Arthur's Blog

产品是一个精致的艺术品，要打造美的产品，需要产品人训练自己的产品审美思维。

爱美之心，人皆有之。

美是理念的感性显现。——黑格尔

美的形象是丰富多彩的，而美也是到处出现的，人类本性中就有普遍的爱美的要求。然而，审美的感官需要文化修养，借助修养才能了解美，发现美。

互联网产品作为满足用户需求而创建的用于运营的功能及服务，从美学角度，产品可以当作一件艺术品，也需要精雕细琢。

产品的美是优雅格调、清丽脱俗，还是直抒胸臆、简单粗暴，很考验产品经理的审美素养。

下面，老周从产品的形体美和内在美等两个角度阐述产品经理如何刻意练习产品的审美思维。

产品的形体美

产品的形体美是指用户使用产品时最直观的感受。

产品的形体美包括产品的信息结构、界面布局、色彩、色调、图标、字体以及字号等等。，除此之外，更需要产品经理费尽心思去重点打造的是用户体验路径、操作流程和产品闭环等。

作为产品经理，深入产品的前端细节，让产品更具鲜活，体现产品的形体美。

1. 最佳的体验路径

用户第一次接触产品，在惊讶于精美的视觉表现之后，会按照自己的思考方式和操作习惯去体验产品，因此，产品经理在设计产品时，需要遵循常理，研究用户的操作习惯和使用心理。

比如，用户在使用产品时，用户重点关注那些事情？用户会才能何种方式体验产品？重点的内容如何展示？信息结构的设计是否清晰等等。

通过反复思考和论证，不断调整和优化用户体验路径，直到确定最佳的用户体验路径，增加用户使用产品的舒适度和愉悦感。

比如，用户在淘宝购物，把商品加入购物车并准备去结算的时候，才发现忘记领取店铺优惠券；这个时候，在购物车里面增加优惠券的领取，或描述相应的优惠信息（如满减活动等），就可以减少用户返回店铺领取优惠的操作，让整个购物体验更加顺畅。

领取优惠券

在购物车里面显示店铺优惠

又如，用户在京东购物，在完成下单并付款之后，突然发现收货地址写错了；这个时候，增加一个修改订单的功能，可以让用户体验的效果倍增。

修改收货地址

综上，产品经理在设计最佳的体验路径，需要考虑两点：

让用户在一些关键的节点上触手可得，比如购物车里面店铺优惠券的领取；让用户在一些可以变通的节点上有“后退一步”的机会，比如已付款订单里面可以修改收货地址等。

2. 最短的操作流程

产品的操作流程越短，用户接受的程度越高，这已成业界共识。

产品经理在设计产品流程时，需要尽可能地缩短用户操作和使用产品的流程，拼多多就是很好的例子。

拼多多

本文以商业化应用推荐为例，告诉我们不懂推荐算法的产品，也能从产品侧出发， 设计出一款不错的推荐系统。

相信很多新手产品，看到算法二字，多是懵圈的。

什么排序算法、最短路径等都是相对传统的算法（注：传统是指科班出身的产品都会接触过）。但对于推荐算法，多数产品对着网上搜到的资源，都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后，更是加大了理解的难度。

但，不了解推荐算法，就无法做推荐系统了吗？其实，产品人员可以从产品侧挖掘自己的长处。

下面，以商业化应用推荐为例，讨论如何在不熟悉推荐算法的前提下设计推荐系统。

01 解决什么问题

收入：推荐用户感兴趣的应用，提高收入。

改善用户体验：对于用户不感兴趣的应用，少推荐，减少整体的广告显示，提升用户体验（毕竟，多数情况下，商业化与体验是矛盾的）。

02 设定目标

这是比较难的。需要了解当前的推荐策略 与 优化后的策略，才能制定出来。要么你熟悉推荐算法，要么知晓行业数据。建议是：如果没有明确的依据，不要拍脑袋。

03 有什么数据

用户画像，是一个谈到烂的话题。但小体量的公司很难把用户画像落地，因为需求是简单的：根据用户画像，用户的喜欢做……但在实际执行中，很难建立一个数据模型处理万千的数据并应用到推荐场景当中。

下面讨论数据情况，有哪些维度的数据，直接决定数据模型。

1. 基础数据

无论贵公司是以APK还是SDK的方式，用户手机安装了什么应用，均可以拿到。具体数据如下：

2. 基础数据的推导

根据基础数据，我们可以推导出应用卸载列表。

用户卸载列表：指用户点击安装后，又卸载的应用。用相临两周的应用列表，做差，即可得到。如下图所示，相对于本周数据，上周缺少了百度地图与饿了么两个应用。

3. 不喜欢应用列表

是指，推荐给用户的应用，有效展示后，用户不点击的应用列表。

04 高阶数据

如果可以获取用户使用应用的详情，那做应用推荐时，准确度可大幅提升。但普通应用获取不到此类数据，所以本篇不作讨论。

05 推荐策略

推荐应用给用户，可以有多种推荐策略。如：

已安装类别中，推荐额外应用：如用户安装了QQ音乐，可以推荐网易云音乐。推荐缺少类别的应用：用户缺少健身类的应用，推荐KEEP。下面，我们以“推荐缺少类别的应用”为例：

1. 先上整体流程图

第一步：获取用户本地应用，即用户当前时间段安装的应用。建议以周为统计周期。

第二步：对用户本地应用按类别整理。示例数据中，用户有“系统工具，导

一款产品好不好，不是由老板说了算，也不是由生产的人说了算，而是需要看市场的反馈、看消费者的实际反应。你生产了一堆产品，你觉得非常好，但是用了很多方法都卖不出去——这只是能算是物品，不是真正意义的产品。

产品只是满足消费者需求的一种解决方案，如果你的产品不能更好地满足消费者的需求，那只能永远存在仓库里。

我作为企业和品牌的营销咨询顾问，我们经常在全国各地出差，看了太多的工厂、企业生产出来的东西卖不出去而损耗巨大。

如果产品前期生产时就没有以市场和消费者需求为标准来生产，那么在生产之前就注定是卖不出去，即使你的广告做得再好也是事半功倍或徒劳无功。

一、商业的四个发展阶段

要知道，现在不是过去供不应求的年代，现在是供大于求的商品竞争时代。

中国经济刚开始的1.0阶段，过去商品不够丰富时，只要你生产一款产品出来，基本都不会愁着卖不出去。

随着生产力的不断增加和中国经济的发展，同类商品之间开始有了竞争，消费者的选择也多了，商业进入了2.0阶段。这个时候掌握了好的渠道，就意味着销量的保证。

比如当时的娃哈哈企业的渠道建设做得很好，推出一款“非常可乐”的饮料，直接靠渠道铺货就可以解决销售的问题。甚至有些企业的渠道能力，还能与终端渠道要求“垄断”政策，只卖自己家的产品，不能卖其他家的同类产品。这也是那个时候“渠道为王”说法的主要原因。

慢慢地到了商业3.0阶段，掌握了渠道还不够，还要有人知道你的品牌。这个时候，广告的作用开始越来越重要了。

而这个阶段，大部分消费者获取信息的主要媒介就是电视和报纸杂志，尤其是央视。那个时候，谁能拿到央视的“标王”，谁就能轰动全国，产品还没生产出来就会有大量经销商在工厂排队拿货。

直到了现在的4.0商业阶段，就算你天天在央视打广告，也不见得你的产品就能卖出去。

现在的消费者的信息渠道不再是过去的中心化媒介（央视等），而是多元化的媒介方式——有电视、有网站、有社交平台、有线下地铁广告、有电梯广告等。尤其是微信、抖音等社交媒体的普及，成为了目前多数年轻消费群体的主要信息获取方式。

另外，一个媒介平台不只是信息展示，还能实现产品的购买。比如我在抖音看到一个水果的视频，我觉得不错，就马上可以点击商品链接进行购买了，然后等待几天后物流送到我家（甚至是当天就送达）。

这就把之前割裂的信息流（看到商品信息）、现金流（购买下单）、物流连接在一起。

甚至我去商场看见一件不错的衣服，但我不一定就会在这

本文以拼多多的游戏化板块为例，从拼多多的用户画像、现金签到的游戏玩法、电商的游戏场景等进行分析，探讨拼多多游戏吸引用户的原因。

一直对拼多多的游戏+电商模式很感兴趣。一个偶然的机会，有幸与拼多多的游戏化功能的制作人聊到拼多多的游戏化，他也跟我分享了拼多多为什么做游戏化，以及游戏化功能设计时对细节的考量。

通过这次交谈，我了解到，游戏化战略对于拼多多来说，不管是在拉新还是促活上都有着较高的收益。这就衍生了一个问题：为什么拼多多的游戏能够吸引用户呢？

本文将从游戏设计的逻辑出发，探讨拼多多游戏吸引用户的原因。并且以拼多多的现金签到功能为例，从游戏角度详细分析拼多多游戏吸引用户的原因。

一、拼多多的用户画像

我们设计或是分析任何一个功能，首先需要思考的都是：这个功能设计出来是要给谁用的？谁会玩拼多多的游戏呢？

要回答这个问题，可以从拼多多的用户画像来思考：

拼多多的用户是价格敏感型用户，地域分布集中在二、三、四线及以下城市，女性居多。

相较传统电商平台（京东、淘宝），用户的学历分布偏低，年龄分布偏高。

游戏设计的遵循一个逻辑，即“低门槛、高回报”，低与高是个基于目标用户的相对值。

低门槛：拼多多的目标用户是低学历、高年龄的，这就要求游戏设计的门槛非常低，动动手指就可以轻松操作，避免复杂的逻辑思考。从这一点上，拼多多游戏的玩法需要对标的是贪吃蛇、消消乐等小游戏，也就是女性用户喜爱的轻松休闲性小游戏。高回报：拼多多的目标用户来自二、三、四线及以下城市，其中四线及以下城市用户占比最高，这就要求游戏回报相对他们来说是较高的。2018年全国主要三线城市人均收入为30000到50000之间，也就是说，拼多多用户的人均月收入近似为3000或更低。以“现金签到”为例，它的低门槛体现在玩法简单：用户点击按钮即可完成游戏；而它的高回报，在于首次签到就送5元红包，无疑对于拼多多目标用户来说，吸引力很强。阅读本文的大家可以用自己的月收入大概估算一下，就能切身带入到现金签到红包对用户的吸引场景中。

由此，我们可以得到拼多多游戏吸引用户的原因一：精准定位目标用户，提供低门槛、高回报的玩法。

二、电商的游戏场景

刚才分析到了谁会来玩游戏，但是有市场不代表能落地，真正要做一个从0到1的功能，还需要从场景与ROI两个角度去思考。

从场景的角度来说，我们需要考虑，游戏的功能是否符合用户使用电商平台的场景？

电商平台设计的出发点，本质上是

双十一至今已有十年，从一开始的直接打折降价，到现在的各种红包满减跨店优惠券，整个逻辑是让人越发看不懂了。从运营的角度来说，这个玩法是怎样的呢？

作者：大老王，用户运营

题图来自 Unsplash，基于 CC0 协议

全文共 3898 字 12 图，阅读需要 8 分钟

—————— / BEGIN / ——————

10月21日，一年一度的双11大促再次拉开帷幕，相比较而言，今年的玩儿法更加复杂、繁琐：预售定金、店铺券、商品券、双11红包、购物津贴、折扣、免单，各种优惠规则让人眼花缭乱。全民开瞄铺、盖楼大挑战、拉人赢红包、赢心愿大奖，各种营销玩儿法同样让人目不暇接。

笔者试图从一个运营工作者的角度，在分析整体玩儿法的同时，试图了解埋藏在层层手段下的阿里战略目的。

2019天猫双11整体营销节奏分析

从整体节奏来看，本次双11共22天，其中10月的11天均为预热期。

从11月1日开始定点引爆，如国潮来了、品牌俱乐部、进口博览会等专题会场，着重凸显品质感。

11月10日起，红包兑换、开奖及双11晚会等活动正式开始全场引爆。

全民开瞄铺

1. 时间

10月21日至11月11日13点

2. 形式

用户通过收集喵币升级喵铺，在完成新手引导后，会获取第一家喵铺，通过点击升级按钮来升级，消耗一定喵币。喵铺共50级，用户可通过领喵币中心及喵铺自主赚喵币等方式升级，每种方式每天获得的喵币均存在一定数量限制，升级后有机会获得红包、购物津贴、头像勋章等奖励。

手淘、天猫、支付宝客户端前端展现形式保持统一，但任务各自进行场景化。如手淘、天猫的任务主要为签到、分享、浏览双11会场聚合页、浏览某品牌旗舰店或浏览某品类预售会场，便于向各品牌商收广告费贴补营销费用。

当前阶段均为流量类任务，未展示交易类任务，爆发期有可能逐步展示活动期间首次下单、交易笔数、交易金额等交易类任务。

支付宝客户端主要为签到、蚂蚁森林浇水、蚂蚁庄园喂鸡、会员频道领积分等任务，在完成部分流量任务后，会逐渐展示业务类“伪”交易类任务，如完成一次花呗提额、设置花呗为优先付款、领取500元备用金、0元首月开启600万医疗保险、信用卡还款等。

可以肯定的是支付宝的任务存在千人前面的精准展示，主要目的为将大促流量引流至各核心业务线，如消费金融、现金贷、保险、基金等，后期有可能根据用户属性进一步展示如：完成首笔花呗付款、完成首次线下/线上支付、充值余额宝、设置自动生活缴费、

本文主要跟大家聊聊三个问题：什么是产品哲学？为什么要思考产品哲学？产品哲学应该有哪些内容？

其实产品哲学这件事在张小龙这种级别的产品去讲会很有说服力，人家第一有绩效——国民应用微信，第二有思考——每一次公开课都奉为神话，也确实有深度。但微信那种段位的产品哲学大概率是不适用一般产品的，大家都懂，不可照搬照抄。

作为一个创业出身的产品个体，做过国内和海外的产品业务，有着独特的产品体验和工作经历，将从个人视角聊一聊产品哲学这件事。有着独特的产品体验和工作经历。

聊聊三个问题：什么是产品哲学？为什么要思考产品哲学？产品哲学应该有哪些内容？

什么是产品哲学？

一个人会由于过往所有的背景经历，形成自己的一套价值观体系，这套价值观体系里有社会性，也有个性，称之为一个人的人生哲学。

这套价值观体系会不断的更新，落地执行就成为了一个人的为人处事，进而塑造了一个人的形象。一个人有什么样的人生哲学，都会有什么样的人生。同理，映射到产品哲学。

产品经理经常会被问到的一个问题：你有什么样的产品方法论。其本质就是你有什么样的产品哲学。

受限于个人阅历、工作经历，其实很多时候我们没有认真去思考过或者想清楚过，我们到底形成了怎么样的产品哲学：

个人在产品工作中，有哪些底层的价值观，思维方式影响着我们日常思考问题，做出产品决策。那些潜意识里存在的，我们或多或少知晓的产品价值观/产品思维方式/工作方法构成了我们的产品哲学。那些我们在产品工作中体现出来的看似顺其自然的表现都是产品哲学决定的。

如果不系统去思考，产品哲学什么都没有，也什么都没用。

如果你去观察，你总能观察到深刻影响到你产品工作，甚至职业成长的底层影响因素，那就是产品哲学。

为什么要思考产品哲学？

很多时候我们知晓决策的结果，却没有真正审视过思考的过程。当我们在初级阶段的时候，经常无法做出正确的决策，往往就是思维模型不对。所以，纠结结果没有用，需要去看到底什么因素影响了你做出这样的决策以至于产生这样的结果。

人的思考其实有两个体系——无意识的快思考系统一和有意识的慢思考系统二（见丹尼尔·卡尼曼《思考，快与慢》），我把它称为自动化思维和理性思维。这都是我们要审视的两部分决策过程，思考产品哲学的过程，能帮助产品经理了解自己整个决策过程，比如交互的细节确认，沟通话术的选择往往很多时候都是自动化思维，那些越需要快速做出决策并行动的时候，自动化思维极大地影响了我们。

而当接到一个

一个优秀的领导者，必是一个可以激发和点燃员工内心小宇宙的人，调整思维，把做事的角度，切换到用人的角度，你会发现另外一个世界。

小时候听过一则伊索寓言，讲的是太阳与风的故事。一天，太阳和风在争论谁比较强壮，风说：“当然是我。你看下面那位穿着外套的老人，我打赌可以比你更快要他把外套脱下来。”

说着，风便用力对着老人吹，希望把老人的外套吹下来。但是它愈吹，老人愈把外套裹得更紧。后来，风吹累了，太阳便从后走出来，暖洋洋地照在老人身上。没有多久，老人便开始擦汗，并且把外套脱下。太阳于是对风说道：“温和友善永远强过激烈狂暴。”

这则寓言的寓意大概是“晓之以理胜于命之以令， 仁慈、温和与说服胜过强迫。”而我今天的的理解则是“想让人达成目标，往往内驱力比外部推动力来得更加高效”。

管理思维的变革

在传统的管理中，管理者们总是希望依靠工资和奖惩来激发员工动力，期待通过外力就能使得员工产生高绩效，他们假设人们生来就是好逸恶劳的，缺乏进取心，不愿意承担责任，只有在监督下才愿意接受工作，人性为恶。

而新时代的管理中，管理者们认为清晰有价值的目标，可以牵引出员工最大的潜力，能使得他们付出超越职责范围的努力，他们假设在合适的环境下，人们就会为了集体的目标去努力，承担更多的角色和责任，正如管理学大师彼得·德鲁克曾说过的“管理的本质是激发善意和潜能”。

时过境迁，在传统的管理体系中是有前置条件的，也即在当时的社会中，人们还受困于基本的生活需求，吃饱穿暖可能是第一要务。而在今天这个前置条件破灭，大部分的90后，95后的孩子们崛起了，他们成了劳动力市场上新的生力军，他们衣食不愁，生活无忧。有些甚至可能即将还要继承家里的几套房产，部分独生子女更是让他们在生活中一直处于优势地位，集万千宠爱于一生，他们可能需要的是马斯洛更高阶层次的需求-“自我实现”。

所以新时代的管理者，需要更多去激发他们的目标感，让他们朝着自己梦想的方向前行，这样才能产生更多的内驱力。而如何产生驱动力，我个人认为，主要把其分为三点：

我做什么，我做主（增加参与度）引导式发问，启发内窥（提高觉察力）享受过程，超越渴望（获得成就感）

PART-1：我做什么，我做主

原来我们大部分的管理者，都会以直接下命令的方式，直接告知下属，你应该怎么做，需要做出什么结果了，大概什么时候交付，比如：小王，我需要上周的运营数据报表，包含我们平台APP上的注册数、活跃数、新用户次日

本文总结分析了财务系统的作用、结构、如何对账，以及财务系统与账户系统的关系/协作，账户系统如何对账等方面的内容，希望能给你带来启发的思考。

这篇文章将会介绍本人之前构想的电商交易记账及对账的解决方案，没能具体实施，公司最后决定采用了搭建清结算平台的方式来协助财务系统记账及对账，但其实这套规划已经具备了清结算的雏形，所以在此做一个总结，写下自己未被验证的心路历程，也记录下近两年战斗在公司自建财务系统一线所积累的一些认知。

好的方面是：公司发展较快，业务不管是横向还是纵向都快速扩张，整个系统架构处于业务先行，系统林立的阶段；这给财务记账和对账带来的相当大的压力——曾经每个月财务关账，产品都会替补上场，手工做账和对账。

翻阅前人的文档发现，多年前，公司在搭建支付平台时其实考虑过建立一套账务系统来满足记账的需求，从现在来看虽然当时考虑的比较片面，最终也只是作为客户的账户在使用。

但账户的概念很好，财务的科目其实也是账户记录进进出出的流水，于是希望再次把账户系统利用起来，通过账户系统输出账单，完成对账从而减轻财务系统压力，一套以账户系统为逻辑基础的电商交易账务及对账协作方案应运而生。

一、账户系统的作用

记录账户流水和余额，最基本的作用。信用额度控制，同时提供一种支付方式，这是原本有的功能。按照会计规则建立一套分户账户，提供会计核算，业务对账的基础，这是方案的核心点。以上三点，前两点是目前账户系统就有的功能，要实现第三点功能，首先需要建立一套完备的账户体系

二、账户系统结构

我认为就电商交易来看，一套完备的账户包括：收入、成本、费用、库存、应收、应付、实收，实付几大类账户。

账户系统结构

其中，实收实付类的账户可以通过支付系统直接记账，后期和财务系统核对；其他的账户的数据产生需要大量的财务记账逻辑，所以都由财务系统完成财务记账同时推送会计分录流水到账户系统，账户系统计入各个账户。账户建立完成后，下面就讲一下账户系统是如何工作的：

三、账户系统如何记账

下面以交易过程中几个简单的例子描述账户系统如何记账。

1. 销售订单交易

销售订单生命周期

一笔销售交易订单的生命周期经理客户下单，支付，订单发货，确认完成4个关键步骤，交易系统会记录下这4个节点，账户系统完成支付相关的分户账户记账，财务系统根据业务系统交易单据完成财务记账，并同步会计分录流水进分户账户。

记账过程如下：

销售订单记账过程

2. 供应链交易

供应链交

联合贷款究竟是什么？它有什么样的特点？它在发展过程中将催生什么样的挑战？笔者将揭晓这些问题的答案。

近期，互联网贷款全方位收紧，从数据采集到贷后催收，从头到脚迎来集中整治与强力监管。在此背景下，早已引发各方关注、但一直没公布统一监管文件的联合贷款，又重回舆论视野。毕竟头和脚管住了，没道理不给联合贷款一个明确说法。但联合贷款，不仅仅是产品创新和模式创新，更带来了金融生态的深层次变革，利弊优劣，三句五句说不清楚；如何监管，也远非“禁”与“不禁”所能涵盖。

太过复杂，需从头说起。

一、联合贷款因何而生？

联合贷款并不神秘，很多人以为它是金融科技公司的模式创新，其实不过是银团贷款的模式化用。

监管将银团贷款界定为：

“由两家或两家以上银行基于相同贷款条件，依据同一贷款合同，按约定时间和比例，通过代理行向借款人提供的本外币贷款或授信业务。”

联合贷款也是这样，两家或两家以上持牌放贷机构，基于协议安排联合发放贷款。

银团贷款里，有牵头行、参与行和代理行之别，在“信息共享、独立审批、自主决策、风险自担”四原则下，各方权责分工各异。牵头行负责贷前调查、确定贷款条件并组建银团，代理行代表大家进行贷款发放、收回和统一管理，其他参与者统称为参与行。

联合贷款里，基本也是一家机构负责获客、贷前初审、贷款管理和回收，其他持牌机构在独立审批、独立决策并与借款人独立签署合同的基础上参与进来，同样要遵循“信息共享、独立审批、自主决策、风险自担”等基本原则。

银团贷款又称辛迪加贷款，为大额借款项目而生，合多家银行之力，满足大型基建和集团公司贷款需求。联合贷款，则为小额普惠金融而生，合多家机构之力，优势互补，降低成本，为普惠金融提供新的解决方案，也助力金融机构科技转型走上快车道。

1. 破局普惠金融难题

小微群体贷款本金小，利润薄，金融机构做小微贷款，往往无利可图，要么弃之不做，要么提高定价。前者导致融资难，后者产生融资贵，顾此失彼，普与惠不能兼顾。

破局之策，便是降低综合成本（如资金成本、获客成本、风控成本、运营成本等），综合成本低一些，普惠金融的空间就多一些。

单一金融机构，固然可通过模式创新和科技创新不断降低成本，但幅度有限。相比之下，联合贷款取各家金融机构所长，让擅长获客的去获客、擅长风控的做风控、吸储能力强的多提供资金、强于运营的做贷款管理，可把综合成本压降至理论上的最低值，普惠金融空间自然就出来了。

2016年末，央行

看见别人看不见的价值，用图表武装思想。

使用上篇讲述的常规的数据分析手段，能够帮助我们快速对数据进行规整和剖析，进而总结出数字反映的客观事实。我们常提到的数据统计及分析工作，大部分止步于此。

然而是否有可能对数据进行更深层次的挖掘，去寻找一些不那么显著可见的事实背后隐藏的规律，甚至是一些猜想呢？

答案是肯定的。

为了达成该目的，我们需要借助一系列机器学习的算法，这也是本篇的重点内容之一。

在完成全部分析形成结论后，若要精益求精就无法绕过最终的图表美化工作，即数据可视化，良好的表达呈现有助于观众更好的理解你的观点。

产品需要考虑表现层的用户体验，数据报告亦是如此。

因此，本文最后的篇幅会留给数据可视化。

回顾一下数据分析的5个步骤：

明确目标；数据预处理；特征分析；算法建模；数据表达。上篇《极简数据分析（上） – 10分钟掌握关键数据分析方法》介绍了前3步，本篇开始进入到最后2个步骤。

算法建模

不少非技术出身的同学一听到算法建模、机器学习、大数据、人工智能等概念，就开始头大，实际上大可不必。

本文其实也是定位面向于非技术人员的，因此首先可能需要对相关的技术进行去魅。

什么是算法？

可以理解成算法是计算的方法或技巧，通过合适的算法对原始数据进行加工以得出结论，是我们解决问题的核心思路。

什么是数据挖掘？

顾名思义，是对并非浮于表面的信息进行深度研究，可能是可观察到的事实背后的规律或原因，也是我们想获取的知识。

什么是机器学习？

其目的是让机器可以通过学习，自主去解决问题，而并非执行一段代码内既定的任务。

而人工智能可能是最后我们追求的美好结果，不论是数据挖掘还是机器学习，都是在实现人工智能过程中的手段，虽然其实离真正的智能还相差甚远。

所以在数据分析范畴内对相关技术的应用，我们可以描述为：利用机器学习的相关算法进行数据挖掘，寻找数据事实背后的规律。

一个好消息是：算法在人工智能技术和高级语言经历了多年发展至今后，很多已经被封装成了独立的函数或类，可以直接调用，不少开发框架内也已经集成了大量的库或包，大大降低了机器学习的技术门槛，也因此让我们利用相关技术进行数据分析成为了可能。

机器学习主要分为监督学习和非监督学习，此外还有强化学习。

这里主要介绍监督学习和非监督学习。两者的区别主要在于是否有已知的训练集，即监督学习类似教学，告诉机器一些已经确定的输入条件（特征值）和输出结果（标签），然后由机器总结规律再运用到新样