。


    5. Source

      来源反应了给当前页面带量的源头,同样是分析如果影响你当前页访问和用户量的关键数据。

      关于source需要知道的是具体的来源是怎样的,来源的原始形态是什么样的,用户以什么样的形式才能触发进入你的页面。


    6. Visitor/User

      人数这个是任何平台的任何产品都最核心的数据,功能的用户数关系着这个功能会影响多少人,结合visit和action来看就会更加有意思,你可以获得你的用户活跃程度、主动操作程度等信息。最简单的用法就是结合活跃程度推测与之相关的新功能可能涉及到什么量或的用户或者有多少用户可能会参与这个新功能。

      关于用户数需要弄明白的事情就更多了,用户数的记法有很多很多种:启动用户数、登陆用户数、活跃用户数、主动操作用户数、触发搜索用户数总之各种用户数。还是一样,需要问清楚这些个用户数到底是怎么记得,记得是浏览器信息?IMEI号?登陆名?还是其他什么?

      怎么样算一个活跃用户?访问了就算(比如很多web产品)?启动了就算(比如杀毒只要启动了就在你后台工作了)?触发搜索才算(如果打开词典什么都不干就关了好像不活跃啊)?主动操作一次算一个(打开个计算器什么都不点就关了好像也不活跃啊)?登陆了才算(打开个QQ都不登陆好像还是不活跃啊)?


    7. 走势。

      这个地方我不太确定专业的叫法是什么,于是编了个名字,总之就是将你的数据可视化后,就能看到随着时间的变化数据会呈现一条有趣的曲线,这条曲线能非常清楚明白的看出一些特征。

      比如在什么日子增什么日子降,什么时间峰值什么时间谷底,然后找出关键的时间点,就可以分析推测你的用户有什么特征。打个比方,你的用户要是6月12月呈现出巨大的变化,那你的用户很大可能跟学生有密切关系,因为6月12月是考试月。又假如你的用户在早上11点左右有个峰值,那么也可以据此推测11点哪些用户会有异常(比如IT民工陆陆续续都上班了)。

      走势的分析就要注意的是基本的统计知识了,随便一搜一大把我这里不罗嗦了。


    8. 各种率

      比如残留率、召回率、流失率、成交率。计算方法很多,能直接反应你的各种特征,类似于残留可以反应出你的用户还愿不愿意来,成交率反应出你的用户对你展示的商品满不满意等。需要了解的同样是详细的各种率是什么比什么。

    9. 其他各种特征。

      比如设备特征、地域特征、版本号、浏览器等特征,以此可以根据这些特征结合常见的普遍网络人口特征进行对比,比如比起普遍特征来说你的用户群体里IE用户特别特别多,那么可以结合ip地址分布推测自己的用户是不是二三线城市的特别多。

    展开全文
  • 数据分析是指用适当的统计分析方法收集来的大量数据进行分析,提取有用信息和形成结论而数据加以详细研究和概括总结的过程。通过数据分析,能够指导你的业务和方向,能够用数据表明业务的增长点和不足之处。 ...

    147935487bba6f1be2eda27b0fee1e95.png

    数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,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。通过数据分析,能够指导你的业务和方向,能够用数据表明业务的增长点和不足之处。

    通常数据分析的工作流程:

    1.发现问题

    2.想好要提取的数据

    3.清洗、处理数据

    4.对数据进行分析

    5.得出数据分析结论并且验证是否正确

    6.调整产品策略

    一、发现问题

    在日常工作中,经常数据会出现各种问题,比如说某个渠道的流量和昨天的数据对比,发现流量突然减少了、点击率突然增高或者降低了、产品上线后某个指标没有达到的预期目标或者是领导要求增加用户的流量和营收了等等

    二、想好要提取的数据

    我们发现问题之后,就要想好需要哪些数据进行分析。这里提取数据的要素是,先看影响这个指标有哪些上游和下游,把上游和下游的指标的数据按照从上游到下游的数据顺序提取出来。

    这里提取的数据的时候,一般都是自己写sql,尽量学会sql,这样对工作效率和保持大数据工程师的良好关系以及你自己的产品地位都是很好的帮助。当然有数据的链条或者数据在各种表中比较麻烦的,可以让数据工程师帮忙提取数据。

    三、清洗、处理数据

    拿到数据之后,先用直观经验、第六感和逻辑判断一下,数据是否正确以及合理。这一步非常重要,否则这一步错了,对于后面的数据分析结论是十分致命的,最后功亏一篑,重新再来。我在工作中就碰到一次这种情况,当时拿到这份数据就开始清洗分析工作,后来汇报的时候被质疑数据的准确性,最后又加班加点重新做了一遍。

    清洗数据:对数据的噪音、缺少某个链条的数据以及补充调整数据的格式等,这一步在日常工作中大家都不自觉的这样做,不再累述。

    处理数据:把数据按照一定维度排列好,去除表中无关的数据。个人用的比较多的是excel的透视表和vlookup功能。还有excel常用的一些函数功能,都是用到哪些函数就上网百度,函数功能一般都很简单。

    四、对数据进行分析

    常用的数据分析手段基本就3种:细分、对比和趋势。在复杂点会用到聚类、回归分析和相关性分析方法。在我们发现某个指标降低时,我们拉去整体的一个数据链条,先对比哪一个指标的变动,不断的去细分对比,寻找到影响数据波动的哪些点。

    我们在考虑影响这些点数据变化的因素有哪些,可能时竞争对手的原因,可能是上线后一个功能导致用户体验下降从而被影响等等,这里分析的原因考验你对数据各种维度思考和总结,还有对业务,对产品的理解的深度。这个地方是考验一个数据分析人员能力的一个重要的点。

    五、得出数据分析结论并且验证是否正确

    得出一定的结论,我们不要急于拍板和最终下结论,还得够用其他数据这个证明或者寻找其他时间段的维度能够证明的你的结论。这样的你的领导或者开发工程才不会质疑你。

    得出最终的结论之后,你要用数据和逻辑一步一步表达的你的结论。毕竟你自己清楚可不行,还要让你的合作同事以及领导明白才行。这一步要求数据准确,得出结论的逻辑链条清晰且完整。

    六、调整产品策略

    作为产品经理,是最终执行策略产品落地的。所以你根据你得出的数据分析结论去调整的你产品后台逻辑,目标是放大效果或者消灭case。

    上线后要及时拉去数据,去得出结论策略上线后,是否满足预期。并及时向领导和同事反馈现象。

    以上就是日常工作中一个产品经理做数据分析的时候的方法了。自己有许多东西没有表达出来,写的较简单,希望大家不吝赐教。

    个人微信号:17311719906

    展开全文
  • 数据分析是指用适当的统计分析方法,收集来的大量数据进行分析,提取有用信息和形成结论,而数据加以详细研究和概括总结的过程。在实际应用中,数据分析可帮助人们作出判断,以便采取适当行动。当然,在我看来...

    在我看来数据本身并没有任何价值,正是由于分析方法的存在使得原本毫无价值的数据大放异彩。

    什么是数据分析?

    数据分析是指用适当的统计分析方法,对收集来的大量数据进行分析,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。在实际应用中,数据分析可帮助人们作出判断,以便采取适当行动。当然,在我看来数据本身并没有任何价值,正是由于分析方法的存在使得原本毫无价值的数据大放异彩。

    为什么要数据分析?

    有人说,老板要看数据;也有人说,VC投资需要;也有人说,公司运营需要… 产生数据需求的原因有很多,我想现实中大多数人做数据还是为了获得产品的客观现状并有所为的。(我能这样想,大概是因为我是个乐观的孩子吧?)

    事实上,数据分析的原因大概如下几点:

    1.评估产品机会

    产品构思初期,必要的需求调研及市场调研显得尤为关键。产品机会评估对后期产品设计及迭代都至关重要,甚至说决定了一个产品的未来和核心理念。

    2.分析解决问题

    产品出现不良状况,肯定是存在缘由的。不可能凭空想象臆造问题,必须尊重客观现实。那么只有通过必要的数据试验才能追溯到问题源头,进而制定合理的解决方案,彻底解决问题。

    3.支持运营活动

    你这个产品功能上线后效果怎么样?A方案和B方案哪个更好些呢?诸如此类的问题,都牵涉到一个“标准”的问题。评判一个问题的好坏,最可靠的恐怕就是数据了。以前我就说过“人是不可靠的,人们总是愿意相信自己想看见的东西。”只有给出真实、可靠、客观的事实——数据,才能对具体的活动作出最真实的评判。

    4.预测优化产品

    数据分析的结果不仅可以反应出以往产品的状态,即所谓的后见性数据;也可以给出产品未来时间段内可能会遇到的问题,即所谓的先见性数据。一个真正的数据指标必须是可付诸行动的。后见性和先见性的数据都可以付诸行动,区别只是先见性数据能预测未来发生什么,缩短迭代周期,精益求精。

    如何数据分析?

    1、数据建模

    明白了数据分析动机,究竟什么样的数据指标才能达到期望的效果呢?那么首先必须解决数据指标的定义,个人认为搭建数据指标模型大致要考虑以下三大要素:

    综合考虑商业模式与业务场景

    聚焦数据指标背后的最初动机

    多维度考虑数据可行、简约、易比对

    当然,也不能凭空瞎造数据吧?!数据指标模型一般有以下三个途径设计:

    对现有指标进行优化性改造,数据指标之间合理交叉或许会带来意想不到的惊喜;

    不同行业交叉借鉴其他行业制定的数据指标;

    潜心修行、发掘更多有价值有意义的数据指标;(这一点有点扯…)

    数据分析目标的调整,必然伴随数据指标的变动。尊重事实、实事求是,了解数据指标的调整的意义及可能给产品带来的后续影响,我觉得这是一种可取的改变态度。如果说只是为了改变而改变,无视事实、较低期望,这样的调整还有何意义呢?

      2、数据来源

    数据分析的对象是数据,数据从哪来?数据本身的准确性从根本上影响着分析结果的有效性,所以确保有效、靠谱的数据来源至关重要。本人认为数据来源无非以下三种:

    自有数据分析系统——公司自有的数据是最源质化的数据,也是最可靠、最全面的。一般而言,有条件的情况下都是以内部数据为准;当然,创业型的微型公司大多都直接数据库导出数据,还是要依赖产品经理二次加工的。

    定量/定性调研——没有全面的数据咋办?或者说想要分析的数据无法统计?那么,拿起电话、走上街头、发放问卷都不失为一种可行的办法。定量数据排斥主管因素,定性数据吸纳主管因素。事实上,定性数据存在诸多不确定性,但也存在一个其他数据指标不具备的优势——那是与真实用户交流所得,有血有肉。

    专业调研机构——知名调研机构,比如:艾瑞咨询、百度统计、易观智库、199IT-互联网数据中心。一般而言,权威结构统计调研的数据还是具有极强的参考性的,但也不能完全免于主观因素。

    3、数据分析

    单纯的数据并不能为给我们带来太多结论性的东西,还是要借助一定的方法和手段将数据变得更加生动和有意义。

    集成开发数据分析系统——将所需的数据指标以技术手段直接设计成产品功能,可以定期定量地直接生成导出BI报表。

    手动数据加工——面对元数据而不是现成的结论性数据,产品经理只能亲自操刀借助EXCEL各种函数。面对海量数据,心态很重要!

    委托分析机构——有钱、任性、够叼,请人分析。如果事事都依靠别人,那么产品经理就瞬间失去价值了…

    4、分析方法

    有效的数据分析方法能够深度挖掘数据的价值,精益数据分析中大致介绍以下三种分析方法。

    市场细分(Segmentation)——市场细分就是一群拥有某种共同特征的划为一个样本,市场细分不尽可以应用于互联网产品,对任何行业、任何形式的产品都具有积极的参考意义。

    同期群分析(Coghort Analysis)——比较相似群体随时间的变化,同期群分析给我们提供了一个全新的视角。能够观察处于生命周期不同阶段用户的行为模式,而非忽略用户的行为的过程性。

    多变量测试(Multivariate Testing)——同时对多个因素进行分析,用统计学的方法剥离出单个影响要与结果中的某一项指标提升的关联性。同时改动产品的多个方面,看哪个与结果的相关性最大。

    本文转自d1net(转载)

    展开全文
  • 数据分析产品经理必须具备的一项能力,在产品需求阶段可以通过数据分析对用户的需求去伪存真,在产品上线运营阶段,又可以通过数据验证产品的可行性并且进行迭代。那么,什么才是数据分析的正确姿势呢?这里给大家...

     

    产品经理如何进行产品数据分析?

    乔家伟 07月19日 15:111

     

    数据分析是产品经理必须具备的一项能力,在产品需求阶段可以通过数据分析对用户的需求去伪存真,在产品上线运营阶段,又可以通过数据验证产品的可行性并且进行迭代。那么,什么才是数据分析的正确姿势呢?这里给大家按数据分析的步骤来讲一讲这方面的基础知识。

     

     

     

     

     

    一.确认分析目标

     

    进行数据分析工作一定要有目的性,不要为了分析而分析。当我们遇到问题时要先去,要先去考虑我们做数据分析是为了解决哪些问题。

     

    二.采集数据

     

    当我们确定了分析目标之后,就要开始收集数据,数据来源一共有三种:

     

     

     

      1. 产品本身—产品运营数据和用户反馈

     

     

      1. 竞争产品—网站流量和公司财报

     

     

      1. 行业内—行业分析报告和热点大数据

     

     

    提供行业数据的网站非常多,这里给大家介绍几个常用的

    百度指数,友盟;艾瑞咨询,易观智库,CNNIC,比达咨询,DCCI互联网数据中心,Alexa;

    移动应用:Google Analytics

     

    三.数据分析

     

    数据分析数据分析阶段可以说是最重要的一个环节在这里我要给大家介绍两个内容,一是数据分析框架,二是数据分析方法。

     

    (一)数据分析框架

     

    数据分析框架可以说是数据分析的思路,可以帮助我们了解到底是哪些数据出现了问题这里介绍几个最常用的分析框架

    AARRR模型

    AARRR模型可以告诉我们在产品的几个阶段分别需要重点关注哪些数据。AARRR是几个英文字母的缩写,分别是获取、激活、留存、收入、推荐

     

     

     

      • 获取(指产品推广,告诉我们用户从哪来)需要关注的数据为:曝光数、打开率、点击率、下载量、安装量、用户获取成本。

     

     

      • 激活(指用户使用了产品)需要关注的数据为:设备激活量、新注册用户数、日活跃、浏览数、订阅数。

     

     

      • 留存(指用户持续使用产品)需要关注的数据为:次日留存率、7日留存率、距离上次使用时长。

     

     

      • 收入(指产品获得利润)需要关注的数据为:付费率、付费频次、客单价、用户价值。

     

     

      • 推荐(指用户推荐他人使用我们的产品)需要关注的数据为:转发数、邀请数、评论数。

     

     

    2.  逻辑分析框架

    核心指标出现了问题一定是有相关指标出现了问题。

    如销售额=访客数UV*转化率*客单价,销售额下降的原因要在这三个指标里找原因

    如流量增长因素:PC端、APP端、WAP端、友盟等

    3.漏斗分析框架

    用于分析开始用户到最终用户的数量变化趋势

     

     

    4.还有一些管理营销方面的分析框架

    如SWOT分析、4P理论、5W2H、SMART分析等等就不一一说明了,以上三个分析框架已经是比较常用的了。

     

     

     

    (二)数据分析方法

     

    说完了分析框架,再说说数据分析方法,通过数据分析的方法,我们可以了解哪些数据有问题,出现了什么问题。数据分析方法也有几个比较常用的

    1.对比分析

    最常用的分析方法,通过对比的方式来找出差异,对比的对象可以是其他竞品也可以是自己的产品,对比的时间可以采用同比与环比

    2.趋势分析

    通过折线图的方式发现问题(数据下降或是上升等等)

     

     

    3.交叉分析(通过多个维度去分析数据)

     

     

     

    (图片来自网易微专业)

     

    4.象限分析

     

     

    4.总结与改善

    当我们知道哪些数据出现了问题和到底出现了什么问题的时候,我们就可以根据这些问题来改善自己的产品了。数据虽说是客观的,但人却是主观的。同样的数据在不同的人眼里得到的结论也有可能是不一样的,数据分析也有几个常见的误区。

     

     

     

      1. 忽略了沉默用户,只在乎少量用户的数据忽视了整体

     

     

      1. 不要过分依赖数据,做一些没有价值的数据分析。

     

     

      1. 错判因果关系,商品评论多商品卖的就一定多吗?

     

     

      1. 警惕数据表达的技巧

     

     

     

    总结

     

    数据分析可以说是一门非常专业的学问,里面所涉及的内容非常的多,产品经理应该有对数据的敏感性。这里给大家讲了互联网数据分析的基本内容,希望能够给大家一些帮助。

     

    本文由 @乔家伟 原创发布于人人都是产品经理。未经许可,禁止转载。

     

    转载于:https://www.cnblogs.com/onetwo/p/5686415.html

    展开全文
  • 1、经营数据 在亚马逊商店运营过程中,每天都会生成大量数据,例如:商店销售,订单数量,销售,报告数量,...只有不断收集商店相关数据进行不断的比较和分析,我们才能了解商店的运作情况,并及时进行相应的运营调整
  • 文章目录一、数据背景二、数据类型三、功能要求四、SparkCore代码实现4.1 农产品市场个数统计4.2农产品种类统计4.3计算山西省每种农产品的价格波动趋势五、SparkSQL代码实现六、业务数据 一、数据背景 该数据每日...
  • 数据来源理解数据InvoiceNo:发票编号 ;...每件产品的简略描述Quantity:产品数量;每笔交易的每件产品的数量InvoiceDate:交易日期;每笔交易发生的日期和时间UnitPrice:单价(英镑);单位产品价格CustomerID...
  • 使用Microsoft Excel进行数据分析确定,与冬季,秋季或夏季末几个月启动的产品相比,Spring和夏季初几个月启动的产品通常具有较高的成功率。 此外,成功的竞选活动总体上具有较低的平均筹款目标。 平均而言,成功...
  • 除了工厂生产的原材料其他部门生产的产品都需要原料合成,于是,我们可以得到这些部门生产产品的基本信息(在实际经济的核算中我们也会得到各种不同形式的原始数据,一下面的表格为例进行分析)。 工厂:...
  • 产品数据分析 5.2 产品交易指数分析 一任务背景 市场交易额量的变化反映了一定时期内某产品的市场销售趋势但该数据属于企业核心数据通常难以采集因此引入产品交易指数产品交易指数是商品的总体支付金额进行指数化后...
  • 一、概述本文主要使用Python亚马逊智能产品评论数据集进行数据清洗,通过不同产品的评分进行变换后得到产品的好评数、中评数、差评数以及对应的比率等,通过上述这些指标,找到好评率最高的产品、并尝试通过词云...
  • 产品交易指数分析 一任务背景 市场交易额量的变化反映了一定时期内某产品的市场销售趋势但该数据属于企业核心数据通常难以采集因此引入产品交易指数产品交易指数是商品的总体支付金额进行指数化后的指数类指标是产品...
  • EDITED BY CHENYU * 移动互联网产品设计 移动互联网产品设计课程 Mobile Internet ...02 传统数据挖掘 03 大数据分析 传统数据分析 数据分析 已知的数据范围中容易理解的数据进行分析 数据仓库都有一个精准的提取转换
  • 作为数据产品,前期的数据分析工作是必不可少的,只有经历过足够多的数据分析小活,业务的认知和底层数据的熟悉度才能够足够深入,足够支撑我们将底层的需求提升成为数据产品层面上的需求。而数据分析的方法...
  • 如何进行数据分析

    2017-08-14 23:18:00
    催生了大数据时代的到来,大数据时代会数据分析产品经理将会越来越吃香,因为数据分析的结果,可以帮助我们进行精准营销、优化产品设计、提供决策支持...,这些都让数据前所未有的值钱,不信你看大数据发展趋势。...
  • 利用Python电商销售数据进行分析

    万次阅读 多人点赞 2019-03-12 10:40:01
    此次的数据集来自kaggle的关于在线零售业务的交易数据,该公司主要销售礼品,大部分出售对象是面向批发商。 二.数据集字段介绍 数据包含541910行,8个字段,字段内容为: InvoiceNo: 订单编号,每笔交易有6个整数,...
  • 黑五电商数据分析 背景 为了合理的投入人力物力,创造更大的销售利润,现已有的销售数据进行分析,提出合理的促销计划。本次的分析数据来自于Kaggle提供的某电商黑色星期五的销售记录,将围绕产品和用户两大方面...
  • 本文主要利用python优衣库的销售数据进行可视化分析数据来源于和鲸社区,有一个表,包含22293条数据数据字段的含义为: store_id 门店随机编号id,无实际意义 city 门店所在城市 channel 门店所产生的销售...
  • 首先看一下数据挖掘在客户分析中的应用,数据挖掘主要应用于两大领域:客户智能和...数据挖掘传统的一些领域,包括客户细分、营销预测、产品关联、实时分析、客户提升、价值分析,以及现在随着大数据技术的兴起
  • Altair公司于2018年11月底Datawatch Corporation进行了全资收购,并产品线重新整合,形成了新的数据分析平台. Datawatch Corporation(纳斯达克股票代码:DWCH)是一家数据分析解决方案提供商,公司创立于1985...
  • 可以使用ES-Hadoop将Hadoop数据索引到Elastic Stack,以充分利用快速的的ElasticSearch引擎和美观的kibana进行可视化。 通过Es-Hadoop,可以构建动态的嵌入式索引应用来处理Hadoop数据,或者使用全文本,空间地理...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,057
精华内容 2,422
热门标签
关键字:

对产品进行数据分析