<aside> 💡 数据是重要工具，但不是万能药。

</aside>

这个话题在我的草稿箱里也躺了很久，也是我在第二份工作中的一个关键词。多年来，我对「数据」的态度经历了不少起伏和转变。

在我第一份工作中，产品设计多由创始人或团队的直觉决定，数据并未在其中起到关键作用。产品上线后，过程数据也几乎没有得到关注。因此，在第二份工作时，我一开始就尽可能对需求目标进行量化并跟踪。公司文化也推崇定量评估，强调具体收益的明确。

然而，随着时间的推移，我对数据的态度发生了变化。我意识到「所有需求都要有数据评估」的局限性，开始厌恶盲目的数据驱动，并且因这个概念与领导多次发生争论。以下是我对数据驱动的一些思考和实际观察。

数据驱动的局限性

几个过去多次遇到的例子：

1. 难以量化的个人贡献：某 B 端产品营收增长，产品经理如何定量说明自己负责模块的每个迭代功能在其中占的比例？为什么不能说是销售的功劳？如何评估长期影响？也许大公司的困扰之一就是无法准确量化除了销售以外每个普通员工的贡献，因此也就能理解用工作时长作为衡量标准了。
2. 多因素影响：某分类客服的平均通话时长降低，如何证明是因为内部上线了某个功能，而不是其他因素导致的？
3. 未实施项目的评估：某项目还未实施，如何精确评估其收益？

在 Andrew Chen 的《Why data-driven product decisions are hard (sometimes impossible)》中，也列出了数据驱动的一些问题：

• 应该考虑未来时却在衡量过去。
• 分析瘫痪。获取和分析数据的成本可能会变得过高。
• 直觉反应快，而 A/B 测试反应慢。