数据支撑决策
<h1>利用数据和创意，控制产品风险</h1>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=1814b5722dbcad9a584d8d013c50bcb0&file=file.png" alt="" /></p>
<h2>step1：Think it</h2>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=8b38f39f8b6292fd581dd1fc5859754c&file=file.png" alt="" /></p>
<ul>
<li>
<p>组建Think it 小队</p>
</li>
<li>
<p>写故事描述（讲一个生动的故事）</p>
</li>
<li>定义指标（产品要达到的效果)</li>
</ul>
<h2>step2：Build it</h2>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=47d6d82cff36c4c91a090d8a7c93c1a4&file=file.png" alt="" /></p>
<ul>
<li>
<p>选择合适的项目小队。</p>
</li>
<li>
<p>构建出基础的产品，基本能够实现故事描述。</p>
</li>
<li>
<p>开始向部分真实用户发布产品。</p>
</li>
<li>在不完整的数据中建立假设，将其转化为不完善的产品放到市场上测试，获取用户使用数据，并分析该款产品的前景。</li>
</ul>
<h2>step3：Ship it</h2>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=6a91568a82217b5f2e2079e4a134d7e5&file=file.png" alt="" /></p>
<ul>
<li>
<p>产品扩散到所有的用户。</p>
</li>
<li>
<p>进行产品度量分析，收集提炼客户反馈，进行快速的概念迭代。</p>
</li>
<li>确保产品在真实环境下，能够达成它的设计初衷。</li>
</ul>
<h2>step4: Tweak it</h2>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=a5facb5a131fc1fdd28a267a98912b0a&file=file.png" alt="" /></p>
<ul>
<li>
<p>小队持续优化、A/B测试、度量和分析。</p>
</li>
<li>当新的改进已经无法带来吸引人的收益，指标数据已经很难有进一步的提升，产品已经趋近于“极致”时，小队开始新的工作或者重构下一个产品。</li>
</ul>
<h1>数据支撑决策，为创新提供保证</h1>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=056a4a506cd09d02bb4097a1eb51ae6d&file=file.png" alt="" /></p>
<h2>用户行为分析</h2>
<p>Spotify会分析用户行为，如保存歌单等操作，通过Python的函数库统计分析，获取用户的音乐品好，更好的为用户推荐歌单。</p>
<h2>互联网资讯分析</h2>
<p>Spotify会大量抓取互联网上的各种音乐资讯，通过自然语言处理，整合成向量模式（分析相同歌单和风格），按照相同风格推荐给用户。</p>
<h2>用户情绪分析</h2>
<p>2014年开始，Spotify会每年深入研究15 亿份用户生成的播放列表，然后深入地分析用户在平台上收听音乐的背景因素。其中，分析情绪数据是重点——以特定情绪或者活动为标准来选择播放列表，能有效帮助用户在庞大曲库中进行筛选。</p>
<h2>音频分析</h2>
<p>歌曲音频对新歌曲、点播率还较少的歌曲，Spotify会通过音频分析，提取速度、音量、调子和调性等特征信息，形成Spotify的“每周新发现（Discover Weekly）”个性化的每周歌单。</p>