春花秋月夏婵娟，冬雪寂寂溢清寒
阳历新年到来的前后，几乎每个知晓我2023new year resolution的人都在问今年的resolution是什么。一遍又一遍地解释说个人的新年跟着中国农历年来啊。
不是没想过切换到阳历年，毕竟会问的，要么是类似mentor的老师们，要么是关心你成长的人，不太想给他们“不积极主动”的印象。但作为一个打工人，无论何种形式，阳历年前后都是工作强度极大的时间段。而个人一年的梳理总结和展望，也需要沉着冷静的思考，耗费的大脑运动需要一段其他schedule相对不那么饱和的时间。所以，还是按照农历年的节奏来吧。
这一年感受最大的，莫过于paradox。以前说到悖论，仿佛它是一个难题，一个两难的鸿沟，现在的体会则是：它是篱笆杆杆，是攀缘绳，是让藤蔓向上生长壮大的支撑。 继续阅读“Paradoxes”
D2C有很多层面，目前沟通到的有：品牌、产品、渠道和营销策略。
数字原生品牌Digitally native vertical brand是彻底的D2C。
1）品牌和产品、客户体验打造的闭环：倾听顾客的声音，传递品牌信息，让人产生共鸣。
2）第一方数据拥有者：每一个触点都在收集数据。
3）订阅模式最大化客户终身价值
D2C给legacy品牌带来的是以客户为中心的Omni channel角度。
1）基于数据的多渠道一体化
2）以客户为中心，激发信任
3）从4P4C的竞争模型到卡恩的BLEF模型
为了不成为apocalypse的一部分，必须在每一个方面都足够优秀，但要赢得市场领导者地位，必须在其中一个方面做到最好。
COVID改变了“足够好”的定义，并加剧了它的动态化。
从电商的角度看，D2c的好处在：
1.完全可控的营销策略：对营销策略和客户体验有更大的控制权。可以更充分了解实际目标受众，培养与消费者的关系，并为客户提供价值。这让品牌更容易实施有效的营销策略，如推荐计划和忠诚计划，吸引并留住现有客户，并帮助客户更好地识别和参与品牌。
2.提高客户忠诚度和参与度，订阅与互动模式
3.降低对零售合作伙伴的依赖
随着亚马逊(Amazon)等平台公司在在线零售行业占据主导地位，完全依赖零售商的制造商必然会面临利润率的压力。由于不断依赖零售商进行销售，制造商会面临输给竞争对手的风险，因为竞争对手在零售商的网站上销售类似的产品。
4.拓宽产品种类的机会，线上容量足够大+足够了解目标消费者的需求
5.获得不同地理位置的客户：全球视角
6.质量反馈与产品迭代，目标与预期管理。
数据验证是一个确认数据清理工作执行良好、结果数据准确可靠的过程。没有验证，就不能确定你的见解在数据驱动的决策中是否可以被信赖。
每个项目都有独特的组织和数据需求，所以有必要运行特有的清单进行验证。但无论项目和工具为何，均可参考以下清单。
1、确保发现了最常见的问题并加以纠正，包括：
1) 错误来源：是否使用了正确的工具和函数来查找数据集中的错误来源？
2) 空数据：是否使用条件格式和过滤器搜索null？
3) 拼写错误的单词：找到所有的拼写错误了吗？
4) 数字输入错误：是否再次检查的数字数据是否输入正确？
5) 额外的空格和字符：是否使用TRIM功能删除了任何额外的空格或字符？
6) 重复：是否使用删除重复功能或在SQL中删除电子表格中的重复？
7) 不匹配的数据类型：是否检查了数字、日期和字符串数据的类型转换正确？
8) 凌乱（不一致）的字符串：是否确保所有的字符串都是一致且有意义的？
9) 凌乱的（不一致的）日期格式：的数据集的日期格式一致吗？
10) 误导变量标签（列）：的列的名字有意义吗？
11) 删节数据：是否检查过截断或缺失的数据需要更正？
12) 业务逻辑：是否根据对业务的了解，检查了数据的意义？
2、一旦完成了数据清理任务，最好检查一下项目的目标，并确认数据仍然与目标一致：
1) Confirm the business problem确认业务问题
2) Confirm the goal of the project确定项目目标
3) 验证数据可以解决问题，并与目标一致
当接收到更多的数据或对项目目标有了更好的理解时，可能需要重新回顾这些步骤的一部分或全部。这是一个贯穿于整个项目的持续过程。
另，清理过程中的变更日志非常非常重要。
1.1 什么是统计学：
用以搜集数据、分析数据和由数据得出结论的一组概念、原则和方法。
4个要素：问题、数据、方法、结论
（定义——》变量——》分析——》建议）
描述统计、
推断统计，参数估计——》假设检验
数据的欺骗性，幽灵数据
对数据要有敬畏之心。
SPSS、EXCEL
1.2什么是数据
变量的取值即为数据
计量尺度：
定量变量——》数值型数据
分类变量、顺序变量——》定性变量/数据
时间：
截面数据、时序数据
2.1 抽样与调查知识点
why省时、省钱；不能采用全面调查，如破坏性试验；设计科学，结果比全面调查可靠
什么是好的抽样？符合研究目的；能从样本计算出有效的估计值及其变动；可实践性
样本量大小与好坏无关，作用是决定统计分析结果的误差。
样本结构也无关，随机样本结构往往和总体不一致。
样本指标与其他调查的数值一致，只能说明这个样本不差，而不能证明它是一个好样本。
概率抽样方式：简单、分层、pps、整群、系统、多阶、多相
概率抽样基本准则：单元是从总体中按一定的概率随机抽取的。
随机：调查总体中的每个单元都以非零的概率入样。
不等于随意，
随意等于随机的条件：
1）总体元素一致
2）总体自动随机，如天文、物理、化学
社会科学领域往往不满足
等概率一定是随机的，随机不局限于等概率。
How随机：
1）一定要通过随机化程序实现
怎么判断？
1）多次抽样，频率/变化异常
2）一次性，抽样程序是否满足随机化
非概率抽样是用主观的方法从总体中抽选单元，方式：方便、判断、配额、自愿、滚雪球；
优点：快速简便、费用低、不需要抽样框；
缺点：对总体的假定一般不成立不能推断总体、不能得到可靠的估计值及误差估计值、样本一般有倾向性与偏差。
应用：
1）形成一种想法
2）设计开发概率抽样调查的初始步骤
3）解释概率抽样的调查结果
4）抽选参加访谈的个人
误差（抽样/非抽样）
非抽样误差：抽样框误差、回答误差、无回答误差（没有获得该单元的数据）
无回答大于30%的调查结果一般是不可信的。（无回答率；回答与无回答的样本差异）
降低无回答的方法：
1、改进调查组织（匿名、激励、选择合适的时间）
2、多次访问（3次还低于85%，继续）
3、替换样本单元（替换规则须在调查实施之前确定）
4、对敏感性问题采用技术展开
周日，到大众书局翻书。
一杯咖啡，捡三两本顺眼的新书，不知不觉地过一个下午。没有明确的主题和目的，却总是收获颇丰。
《你只是看起来很努力》这本书，有些句子说出了自己心底的话。
“行动这件事，从来不需要等到什么好天气好状态，此时此刻就是永远，此时此刻就是一切。”科目三考试前训练时，心里一直在跟自己讲着后半句。
“不以改变结果为目的的批判，就是无效的批判。不提供解决方案的责备，就是无用的责备。”——要反省的点。
“再好的朋友，也抵不过你无底线的直白，讲话的时候请记得拐个弯儿。别把自己的口无遮拦当作大气，那只是幼稚而已。”——要警醒的毛病。