编辑导语:当今是数据时代，数据分析的重要性不言而喻。数据思维或者说数据分析能力已经成为这个时代的必需品。本文作者通过一万字的长文，阐述了完整的数据分析过程。让我们看一看。
作者是支付产品经理。本文内容基于他在支付领域从0到1构建支付业务数据分析的实践经验。
从一个小白接触支付业务，随机看数据，到一点点看表面数据，再到本文输出的数据分析的系统化系列章节，用了两年多的时间。本文内容是对现阶段的认知，但并不全面，后续肯定会继续迭代更新。
一、为什么需要数据分析数据分析的重要性不言而喻。没有数据，就是感性的。
说你做完这个函数后能得到什么值。没有数据支撑，太苍白无力，没人相信你。但只要你说，你做完这个项目，能提高订单转化率多少个点，并且信誓旦旦，没人会理你。毕竟这是赤裸裸的钱。谁不爱钱？
数据不会被观点打败，数据只能被数据打败。别人用数据得出的结论已经不符合你的直觉了。如果你不服气，想反驳，也要用数据说话。
现在我们已经恰当地进入了数据时代。
互联网公司无一例外地强调自己的数据驱动决策；传统企业，现在最重要的战略是数字化转型。
相信今天你也能感受到。数据在我们的工作和生活中已经变得和空气和水一样了。
数据思维或者数据分析的能力在这个时代已经成为一种必须，而不是一种选项。
那么为什么数据分析如此重要呢？我从以下四点来阐述。这些场景也发生在我的日常工作中。我们每天都在利用数据进行各种分析、洞察或决策。
1. 量化IT投资成效，以数据驱动决策无论哪个公司的开发资源永远不够，每个产品经理都想争取开发资源来做自己的项目，说自己的项目更有价值。如何评价优先级和数据说话？
从公司或决策者的角度来看，数据最本质的作用是充当资源分配的裁判，帮助我们以最客观的方式将资源投入到最有价值的事情上。
我公司目前的运作模式是:年初制定年度KPI，比如转化率或者客户满意度，然后下一年产品经理跑的所有项目都以这个指标为依据。
产品经理A和产品经理B同时开始了自己的项目，那么IT资源投谁的项目，A和B需要讨论项目的ROI。谁的ROI更高，业务负责人就同意把资源分配给哪个项目，让A和B无话可说，IT资源也会用在刀刃上，减少资源浪费。
在讨论项目的价值时，产品经理采用自下而上的论证方式。比如这个项目要完成哪些功能，功能1，功能2，功能3……每个功能能带来多少价值，比如能提高多少转化率，这些都来自于数据。
有时候我们觉得伟大的项目价值被这种灵魂折磨，最后验证了估计价值不大，可以减少前期的资源浪费，而不是真的等到功能上线才发现对商业价值没有帮助。这时候，开发资源已经浪费了。
如果你一直拿着项目在线，看着真实的数据反馈，除非你家有金矿，你可以容忍不断尝试创新实验。好运成功，皆大欢喜；运气不好，大家都失败了，不怕，反正家里开个金矿，大不了重新开始。但是，我觉得这应该是个伪命题。
今日头条的产品为什么能快速发展？他们的产品方法论是什么？
今日头条是一家流量运营公司，对流量ROI的运用非常娴熟高效。依托强大的数据和算法体系，通过AB测试可以同时运行上千个功能测试，在最短的时间内找出最有价值的业务方向。得出结论后，我们就可以迅速推出市场，抓住机遇。
中国互联网已经进入高流量成本时代，企业没有那么多容错的机会让大家试错。提高决策的准确性，主要靠数据论证。
2. 通过数据分析验证产品成效在你的采访中，你说你很棒。如何说服人？你说你牛逼就牛逼？
相信大家都习惯了小套路，说自己做过的一个项目转化率增加了多少个点。
实际上，在我们做的每一个项目或功能中，我们都应该用数据来验证产品的有效性。
电子商务网站的收银员大家都很熟悉，比如下面这个:
参考国内有竞争力的产品研究和产品交互设计师自以为是的产品目标:向用户传递安全感——通过在底部添加“确认支付”按钮。
实际上线效果并不理想，新版本比老版本低3分左右。
事后我们反思了整个过程，得到了一些启发:
我们需要为用户的冲动消费买单，不需要用户理性思考。按钮操作给了用户一种仪式感，却增加了用户的犹豫。
比如淘宝换成指纹支付或者刷脸支付，转化率会提高。作为用户，使用淘宝指纹支付后，订单支付快了很多。我也有一个同事，不小心刷了脸付款后懒得发起退款~
支付的核心是:安全、快捷。如果品牌代言了，用户已经有安全感了，那么下一步就快了！去掉按钮就是给用户快捷支付的感觉。
于是，我们花了一些时间去掉了底部的“确认支付”按钮，用户可以通过选择支付方式进入支付环节，转化率其实提高了！
删除了底部的“确认支付”按钮。
整个团队从这个案例中得到了很大的感触，充分说明了我们更好的方案无论从用户角度还是从业务角度都不是最好的。如果没有数据验证，我们会一直停留在我们认为设计得很好的功能上。
用AB测试测试功能，用数据验证功能效果，才是最有说服力的手段。
3. 通过数据分析洞察用户对用户的研究是产品经理必须要做的事情。了解用户，挖掘痛点，给出解决方案。
除了用户访谈、问卷调查等定性研究外，用户研究常用的方法。从存储的数据中发现用户的行为偏好，建立数据与用户画像的关系，针对不同人群的需求或痛点给出合理的产品解决方案，也是数据驱动决策的手段。
比如从历史订单数据中挖掘新老用户购买商品的偏好，可以为新老用户做个性化的商品推荐，这也是大家可以感知的电商商品推荐。当你访问淘宝首页的时候，你觉得淘宝比自己更了解自己吗？我给自己推荐的产品，大部分都是我的最爱。
通常情况下，对用户历史行为的数据收集越详细，我们就越能了解用户，并为他们做出合理的产品设计。
为什么总有人说阿里作为电商平台和支付平台，拥有最完整的行为数据，甚至最完整的人物画像？那是因为一个人几乎所有的特征都可以从生活中消费的商品和服务中推断出来，而越是习惯网购、衣食住行都使用同一种支付方式的用户，就越是完全可以用电商和支付平台来描述。
在设计一个产品的功能时，不仅仅是为用户提供功能和服务，而是想当然地认为用户会使用它。需要足够深入的挖掘用户的需求或者痛点，才能精准的提供服务。从过往数据中挖掘用户行为偏好或痛点，是产品设计的第一步。
这是《产品思维》一书中的一个例子。
我们是一个小的创业团队，做一个P2P(个人对个人)的金融产品。平台上已经有一定数量的用户购买了我们的理财产品。我们正在考虑是否增加VIP套餐服务，针对高价值用户，提供理财顾问服务。
我们会邀请很多专家，提供很多额外的分析工具，让这些用户享受高端服务，盈利方式是VIP年费。单从这个服务来看，肯定没有问题。
“很多类似的产品都有这样的服务。”也许老板会这么告诉你。但这不能成为我们必须提供VIP套餐服务的理由。我们还是要看看我们的用户是什么样的。
可以先统计一下当前用户购买理财产品的行为数据，看看大部分人买了多少。其实额度的背后是这些用户的收入水平和对理财的态度。
举个例子，毫不客气地假设，我们看用户的行为。以前99%的用户都是去投5万，锁定期6个月，年化收益率5%的产品。
这些行为代表了什么？从生活经验来看，对年化收益率要求低，对流动性要求低，对安全性要求高的人，应该都是普通上班族。这些人理财很保守，而且还比较年轻，理财金额不高。
具体的验证可以通过访谈和调研来完成。如果结果显示，这些用户群体基本都是毕业三年内的职场新人，理财行为非常保守，而且还比较年轻，理财金额不高。
回想起来，这种VIP套餐服务的吸引力特别有限。单从用户的特点来看，这种想法几乎可以判死刑。
只有从存储的数据中分析用户的需求或痛点，找到用户的行为偏好，提炼用户群体，了解用户，才能判断商业模式的可行性。而不是想当然的认为用户会使用这个功能。
4. 通过数据分析找到机会点刚开始做支付业务的时候，我先分析了Top10和各端的支付成功率，很快发现有些国家的转化率比其他国家低。此后，这些国家被列为重点和难点国家。我们的机会也是优先提高这些国家的支付转化率。
比如在商城做购物流程优化项目，首先是商家详情页-购物车-结算页-收银-支付成功，发现商家详情页和结算页的转化率是整个路径中最低的，于是马上确定了物品的优先级，先解决了这两个页面的转换问题。
如何在职场中实现价值最大化？但就是找到最严重的问题，找到最大的机会，把资源用在刀刃上。
5. 结语管理大师德鲁克说过:“如果你不能衡量它，你就不能管理它。”
产品经理拍脑袋，凭感觉和经验做决策的时代已经过去了。如果你没有数据思维或者数据分析的能力，那你被时代淘汰真的是迟早的事！
产品经理不需要成为数据分析的专家，但是什么时候分析数据，分析哪些数据，如何分析数据，如何利用数据辅助决策，如何利用数据驱动业务，这些问题都是产品经理必须要回答的。
二、数据分析的框架我就以支付业务为例来说明一下。
用户来到支付收银台后，页面上有很多点击行为，比如选择各种支付方式、微信支付、ApplePay支付等。，最后完成支付。也可以点击左上角的后退键或右上角的订单中心离开当前页面。
这个过程会产生很多数据，这些数据可以分为用户数据、行为数据和业务数据。
谁(用户数据)做了什么(行为数据)，结果是什么(业务数据)？
用户数据是指用户本身的特征，比如用户画像，有多少男性或女性使用你的产品，年龄有多大。
行为是指用户在页面上使用产品的各种点击行为，在页面停留的时长等。
业务数据是指用户行为后的实际结果，业务数据会落入数据库业务数据表中。分析业务数据的意义可以衡量业务价值，推动公司业务发展是业务的最终结果。
用户数据和行为数据通常可以直接从第三方数据工具获取，比如友盟和Google Analytics，业务数据一般应该在内部构建。
今天我们就以阿里云的Quick BI为例，重点介绍构建业务数据的完整流程。
整个数据分析框架分为数据生成、数据获取、数据建模、数据分析和数据应用五个层次。
1. 数据生成以支付业务为例。用户选择支付方式完成支付后，两个核心业务表:订单表和交易表被放入数据库。一个订单会对应多笔交易(每种支付方式产生一笔交易，一个订单可以用多种支付方式支付)。事实上，还会生成其他表，如接收地址表。
2. 获取数据通常使用ETL等第三方工具对业务系统的数据进行提取、清洗和转换，然后加载到数据仓库中。数据呈现在BI的数据源中。
3. 数据建模所有数据入库后，需要根据你想看到的实际业务数据对数据进行建模，建模后的数据会呈现在数据集中。作为数据集和可视化显示的中间环节，它接受数据源的输入，输出数据表进行可视化显示。
4. 构建数据模型数据建模的意义是什么？
其实底层的业务数据表有很多，有几十个，上百个。但是，当要分析的数据存储在不同的表中时，可以通过数据关联将多个表连接起来，形成一个模型进行数据分析。
例如，从上述业务底层订单表派生的订单表的字段在数据分析阶段发生变化，名称和城市是从业务地址表中获取的数据。
一般来说，数据模型是完全面向数据分析的业务场景形成的新表格。以支付业务为例，我搭建的数据模型包括:用户表、订单表、交易表。
5. 设计维度和度量指标下一步可以对数据字段进行分类:
在统计学中，单个数据字段可以分为离散型和连续型。离散度通常是一个维度，比如城市名、用户名，特征是有限数量的值；持续性通常是一个衡量标准，如销量、利润或成功率。它的特点是不太可能，可以是任何数值。量纲和度量有很多灰色地带，比如金额，可以作为量纲或者度量。
在上面的顺序表中，设备，城市等。是维度，按order_id计数的订单总数和按status = success计数的成功订单数是度量。
度量可以分为原子度量和派生度量。
原子度量是指从上表中的维度直接获得的订单总数和成功订单数。
推导不能直接从数据表中获得，需要基于已有数据进行处理。上表中的订单成功率为成功订单数/总订单数。
6. 数据分析随着量纲和度量的概念，引入了聚集的概念。对于数据分析，我们往往关心的不是底层逐行逐列的详细数据，而是数据分析的角度，以及数据的整体特征。
聚合，简单来说就是将一个数据源中的多行数据按照一定的标准计算成一个数据。无论一个数据集中有一行还是多行，视图中的数据都是聚合的结果，一行数据也是聚合的。当然，一行数据聚合的结果是一样的。其实维度是为数据聚合提供基础，度量是维度聚合的结果。
如果配置了用于聚合计算的计算字段，聚合操作将根据配置的维度自动执行。
比如:
求和：SUM([字段])计数：COUNT([字段])计数去重：COUNT(DISTINCT [字段])求平均值：AVG([字段])表达的商业含义是:2021年3月1日至2021年3月15日期间，pc的订单成功率为0.5。
计算过程:根据created_at=2021.3.1 ~ 2021.3.15和device =pc，SUM([总订单数])= 2，SUM([成功订单数])=1，SUM([成功订单数])/SUM([总订单数]) = 1。
Quick BI提供了两个可视化工具，电子表格和仪表板，来进行上述分析。
电子表格:
仪表板:
通过可视化图标分析数据，找出机会或异常。
7. 数据应用通过可视化图表分析数据，找出机会或异常。可以说前1、2、3、4的所有工作都是为了第5部分数据的应用。
从数据用户出发，通过一系列的数据沉淀、处理和分析，找出机会进行决策，然后返回给用户，从而提升用户体验，带动业务增长，这就是所谓的数据驱动业务。
8. 结语本文介绍了数据分析的数据帧分解和数据处理过程。
但是海量数据呢，哪些呢？如何设计指标，指标中业务的北极星指标是什么等。在这篇文章中没有提到。数据指标体系设计的第三部分对此进行了解释。
三、数据分析 | 数据指标体系设计接下来，数据分析的第三篇，数据指标体系的设计，是整个数据分析章节的核心内容。
第二篇文章提到过，我把数据分为用户数据、行为数据和业务数据，然后再分为维度和度量两个概念。
尽管如此，不管是维度还是度量，都会有很多零散的数据。你不知道数据之间的相关性，也不知道很多数据的核心是什么，什么最能表明业务的最终效果或者哪个数据指标表明目标的达成。
数据与数据之间的关联或逻辑称为数据指标体系。指标体系是指将分散的、单点的相互关联的指标进行系统的组织，可以通过单点看全局，通过全局解决单点的问题。
说白了就是找一个框架，把所有的数据按照一定的逻辑组装起来，也就是数据模型。本文分别提出了用户数据、行为数据和业务数据的代表性模型，可用于各自领域的数据分析。
1. 用户数据之AARRR模型提到用户本身，马上想到的就是经典的AARRR模型，即获取用户，提高获取，提高留存，获得收益，自我传播。
每个环节都有这个环节要注意的指标，这些环节不一定遵循严格的顺序。
获取（Acquisition）：用户如何发现（并来到）你的产品？激活（Activation）：用户的第一次使用体验如何？留存（Retention）：用户是否还会回到产品（重复使用）？收入（Revenue）：产品怎样（通过用户）赚钱？传播（Refer）：用户是否愿意告诉其他用户？AARRR模型是一个非常经典的用户分析模型，需要结合具体的业务发展，在此不再赘述。
2. 行为数据之UJM+OSM模型UJM是用户旅行地图，用户旅行地图的模型；m指的是目标、策略和度量，目标-策略-度量。
UJM+OSM，通过拆分用户使用产品的阶段性行为，挖掘用户需求，确定每个阶段可以改进的指标，将用户的旅程与商业目标结合起来。
目标是指业务目标。或者商业产品，它们存在的目的是什么，能解决什么问题，能满足什么需求？如果上述商业目标是购买转化率，那么购买转化率越高，用户体验越好，商业价值越高。
战略是指为了实现企业目标，应该采取什么样的战略。比如为了提高从用户主页到商家详情的转化，策略一可以是视觉上的提升，策略三可以是交互流程上的提升。策略1的视觉增强可以进一步分解为整体页面颜色、卡片风格等。
衡量:用于衡量战略的有效性，反映战略的实施是否能实现业务目标的一种尺度。比如首页转化率可以是进入首页并转化到商品详情页的用户数。转化率越高，用户对首页的偏好就越高，首页的产品呈现内容就越有效。
基于用户的行为路径分解目标，为每个子目标找到最终的解决方案，启动项目需求，通过用户功能达到最终的业务目标。
如果购买转化率提升15%，预计首页改版项目提升目标为8%，业务明细改版项目提升目标为5%，订单结算改版项目提升目标为3%，收银支付改版项目提升目标为2%。
按照价值从高到低，投入资源实现目标。项目上线后，检查业务目标是否达到。如果没有，进行差距分析。
3. 业务数据之指标分层说到业务数据，就开始涉及角色，业务和产品之间的角色划分，不同的角色在不同的场景下对不同的指标有不同的关注。
基于此，从一开始就将指标分为业务、产品、流程三个层次，业务侧重业务，产品侧重产品。不同层次的指标有不同的思维维度和分析方法。
以支付业务为例。定义了指标级别后，按照指标设计的原则，对关键指标进行分解。一级指标可以分解到二级指标，二级指标可以继续分解到三级指标。
业务层面的指标用于衡量客户发展、增长和盈利能力，以及业务层面的竞争力和盈利能力。
从商业用户身上赚钱，需要产品作为载体或者媒介。互联网产品的使命是用技术赋能商业，帮助企业降本增效。所以说到产品，我们需要思考产品的定位，产品能提供的核心价值，产品给用户带来的产品体验，以及产品如何实现商业目标。
进一步细化，一个产品往往有很多功能，承载着不同的用户交互步骤或操作流程。并梳理出整个转化过程中的关键节点，实现产品的核心指标。
从商业模式，到根据产品价值和体验的阶梯效率，再到具体流程。这提供了一个垂直的、自上而下的、由粗到细的分析模型。在每一级，将有不同的关注和指标类别。基于数据，引领产品布局，拆解流程步骤，赋能业务增长。
4. 结语从用户数据、行为数据和业务数据三个方面介绍了三种数据索引系统模型。特别地，本文中提到的三种数据模型，即AARRR模型、UJM+OSM模型和指数分层只是例子。其实型号更多，比如PLC，HEART，GSM，PTECH型号等。，需要在不同场景下综合评估使用。
但无论什么数据模型，核心都在于找到数据之间的相关性，从海量数据中找到衡量目标是否达成的核心数据指标，从系统化、结构化的角度看待数据分析。
四、数据呈现之数据分析方法今天数据分析的第四篇，数据呈现的数据分析方法，是整个数据分析章节的最后一部分。
在前面第二、三部分的文章中，我们谈到了数据生成-数据采集-数据建模-数据索引构建这样一个漫长的数据处理过程，最后一步是数据呈现和数据应用从数据中挖掘出的问题或机会。
有句话叫努力一年胜过一张PPT，同样适用于数据分析。如果之前已经做了大量的数据处理工作，但是最后没有做数据分析和数据呈现，发现不了问题和机会，那么之前的工作就白费了。
(或者说前面的工作属于打基础，最后一步，也就是本文的内容，是收获果实。)
通过数据展现，将分析结果完整呈现，为决策者提供科学严谨的决策依据，可供决策者决策参考。
好的数据展现需要一种好的方式来展现数据之间的关系和规律，让人一目了然。这是下一个数据分析方法。常见漏斗分析、多维拆解、趋势分析、对比分析、帕累托分析和交叉分析。
上一部分提到的数据指标体系的设计是从宏观层面指导如何进行数据分析，而本章提到的数据分析方法主要是从微观层面指导如何进行数据分析。从宏观到微观，是一个不断细化的过程。
1. 漏斗分析漏斗分析是一种重要的基于流程的数据分析方法，能够科学地反映从起点到终点各个业务流程的用户行为状态和用户转化率。
比如，对于电商产品，最终目的是让用户买到商品，但整个过程的转化率是由每一步的转化率决定的。这时，我们可以通过漏斗分析模型进行监控。
如下图所示，可以观察用户在各个环节的转化率，找到转化路径的薄弱点，优化产品，提升用户体验，最终提升整体转化率。
所有的互联网产品和数据分析都离不开漏斗，无论是注册转化漏斗还是电商下单漏斗。我们需要注意两点。首先是关注哪一步损失最大；二是关注迷路人的行为。转化率最低的链接往往是ROI值最大的地方。
2. 多维拆解本人从事支付业务，最日常的数据呈现形式是多维拆解。(多维意味着从多个维度拆解指标。如果你对维度和度量不太了解，可以去看第三部分。
首先呈现整体支付成功率，其次按照商户维度分别去看各商户支付成功率；每个商户下有很多个国家，再按照国家维度去看支付成功率；每个国家有很多个支付端，再按照各个端维度去看支付成功率；每个端上有很多个支付方式，再按照各支付方式维度去看支付成功率。此时，最小的粒度被删除。
在分析数据时，如果整体支付成功率异常，按照这个路径拆解粒度最小的支付方式，基本可以锁定问题原因。
3. 趋势分析建立趋势图可以快速了解市场、用户或产品特性的基本表现，便于快速迭代。趋势分析通常是看时间维度的小时天周月的度量变化(就像我每天早上做的第一件事就是看昨天的支付成功率有没有异常)。
趋势分析有两个功能:趋势预测和数据监控。比如我现在做的项目业务数据监控，就是根据过去一段时间的支付成功率的数据表现，来预测当前的支付成功率是否异常。下图中7月和8月明显低于其他月份，可以判断这两个月的数据出现异常，需要查找原因。
4. 对比分析同维度常用于衡量指标的对比分析，主要用于比较同维度之间的差异。比如我做支付业务的时候，会对比排名靠前的国家的支付成功率，看看哪个国家是我的重点。
对比分析类似于漏斗分析，可以快速找出最需要关注的维度指标，把资源用在刀刃上。
(比如我印象很深。我领导第一次做数据分析报告的时候，按照排名靠前的国家做了国家维度的对比分析。大家很快就知道哪些国家需要花费资源集中解决，从此改变了大家对支付业务的认知。过去，你可能认为支付需要不断接入新的支付服务提供商，但现在你知道差异可以通过关键国家来改善，而不仅仅是盲目接入新的支付服务提供商)
另外，在对比应用中，现在流行A/B测试。A/B检验的关键是保证两组只有一个单变量，其他条件一致。实验组和对照组也进行了对比分析。
除了和别人比，还可以和自己比。在统计学中，环比和同比是比较自己和自己的经典应用。(比如到了年底，我会做一笔再支付业务，对比连续几年的订单量和支付成功率，看看今年的整体情况。)
5. 帕累托分析帕累托分析，俗称二八定律。在任何一组事物中，最重要的只是其中的一小部分，其余的虽然占大多数，但都是次要的。
帕累托模型是基于二八定律的商品分析模型。这种模式最大的优点是可以对商品或产品进行分类，按照投入产出比优先原则，将自己的资源尽可能投入到头部产品中，以产生最大效益。
其核心思想是少数项目贡献大部分价值。以款式和销量为例:男装、运动装及用品、童装、女式皮鞋占总销量的70%以上。
6. 交叉分析交叉分析是从多个维度交叉展现对比分析，进行多角度的组合分析，寻找最相关的维度来探究数据变化的原因。
如下图所示，从APPPC结合漏斗的维度进行对比分析，可以发现每一步APP的转化率都更好。
掌握了以上基本的数据分析方法，如何写分析报告增加可读性？
逻辑清晰。数据是怎么来的；发现了哪些问题；总结问题的原因；如何解决这个问题；给出结论和解决方案。这样简单明了，逻辑关系强的分析报告，能被绝大多数人接受；
报告的图形化。用图表代替大量的数字，有助于人们更形象直观地看到问题和结论，更容易有理有据；
标准化。整个文档的图表样式和术语是统一的。有数据来源，口径说明。(特别是首次引入数据的统计口径时，需要补充说明)
至此，数据分析文章系列全文完毕。
五、结语最后我想说，数据分析重在思考，更多的是在实践中进行数据思维的训练，数据意识。
这篇文章虽然写了一万多字，但也只是一点点数据分析的方法论，是肤浅的工具层面。到目前为止，我仍然有无法解决的业务数据问题。可见，即使是系统化的所谓方法论，也不能解决所有的实际问题。
我想强调的是，无论是看我的文章，还是在别处学到的其他知识&技能，都需要在自己的实际业务场景中应用，否则信息只是信息，永远无法内化为自己的知识。
就我个人而言，20年写了第一篇数据分析文章，现在21年写了4篇数据分析文章。我相信在未来，有可能我会继续迭代，甚至推翻现在的设定。我会停止学习任何东西，它会一直迭代更新。
#专栏作家#不败，微信微信官方账号:肖涵仙子，人人都是产品经理专栏作家。一个文艺女青年，白天工作，晚上写作，爱美，跑步，旅游。愿我手写我的心，我不会安于余生。
本文由人人作为产品经理原创发布。未经许可，禁止复制。
题目来自Pixabay，基于CC0协议。
