本文作者基于25W+知乎數(shù)據(jù)，挖掘出與話題相關(guān)的人群特征和內(nèi)容偏好，一起來看看~

本次對話題進(jìn)行分析的重點在于：

1. 男、女性用戶的話題關(guān)注差異
2. 話題頻繁項集和關(guān)聯(lián)規(guī)則挖掘
3. 用Word2vec量化話題之間的關(guān)聯(lián)性

分析部分

1. 話題分析

在社會化媒體中，話題是指一個有影響力的事件或者活動。而在知乎上，話題是由內(nèi)容（問題和回答）和人（提問者、回答者和關(guān)注者）構(gòu)成的，而且話題之間存在著父子級關(guān)系。

知乎上的“話題”有別于其他社會化媒體上的“標(biāo)簽”，并非由用戶自由創(chuàng)建、自由使用。如果話題被合理的添加到問題上，就意味著根據(jù)社區(qū)的共識和使用習(xí)慣，一些可能相似的內(nèi)容被聯(lián)系在了一起。

本質(zhì)上，話題的作用是連接人和問題，它描述的是一個領(lǐng)域。一類有共同主題或?qū)傩缘膯栴}可以歸類到一個話題下。這些基于話題的聯(lián)系和分組能夠幫助用戶方便、快速的發(fā)現(xiàn)某個主題的內(nèi)容。

在知乎這個社會化媒體上，話題是用戶活動的基礎(chǔ)，用戶的信息創(chuàng)造、傳播、組織必須依賴于話題。因此，對知乎上“數(shù)據(jù)分析”相關(guān)用戶群體的話題偏好分析很有必要，它可以從宏觀上把握用戶的內(nèi)容需求。

（1）男、女性用戶的話題關(guān)注差異

經(jīng)統(tǒng)計，女性關(guān)注的話題數(shù)量有28727個,男性用戶關(guān)注的話題數(shù)量是?35774個，從關(guān)注話題豐富度上來看，男性用戶明顯要多于女性用戶。

二者關(guān)注話題的交并集情況如下所示：

由上圖可見，男女性用戶共同關(guān)注的話題較多，數(shù)量為22396個，分別占到女性話題關(guān)注數(shù)的78%和男性話題關(guān)注數(shù)的63%。總體上看，這部分人群在話題偏好上有較強的相似性。

現(xiàn)在由表及里，從TOP?30熱門話題來看男女性用戶在話題關(guān)注偏好上的異同。

先看看不區(qū)分性別下的TOP30熱門關(guān)注話題：

從上圖可以看到，“職業(yè)發(fā)展”、“自然科學(xué)”、“數(shù)據(jù)分析”、“電影”、“心理學(xué)”、“健身”、“生活”、“文學(xué)”、“互聯(lián)網(wǎng)”和“投資”等是總體上排名靠前的話題。

再來看看女性用戶TOP?30的熱門關(guān)注話題：

其中，“職業(yè)發(fā)展”、“心理學(xué)”、“電影”、“數(shù)據(jù)分析”、“健身”、“自然科學(xué)”、“生活”、“文學(xué)”、“旅行”和“美食”是女性群體較為關(guān)注的話題。

最后，看看男性用戶較為關(guān)注的TOP?30熱門話題：

其中，“自然科學(xué)”、“數(shù)據(jù)分析”、“電影”、“職業(yè)發(fā)展”、“互聯(lián)網(wǎng)”、“健身”、“心理學(xué)”、“生活”、“投資”、“歷史”是男性用戶較為關(guān)注的話題。

上面是按性別單獨來分析的，但數(shù)據(jù)分析只有在“求同存異”時才能發(fā)現(xiàn)一些有意思的信息?，F(xiàn)在用韋恩圖展示一下男女性用戶關(guān)注話題TOP30的交集和差集（男女性用戶獨有的關(guān)注話題）：

從TOP30關(guān)注話題的差集來看，女性用戶的關(guān)注話題反映出她們精致、居家的特點，而男性用戶反映出他們對技術(shù)和理性的偏愛。同時，二者的交集反映出他們對于自身職業(yè)發(fā)展的重視和對生活的的熱愛。

（2）話題頻繁項集和關(guān)聯(lián)規(guī)則挖掘

做數(shù)據(jù)分析的小伙伴幾乎都聽說過“啤酒與尿布”的故事?：在超市的訂單記錄中，啤酒和尿布總是頻繁共同出現(xiàn)在同一條訂單記錄里，如果把啤酒和尿布放在一起售賣就會產(chǎn)生較好的收益。

那么，細(xì)想推理一下：數(shù)據(jù)分析相關(guān)的用戶會關(guān)注一連串的話題，這些話題之間是否存在一定程度的關(guān)聯(lián)關(guān)系？

按我們的常識來看，會的。比如，筆者關(guān)注“數(shù)據(jù)挖掘”，那么，“數(shù)據(jù)分析”、“大數(shù)據(jù)”、“機器學(xué)習(xí)”也很有可能成為筆者傾向于關(guān)注的話題，這種情況倒是顯而易見。

但是，筆者還想挖掘另一類的話題關(guān)聯(lián)性，比如，關(guān)注“數(shù)據(jù)分析”話題的用戶還會關(guān)注哪些跨領(lǐng)域的話題，比如“美食”、“星座”、“哲學(xué)”等，這些話題會超出我們的意料。但對于內(nèi)容運營者來說是福音，因為在數(shù)據(jù)分析相關(guān)的文章里雜糅這部分輕松愉悅的“輔料”，會增強內(nèi)容的可讀性和趣味性，促進(jìn)內(nèi)容的自發(fā)傳播。

這就引出了本文的主題之一 ——話題關(guān)聯(lián)度挖掘。

它分為兩個方面：話題頻繁項集和話題關(guān)聯(lián)規(guī)則。前者是指在話題數(shù)據(jù)庫中大量頻繁出現(xiàn)的話題集合，后者比前者更進(jìn)一步，除了發(fā)型大量的話題集合，還能發(fā)現(xiàn)其中話題出現(xiàn)的先后順序。

1）頻繁項集的挖掘方法和原理

主流的頻繁項集挖掘算法有Apriori和FP-growth。其中，Apriori 算法需要多次掃描數(shù)據(jù)庫，這就使得該算法本身不適合大數(shù)據(jù)量。由于此次分析的話題list較多，在單機上比較吃計算資源，筆者在這里采用性能較高的FP-Growth算法來挖掘話題之間的關(guān)聯(lián)性。

可喜的是，如果我們有了頻繁項集，就能順勢挖掘出關(guān)聯(lián)規(guī)則。

關(guān)聯(lián)規(guī)則是在頻繁項集的基礎(chǔ)上得到的，它指由集合?A，可以在某置信度下推出集合 B。通俗來說，就是如果 A 發(fā)生了，那么 B 也很有可能會發(fā)生。

舉個例子，有話題關(guān)聯(lián)規(guī)則如：{‘數(shù)據(jù)分析’, ‘數(shù)據(jù)挖掘’} -> {‘機器學(xué)習(xí)’}，該規(guī)則的置信度是 0.9，意味著在所有關(guān)注了’數(shù)據(jù)分析’和’數(shù)據(jù)挖掘’的用戶中，有?90%的用戶還關(guān)注了’機器學(xué)習(xí)’這個話題。關(guān)聯(lián)規(guī)則可以用來發(fā)現(xiàn)很多有趣的規(guī)律。這其中需要先闡明兩個概念：支持度和置信度。

• 支持度（Support）：支持度指某頻繁項集在整個數(shù)據(jù)集中的比例。假設(shè)數(shù)據(jù)集有?10 條記錄，包含{‘數(shù)據(jù)分析’, ‘數(shù)據(jù)挖掘’}的有 5 條記錄，那么{‘數(shù)據(jù)分析’, ‘數(shù)據(jù)挖掘’}的支持度就是 5/10 = 0.5。
• 置信度（Confidence）：置信度是針對某個關(guān)聯(lián)規(guī)則定義的。有關(guān)聯(lián)規(guī)則如{‘數(shù)據(jù)分析’, ‘數(shù)據(jù)挖掘’} -> {‘機器學(xué)習(xí)’}，它的置信度計算公式為{‘數(shù)據(jù)分析’, ‘數(shù)據(jù)挖掘’, ‘機器學(xué)習(xí)’}的支持度/{‘數(shù)據(jù)分析’, ‘數(shù)據(jù)挖掘’}的支持度。假設(shè){‘數(shù)據(jù)分析’, ‘數(shù)據(jù)挖掘’, ‘機器學(xué)習(xí)’}的支持度為 0.45，{‘數(shù)據(jù)分析’, ‘數(shù)據(jù)挖掘’}的支持度為 0.5，則{‘數(shù)據(jù)分析’, ‘數(shù)據(jù)挖掘’} -> {‘機器學(xué)習(xí)’}的置信度為 0.45 / 0.5 = 0.9。

2）話題頻繁項集和關(guān)聯(lián)規(guī)則的挖掘結(jié)果

a. 話題頻繁項集的挖掘結(jié)果

這里筆者取支持度大于等于100的話題頻繁集，因返回結(jié)果太多，篇幅所限，僅展示部分結(jié)果：

首先是“數(shù)據(jù)分析“這一話題的頻繁項集：

• (‘體育’, ‘數(shù)據(jù)分析’): 174
• (‘數(shù)據(jù)分析’, ‘蘋果公司_(Apple_Inc.)’): 152
• (‘商業(yè)’, ‘數(shù)據(jù)分析’): 110
• (‘體育’, ‘數(shù)據(jù)分析’): 174
• (‘互聯(lián)網(wǎng)’, ‘數(shù)據(jù)分析’): 143
• (‘數(shù)據(jù)分析’, ‘生活’): 162
• (‘數(shù)據(jù)分析’, ‘金融’): 104
• (‘數(shù)據(jù)分析’, ‘美食’): 108
• (‘投資’, ‘數(shù)據(jù)分析’): 143
• (‘健身’, ‘數(shù)據(jù)分析’): 164
• (‘數(shù)據(jù)分析’, ‘文學(xué)’): 180
• (‘數(shù)據(jù)分析’, ‘電影’): 186
• (‘攝影’, ‘數(shù)據(jù)分析’): 187
• (‘數(shù)據(jù)分析’, ‘職場’): 198
• (‘數(shù)據(jù)分析’, ‘職業(yè)發(fā)展’, ‘職場’): 149
• (‘心理學(xué)’, ‘數(shù)據(jù)分析’): 239
• (‘心理學(xué)’, ‘數(shù)據(jù)分析’, ‘職業(yè)發(fā)展’): 101
• (‘數(shù)據(jù)分析’, ‘自然科學(xué)’): 327
• (‘數(shù)據(jù)分析’, ‘職業(yè)發(fā)展’, ‘自然科學(xué)’): 163
• (‘數(shù)據(jù)分析’, ‘職業(yè)發(fā)展’): 352
• (‘體育’, ‘數(shù)據(jù)分析’, ‘自然科學(xué)’): 104
• (‘數(shù)據(jù)分析’, ‘職業(yè)發(fā)展’, ‘職場’): 149

從中可以看到，用戶在關(guān)注“數(shù)據(jù)分析”這一話題的同時，還會關(guān)注其他跨領(lǐng)域的話題，跟工作相關(guān)的話題有職場發(fā)展、商業(yè)、心理學(xué)、金融、投資等，偏生活休閑的話題有美食、健身、生活、文學(xué)、體育等。

其他具有代表性的話題頻繁項集有，感興趣的小伙伴可以解讀一下：

• (‘化學(xué)’, ‘地理學(xué)’, ‘天文學(xué)’, ‘生物學(xué)’, ‘職場’, ‘自然科學(xué)’): 118
• (‘化學(xué)’, ‘天文學(xué)’, ‘物理學(xué)’, ‘生物學(xué)’, ‘職業(yè)發(fā)展’, ‘職場’, ‘自然科學(xué)’): 119
• (‘時尚’, ‘演藝明星’, ‘電影’, ‘職業(yè)發(fā)展’, ‘職場’): 110
• (‘時尚’, ‘服飾搭配’, ‘演藝明星’, ‘職業(yè)發(fā)展’, ‘職場’): 125
• (‘化學(xué)’, ‘歷史’, ‘地理學(xué)’, ‘電視劇’, ‘職業(yè)發(fā)展’, ‘職場’, ‘裝修’): 120
• (‘歷史’, ‘文學(xué)’, ‘電影’, ‘社會心理學(xué)’, ‘美食’, ‘職業(yè)發(fā)展’, ‘自然科學(xué)’): 129
• (‘心理學(xué)’, ‘文學(xué)’, ‘社會心理學(xué)’, ‘美食’, ‘職業(yè)發(fā)展’): 348
• (‘土木工程’, ‘工程學(xué)’, ‘投資’, ‘機械’, ‘烹飪’, ‘經(jīng)濟’, ‘職業(yè)發(fā)展’, ‘職場’, ‘自然科學(xué)’, ‘裝修’): 443

b. 話題關(guān)聯(lián)規(guī)則挖掘

關(guān)聯(lián)規(guī)則用于發(fā)現(xiàn)?if -> then（（[A,B] -> [C]））這樣的規(guī)則，并可以給出這條規(guī)則的可信度。基于這些關(guān)聯(lián)規(guī)則，我們就可以了解到“數(shù)據(jù)分析”相關(guān)的知乎在喜歡XXX話題的情況下，還會關(guān)注哪（個）些話題，在內(nèi)容創(chuàng)作時可以做出預(yù)測。

返回的關(guān)聯(lián)規(guī)則數(shù)以萬計，筆者僅選取的置信度（confidence_threshold）閾值為1.0且具有一定趣味性的話題關(guān)聯(lián)規(guī)則：

• (‘時尚’, ‘演藝明星’, ‘電影’)?–>?((‘職業(yè)發(fā)展’, ‘職場’), 1.0)
• (‘地理學(xué)’, ‘天文學(xué)’, ‘生物學(xué)’, ‘職場’, ‘自然科學(xué)’)?–> ((‘物理學(xué)’, ‘職業(yè)發(fā)展’), 1.0)
• (‘交通運輸’, ‘建筑’, ‘電氣工程’, ‘職業(yè)發(fā)展’, ‘職場’)?–>((‘土木工程’, ‘工程學(xué)’, ‘航空航天’), 1.0)
• (‘數(shù)碼產(chǎn)品’, ‘職場’, ‘高等教育’)?–>((‘攝影器材’, ‘職業(yè)發(fā)展’), 1.0)
• (‘流行音樂’, ‘演藝明星’, ‘音樂’)?–>?((‘職業(yè)發(fā)展’, ‘職場’), 1.0)
• (‘旅行’, ‘演藝明星’, ‘電影’, ‘音樂’)?–>?((‘職業(yè)發(fā)展’, ‘職場’), 1.0)
• (‘流行音樂’, ‘演藝明星’, ‘社會心理學(xué)’, ‘音樂’)?–>((‘職業(yè)發(fā)展’, ‘職場’), 1.0)
• (‘地理學(xué)’,’手機游戲’,’文學(xué)’,’流行音樂’, ‘經(jīng)濟’, ‘航空航天’)?–>((‘健身’, ‘歷史’, ‘土木工程’, ‘工程學(xué)’, ‘攝影’, ‘機械’, ‘自然科學(xué)’, ‘裝修’, ‘財務(wù)’), 1.0)

結(jié)果有了，那么我們該如何解讀上述結(jié)果呢？

舉個例子，比如示例的最后一條，可以這樣理解：在這25W+用戶中，在支持度為100的前提下，所有同時關(guān)注了’地理學(xué)’、’手機游戲’、’文學(xué)’、’流行音樂’、 ‘經(jīng)濟’、 ‘航空航天’等話題的用戶，他們有100%的可能性會同時關(guān)注’健身’、 ‘歷史’、 ‘土木工程’、’工程學(xué)’、’攝影’、 ‘機械’、’自然科學(xué)’、’裝修’、’財務(wù)’等話題。

那么，發(fā)現(xiàn)這些話題關(guān)聯(lián)規(guī)律有什么實際意義呢？

3）話題關(guān)聯(lián)度的意義

a. 用于發(fā)現(xiàn)潛在需求當(dāng)我們在瀏覽器中輸入”social listening”時，瀏覽器自動彈出如”social listening?社會化營銷”，”social listening?文本挖掘”等備選記錄，我們每每都會感嘆瀏覽器的智能，其實這里的奧秘就是頻繁項集。

也就是說，在大量的用戶搜索記錄中，”social listening”和”社會化營銷”、”social listening”和”文本挖掘”共同出現(xiàn)在了大多數(shù)的搜索記錄中。同理，”社會化營銷”和”文本挖掘”也頻繁的共同出現(xiàn)在搜索記錄中。

無論是基于搜索的共現(xiàn)詞還是基于話題tag的共現(xiàn)詞，都能在一定程度上挖掘出用戶的（潛在）需求。

b. 基于話題發(fā)現(xiàn)熱點信息

大量頻繁出現(xiàn)的話題很有可能是內(nèi)涵相近的內(nèi)容，因而話題頻繁集挖掘在某種程度上也就是話題聚類，聚類成員數(shù)較多的類別也就是熱門話題。

c. 用于制定內(nèi)容營銷策略

如果筆者要寫數(shù)據(jù)分析相關(guān)的文章，哪怕再硬、再干的文章，如果不結(jié)合案例或者場景來寫，恐怕也不會有讀者愿意看，這時候就需要加入些“軟”一些的ingredients了。比如筆者之前的拙作（《從3500種中西藥品的說明書中發(fā)現(xiàn)：中藥名稱愛用“精、靈、寶”》、《用文本挖掘剖析近5萬首<全唐詩>》、《【Social listening實操】從社交媒體傳播和文本挖掘角度解讀<歡樂頌2>》等），正是加入了一些“軟”的元素（即趣味性的分析背景，這里就是貼近現(xiàn)實生活的話題），才得到了可觀的閱讀量和互動量。

上述話題關(guān)聯(lián)度的挖掘在數(shù)量上還不夠精確和直觀，在本節(jié)剩下的兩個部分將對關(guān)聯(lián)度進(jìn)行數(shù)值化度量和可視化呈現(xiàn)。

（3）用Word2vec量化話題之間的關(guān)聯(lián)性

用戶一般會關(guān)注多個話題，采集下來后，話題標(biāo)簽之間是半角逗號區(qū)隔,經(jīng)切分后就形成了一系列的字符串list（[‘交易所’,’股票’,’文學(xué)’,’張佳瑋（人物）’,’伊萬卡·川普（Ivanka_Trump）’,’閱讀’,’京東’,’清華大學(xué)’,’經(jīng)濟學(xué)’]），可采用Word2vec進(jìn)行挖掘。Word2ve可以挖掘話題之間的關(guān)聯(lián)度、共現(xiàn)關(guān)系，不僅能夠挖掘出深層次的詞匯共現(xiàn)關(guān)系，而且還能量化出這種關(guān)聯(lián)關(guān)系。

1）相似話題識別

出現(xiàn)“數(shù)據(jù)分析”這一話題的情況下，在其附近最有可能出現(xiàn)的其他話題按照關(guān)聯(lián)度依次是：

根據(jù)上述結(jié)果，還是比較符合直覺的：

• 在體育界，數(shù)據(jù)分析技術(shù)變得越來越重要，或者是從事數(shù)據(jù)分析的用戶正值大好青春，愛好體育
• 互聯(lián)網(wǎng)產(chǎn)品目前對數(shù)據(jù)分析這一技能的要求越高，以數(shù)據(jù)洞察驅(qū)動產(chǎn)品設(shè)計的理念深入人心
• 寬客是指一群靠數(shù)學(xué)模型分析金融市場的物理學(xué)家和數(shù)學(xué)家，他們相信數(shù)學(xué)的精確性是分析最復(fù)雜的人類活動的基礎(chǔ)，還曾用分析神經(jīng)系統(tǒng)的數(shù)學(xué)技巧來賺錢

……

給定上下文話題（頭部和尾部的話題）作為輸入，獲得中間話題的概率分布：

對于上述結(jié)果，可以這樣理解：最開始關(guān)注“NLP”和最后關(guān)注“數(shù)據(jù)挖掘”話題的用戶，在中間還最有可能關(guān)注“數(shù)據(jù)挖掘算法工程師”、“大數(shù)據(jù)處理”、“shell_腳本”等話題，不過它們的概率比較小。

下面，試著“揪出”、“輿情”、“數(shù)據(jù)挖掘?”、“社會化營銷”、“商業(yè)”、“文本挖掘”、“social_listening ”、“管理咨詢”?、“NLP”等話題中的“異類”。

結(jié)果是’輿情’，筆者推測其差異大概反映在場景上?— 它主要的場景是在政務(wù)領(lǐng)域，很多時候是簡單的數(shù)據(jù)匯總統(tǒng)計，缺乏對數(shù)據(jù)的深度提煉和對商業(yè)場景的貼合。

直接比較話題之間的相似度，代碼和結(jié)果如下：

• ‘數(shù)據(jù)分析’和’機器學(xué)習(xí)’之間的話題相關(guān)度為：0.5158830285072327；
• ‘自然語言處理’和’文本挖掘’之間的話題相關(guān)度為：0.30275818705558777；
• ‘social_listening’和’市場營銷’之間的話題相關(guān)度為：0.2506273090839386；
• ‘排球’和’管理咨詢’之間的話題相關(guān)度為：0.006412103306502104。

上述結(jié)果不用做過多的解讀，非常符合當(dāng)下的實際。

上面談到的是話題共現(xiàn)的量化，緊接著，我們再進(jìn)行話題共現(xiàn)的可視化操作。

2）話題關(guān)聯(lián)可視化呈現(xiàn)

筆者基于bokeh來繪制話題關(guān)聯(lián)圖，共現(xiàn)頻率較高的話題將會緊挨在一起。

該可視話圖可以使用鼠標(biāo)進(jìn)行拖動以及放大、縮小等操作。

上面的圖因為字體太小且緊湊，顯示不清晰，試著放大展示其中部分話題區(qū)域：

上面的紅圈中，“私房攝影”、“區(qū)域經(jīng)濟學(xué)”、“航空”、“心花路放（電影）”、“iPhone”、“樂高（LEGO）”、“Facebook”、“騰訊_QQ”、“經(jīng)驗”、“成長”、“行為經(jīng)濟學(xué)”等話題緊挨在一起，表示在這25W+數(shù)據(jù)分析相關(guān)的用戶關(guān)注話題中，這些話題經(jīng)常一起出現(xiàn)的頻率較高。

對于上述結(jié)果，筆者目前還沒有想到比較好的解釋。在這里，筆者對“興趣”進(jìn)行深入一點的探討：

“興趣”是指個人從心理上對特定的“事物”、“活動”以及“人為對象”所產(chǎn)生的帶有傾向性、選擇性的態(tài)度、情緒、喜歡的想法。興趣是以需要為基礎(chǔ)產(chǎn)生的。需要有精神需要和物質(zhì)需要，興趣基于精神需要（如對科學(xué)、藝術(shù)和文化知識等）。人們?nèi)魧δ撤N事物或活動有需要，就會去接觸、觀察和從事這種事物的研究或參與這種活動。

筆者認(rèn)為關(guān)注的話題代表了用戶的閱讀興趣，而閱讀興趣這種特殊的興趣愛好能在某種程度上反映出用戶的某些心理特征。而這些看似“風(fēng)馬牛不相及”的關(guān)注話題，更能反映出用戶比較復(fù)雜的心理特點。至于做何種分析比較恰當(dāng)，留給感興趣的熱心讀者，歡迎在后臺給我留言~

3）話題間的“六度分隔”

下面，根據(jù)話題間的共現(xiàn)相關(guān)性，找出知乎“數(shù)據(jù)分析”相關(guān)用戶關(guān)注話題集合中的任意兩個話題之間的最短關(guān)系，也算是六度分隔理論的一種實踐。

• 攝影–>投資–>足球
• 數(shù)據(jù)分析–>體育–>職業(yè)發(fā)展–>投資–>足球
• 數(shù)據(jù)分析–>蔬菜沙拉–>櫻桃小丸子–>獨身主義–>馮薪朵–>人間失格（書籍）
• 金融學(xué)–>黑客_(Hacker)–>計算機網(wǎng)絡(luò)–>數(shù)學(xué)–>足球–>服飾–>閱讀分享

這部分不做解釋，留給讀者來操作，歡迎在評論區(qū)寫下你的分析，我們一起探討~

好了，上面是話題部分的分析結(jié)果，下次分享的內(nèi)容將是對16W+數(shù)據(jù)分析相關(guān)問題的內(nèi)容分析，內(nèi)容更精彩，敬請期待~

#專欄作家

蘇格蘭折耳喵（微信公眾號：Social Listening與文本挖掘），人人都是產(chǎn)品經(jīng)理專欄作家，數(shù)據(jù)PM一只，擅長數(shù)據(jù)分析和可視化表達(dá)，熱衷于用數(shù)據(jù)發(fā)現(xiàn)洞察，指導(dǎo)實踐。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議