1.很难取得用户操作行为完整日志
现阶段数据剖析以计算为主，如用户量、运用时间点时长和运用频率等。一是需求识别用户，二是记载行为简单引起程序运转速度，三是开发本钱较高。
2.足够的了解产品
产品有了核心方针，拆分用户操作任务和意图，剖析才会有意图，不然拿到一堆数据不知如何下手。比如讲输入法的核心方针设为每分钟输入频率，顺着这个方针可以分分出哪些因素正向影响(如按键简单点击)和反向影响(如模糊音、误点击和点击退格键的次数)核心方针。
3.短期内或许难以发挥作用
数据剖析需求不断的试错，很难在短期内证明方法的有效性，或许难以取得其他人物的支持。
4.将剖析转化为有指导意义的定论或许设计
看过某运用的近四十个设置项的运用份额，修正皮肤运用率较高，而个别选项运用率不到0.1%，顺次数据可以调整设置项的层级关系，重要的选项放置到一级着重显现，低于5%的可以放置二三级。功用运用率的剖析是比较简单的切入点。
5.清晰用户操作意图
功用对于用户而言，运用率不是越高越好。添加达到的方针的途径，用户考虑本钱添加，操作次数会添加，比如查找。在运用中运用查找或许阐明用户没有通过阅读找到想要的内容，假如用户查找热门内容，阐明运用展示信息的方式出现问题。
6.考虑到运营需求
之前做过的东西型运用，设计的核心方针是进步操作功率，削减点击次数、等待时间和手指位移等，最快的时间完结操作。而一些阅读型产品用户的意图并不清晰，大致有阅读、查询、比照和确认方针等四类用户行为，需求兼容用户方针不清晰情况下操作，引导用户挑选的同时还要在过程中展示更多的内容，刺激用户点击。
关于大数据分析有哪些难题，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。