网站迷失度度量
复杂网络中节点重要性度量方法研究
复杂网络中节点重要性度量方法研究随着互联网和社交媒体的普及，复杂网络越来越成为研究热点。
复杂网络是一种由许多节点和连接构成的网络系统，同时具有自组织、非线性、群体动力学等特征，这些特征使复杂网络的节点重要性度量方法成为研究的重点。
在复杂网络中，节点重要性度量是研究节点影响力的关键技术。
节点重要性度量方法的主要目的是确定网络中每个节点对整个网络的重要性程度，以便于找到关键节点、识别网络的核心结构和优化网络的性能。
常见的节点重要性度量方法包括度中心性、介数中心性、接近中心性、特征向量中心性、PageRank算法等。
在这些方法中，度中心性指的是节点的度数，即与该节点直接相连的其他节点数量，节点的度数越高，节点在网络中的重要性越大；介数中心性是指节点在网络中的最短路径数量，即节点在网络中起到桥梁作用的程度，节点的介数中心性越高，节点在网络中的重要性越大；接近中心性是指节点与其他节点的平均最短路径长度，节点的接近中心性越高，节点在网络中的重要性越大；特征向量中心性是指节点作为网络特征向量的贡献度，节点的特征向量中心性越高，节点在网络中的重要性越大；PageRank算法是一种基于网页链接关系的节点重要性度量方法，该算法将节点权重分布在整个网络中，并且随着网络结构的变化而动态调整节点的权重。
节点重要性度量方法的应用范围非常广泛，例如电力系统中的节点重要性度量可以用于做最优负荷预测和电力调度；路网系统中的节点重要性度量可以用于识别交通瓶颈和优化交通路径规划；社交网络中的节点重要性度量则可以用于识别关键人物和研究信息传播规律等。
然而，现实中的复杂网络往往具有非常大的规模和高度的异质性，节点重要性度量也没有一种理论上的最佳方法。
因此，研究节点重要性度量方法是一个非常富有挑战的问题。
在近年来的研究中，有许多新的节点重要性度量方法被提出，例如基于粗糙集理论的节点重要性度量方法、基于层次分析法的节点重要性度量方法等。
同时，节点重要性度量方法的研究还面临着许多技术和方法框架的问题。
复杂网络中的节点中心性度量与分析
复杂网络中的节点中心性度量与分析在复杂网络中，节点的中心性度量和分析是一项关键任务，它可以帮助我们理解网络的结构、功能和影响力分布。
中心性度量通常用来衡量节点在网络中的重要性和影响力，以及它们在信息传播、交流和决策中的作用。
一种常用的中心性度量是度中心性，它是指节点与其他节点之间的连接数量。
在无向网络中，节点的度中心性仅仅是连接到该节点的边的数量。
而在有向网络中，节点的度中心性包括连接到该节点和从该节点出发的边的数量。
具有高度中心性的节点通常是网络中连接较多的节点，因此它们在信息流动和传播中扮演重要角色。
另一种中心性度量是接近中心性。
接近中心性衡量了节点与其他节点之间的距离，即节点到其他节点的平均最短路径长度。
节点的接近中心性越高，表示它在网络中更容易跟其他节点保持紧密联系。
接近中心性常被用于测量节点在信息传递和扩散中的速度和效率，以及节点在网络中的凝聚性。
具有高接近中心性的节点通常是在信息传播中起关键作用的中转站。
介数中心性是另一种常见的中心性度量。
它衡量了网络中节点在所有最短路径中出现的频率。
节点的介数中心性越高，说明它在网络中扮演着重要的桥梁或者关键节点的角色。
具有高介数中心性的节点在信息传递和交流中具有重要作用，它们有助于信息在网络中的快速传播。
除了以上几种常用的中心性度量，还有一些其他衡量节点重要性和影响力的指标，例如特征向量中心性、总度中心性和PageRank等。
特征向量中心性基于节点的连接和连接的重要程度，它可以衡量节点的影响力。
总度中心性将节点的度中心性与节点的邻居的中心性加权求和，可以更全面地衡量节点的重要性。
PageRank是一种基于随机游走理论的中心性度量，它通过考虑节点之间的连接结构和连接强度来评估节点的影响力。
中心性分析对于理解复杂网络的结构和功能至关重要。
它可以揭示出网络中的关键节点和影响力分布，有助于我们预测和模拟网络的行为和性质。
通过对节点中心性的测量和分析，我们可以识别出网络中最重要的节点，从而优化网络设计、提高信息传播的效率以及更好地管理和控制网络。
跳失率的概念
跳失率的概念跳失率（Bounce Rate）是指用户在访问网站后，只浏览了一个页面就离开的比例。
具体而言，跳失率是指访问者仅在进入网站的一个页面停留时间较短，没有与网站互动，也没有继续点击其他页面的比例。
跳失率通常以百分比表示，计算公式为：跳失率 = （离开网站的访问次数为1页的访问次数）/（总访问次数）例如，如果有100个用户进入了一个网站，在浏览了一个页面后就离开了，那么跳失率就是100%。
重要性跳失率是衡量网站质量和用户体验的重要指标之一。
以下是跳失率在网站分析中的重要性：1. 用户体验评估跳失率可以反映用户对网站内容、布局、导航等方面的满意度。
如果跳失率较高，则说明用户对网站不够满意或不感兴趣，可能存在问题需要改进。
2. 内容质量评估高跳失率可能意味着网站上提供的内容不符合用户期望或需求。
通过分析高跳失率页面，可以发现哪些内容不受欢迎或存在问题，以便进行优化。
3. 营销效果评估跳失率可以帮助评估网站的营销效果。
如果跳失率较低，说明用户对广告、推广活动等感兴趣，并且愿意继续浏览其他页面或执行转化操作。
4. 网站改进指导通过分析跳失率，可以找出导致高跳失率的原因，并针对性地进行网站优化。
例如，改进页面布局、提供更有吸引力的内容、优化导航等措施都可以降低跳失率。
应用跳失率在网站分析和优化中具有广泛的应用。
以下是一些常见的应用场景：1. 网站整体评估通过监测整体的跳失率，可以了解用户对整个网站的满意度和兴趣程度。
如果整体跳失率过高，可能需要对网站进行全面的改进和优化。
2. 页面优化通过分析单个页面的跳失率，可以确定哪些页面存在问题，并进行相应的优化。
例如，如果某个页面的跳失率很高，可能需要考虑改进页面内容、布局或导航方式。
3. 广告效果评估在广告投放过程中，可以通过跳失率评估广告的效果。
如果广告的跳失率较低，说明广告吸引了用户的兴趣，并且用户愿意继续浏览其他页面。
4. 目标转化优化跳失率也可以与目标转化进行关联分析。
网络中心节点的重要性度量方法
网络中心节点的重要性度量方法在网络中，中心节点是连接其他节点的重要枢纽，其在网络结构和功能上都具有重要的作用。
如何准确地量化中心节点的重要性是网络分析和数据挖掘领域的热门问题之一。
本文将介绍一些常见的网络中心节点的重要性度量方法。
一、度中心性（Degree Centrality）度中心性是最基础的网络中心节点的重要性度量方法之一，它以节点度数为基础，直接计算节点在网络中的重要性。
具有高度中心性质的节点往往连接着大量其他节点，如社交网络中的明星用户。
因此，度中心性可以用来评估节点在网络中的影响力和覆盖范围。
其计算方式如下：$C_D(v)=\frac{deg(v)}{N-1}$其中，$C_D(v)$表示节点$v$的度中心性，$deg(v)$表示节点$v$的度数，$N$表示网络中节点的数量。
二、接近度中心性（Closeness Centrality）接近度中心性是一种连接最短路径长度的网络中心节点的重要性度量方法。
该方法用节点到其他节点的最短路径长度之和表示其接近度，值越大表示节点距离其他节点越近。
具有高接近度中心性的节点可以更快地传递信息和影响其他节点，因此在物流配送和交通运输等领域有很多应用。
其计算方式如下：$C_C(v)=\frac{1}{\sum_{i \neq v}d(i,v)}$其中，$C_C(v)$表示节点$v$的接近度中心性，$d(i, v)$表示节点$i$到节点$v$的最短路径长度。
三、介数中心性（Betweenness Centrality）介数中心性是一种基于节点在其他节点间最短路径上出现次数的网络中心节点的重要性度量方法。
该方法考虑了节点在网络中的位置和连接方式，可以分析节点在信息的传播和威胁扩散中的作用。
高介数中心性的节点在网络中充当了桥梁或关键路径的角色，有助于信息扩散和传输。
其计算方式如下：$C_B(v)=\sum_{s \neq v \neq t \in V}\frac{\sigma_{st}(v)}{\sigma_{st}}$其中，$C_B(v)$表示节点$v$的介数中心性，$\sigma_{st}$表示节点$s$到节点$t$的最短路径数量，$\sigma_{st}(v)$表示节点$s$到节点$t$的最短路径经过节点$v$的数量。
衡量网络营销效果的核心指标是什么
[]衡量网络营销效果的核心指标是什么衡量网络营销效果有两个最主要的方法——衡量人心的改变和衡量人行为的改变。
人的行为的改变，按照影响从浅到深的逻辑，又可以分为四个阶段：Traffic、Engagement、Conversion 和Retention。
对于网络营销效果的衡量指标，本来用来衡量流量多少的独立IP或者UV是非常重要的，但在其他很多时候，人们又并非十分关心上述这两个指标。
事实上，核心指标的设置完全取决于目标。
在这个意义上，任何指标都可以是核心指标，任何指标也都可能不是核心指标。
一个营销活动的目的是让广大人民群众知道你的存在，让你的品牌得以“路人皆知”；另一个营销活动是为了在双十一这样特殊的日子里让你的产品大量销售。
这两个营销活动的核心指标肯定会存在相当大的差异。
另一方面，在不同的行业领域中，一定存在各自行业的核心指标。
例如电商和教育行业，这两个行业的核心指标可能完全不一样。
即使是电商行业内部，企业发展阶段不同，可能核心指标也不同。
那么，就最普遍的意义而言，衡量网络营销效果的核心指标是什么呢？解决这个问题首先需要一个逻辑，如果我们跳入具体的一个一个业务去寻找相关的衡量指标，很容易陷入迷乱，我们需要一个真正的指南针，确保我们无论走到什么地步，都知道下一步应该如何进行。
这个指南针是“人”。
任何营销活动需要影响和改变的对象都是人，衡量营销效果的好坏，在于衡量对人的心理（心态）和行为改变的状态和结果，显然，越深层次的改变，意味着越强大的效果。
这个指南针是人——能够准确体察人的变化，即能够准确把握营销的方向和结果。
心理和心态的改变心理和心态的改变并非网络营销所独有。
互联网营销对人心理和心态的改变与其他营销方法并无二致，心理上，人们意识到你的存在——Awareness，心态上，人们喜欢你的存在——Preference。
衡量Awareness和Preference的指标可以算是核心指标。
不过，很遗憾，这两者用具体的指标去衡量有相当的难度，人心所向很难捕捉，模糊而善变。
节点中心度
节点中心度节点中心度是社交网络分析中的一个重要概念，它是用来衡量一个节点在网络中的重要性程度的指标。
在社交网络中，节点可以是人、组织、网站等，它们之间的联系可以是朋友关系、合作关系、链接关系等。
节点中心度就是通过分析这些联系，来评估一个节点在整个网络中的地位和作用。
节点中心度可以分为几种不同的类型，每种类型都有其特定的计算方法和应用场景。
以下是其中几种常见的节点中心度指标：1、度中心度度中心度是最简单的节点中心度指标，它是指一个节点与其他节点之间的连接数量。
具有高度中心度的节点通常有很多连接，它们在网络中扮演着重要的枢纽角色。
度中心度的计算公式为：节点的度数/总节点数。
2、接近中心度接近中心度是指一个节点到其他节点的平均距离。
具有高接近中心度的节点通常可以快速地与其他节点建立联系，因为它们离其他节点的距离更近。
接近中心度的计算公式为：1/（节点到其他节点的距离之和/总节点数）。
3、介数中心度介数中心度是指一个节点在网络中的中介程度，即它在其他节点之间的传递信息的次数。
具有高介数中心度的节点在信息传递和影响传播方面具有重要作用。
介数中心度的计算公式为：节点的所有最短路径中，通过该节点的路径占总路径数的比例。
4、特征向量中心度特征向量中心度是一种基于节点邻居的指标，它是通过计算节点邻居的中心度来评估节点本身的中心度。
具有高特征向量中心度的节点通常与其他高中心度节点有关联。
特征向量中心度的计算公式为：节点邻居的中心度之和。
以上四种节点中心度指标在社交网络分析中都有广泛的应用。
通过计算节点中心度，我们可以了解哪些节点在网络中起着重要的作用，哪些节点是信息传递的关键节点，从而更好地理解网络结构和节点行为。
除了以上四种节点中心度指标，还有其他一些衡量节点重要性的方法，如PageRank算法、HITS算法等。
这些算法通常用于搜索引擎、推荐系统等领域，它们可以通过分析节点之间的链接关系，来评估节点的权重和重要性。
社交网络分析中节点中心性度量的使用方法
社交网络分析中节点中心性度量的使用方法社交网络分析是一种研究人际关系网络的方法，它涉及多个领域，包括社会学、心理学和计算机科学等。
节点中心性是社交网络分析中的一个重要概念，用于衡量网络中节点的重要性和影响力。
本文将介绍节点中心性度量的使用方法，以帮助读者更好地理解和应用社交网络分析。
首先，我们将介绍几个常用的节点中心性度量指标。
1.度中心性（Degree Centrality）度中心性是最简单和直观的节点中心性度量方法。
它衡量了一个节点在网络中的连接数量。
具有高度中心性的节点通常是社交网络中的“明星”，它们连接了更多的其他节点。
计算度中心性时，需要统计每个节点的邻居节点数量。
具有最高度中心性的节点通常是网络的关键节点，因为它们可以更好地传播信息和影响其他节点。
2.紧密中心性（Closeness Centrality）紧密中心性度量了一个节点与其他节点之间的平均距离。
具有更高紧密中心性的节点意味着它更容易与其他节点进行交流和联系。
计算紧密中心性时，需要确定节点到其他节点的最短路径长度，然后计算平均距离。
紧密中心性被广泛应用于社交网络中信息传播的研究，以及确定最佳传播路径的问题。
3.中介中心性（Betweenness Centrality）中介中心性度量了一个节点在网络中扮演信息传递的桥梁角色。
具有更高中介中心性的节点意味着它在网络中的位置更具影响力，可以更好地控制信息的流动。
计算中介中心性时，需要确定网络中所有节点对之间的最短路径数量，并计算包含该节点的所有最短路径数量。
中介中心性在社交网络中可以用于识别重要的信息交换节点或决策节点。
4.特征向量中心性（Eigenvector Centrality）特征向量中心性度量了一个节点与其他中心节点的连接强度。
具有更高特征向量中心性的节点意味着它与其他高度中心性节点有更强的连接。
计算特征向量中心性时，可以使用网络邻接矩阵和特征向量的计算方法。
特征向量中心性的应用范围较广，可以用于预测节点的影响力、网络的稳定性和社群的发现等。
探测度计算公式范文
探测度计算公式范文探测度是一种用于描述网络中节点的重要性的指标，常用于社交网络、互联网等领域的研究。
本文将介绍三种常用的探测度计算公式：度中心性、接近中心性和特征向量中心性。
以下是对每种公式的详细介绍。
一. 度中心性（Degree Centrality）度中心性是最简单的探测度计算公式，它简单地度量了一个节点在网络中的连接数量。
一个节点的度中心性等于其与其他节点直接相连的边的数量。
一个节点与其他节点相连的边越多，其度中心性就越高，反之亦然。
该计算公式可以用以下公式表示：C_d(v) = \frac{k(v)}{n-1}其中，C_d(v)表示节点v的度中心性，k(v)表示节点v的度（即与其相连的边的数量），n表示网络中节点的总数。
二. 接近中心性（Closeness Centrality）接近中心性度量的是一个节点到其他所有节点的路径长度之和的倒数。
一个节点与其他节点之间的路径越短，其接近中心性就越高，反之亦然。
该计算公式可以用以下公式表示：C_c(v) = \frac{1}{\sum_{u \in V}d(v,u)}其中，C_c(v)表示节点v的接近中心性，d(v,u)表示节点v与节点u之间的最短路径长度。
三. 特征向量中心性（Eigenvector Centrality）特征向量中心性度量的是一个节点与其相连节点的重要性之和。
一个节点与其他重要节点相连，其特征向量中心性就越高，反之亦然。
该计算公式可以用以下公式表示：C_e(v) = \frac{1}{\lambda}\sum_{u \in V}A(u,v)C_e(u)其中，C_e(v)表示节点v的特征向量中心性，A(u,v)表示节点u与节点v之间的邻接矩阵，\lambda表示特征向量的最大特征值。
这三种探测度计算公式都有各自的特点和适用范围。
度中心性适用于网络中节点度分布均衡的情况，接近中心性适用于网络中节点间距离较小的情况，特征向量中心性适用于网络中存在明显的节点重要性层次结构的情况。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
网站的迷失度度量
在博客之前的文章——我曾经提到过关于迷失用户（Lost Visits）的定义，以及如何使用Google Analytics的高级群组（Advanced Segment）去区分出这批用户。
最近在看《用户体验度量（Measuring the User Experience）》，发现自己实在太嫩了，人家Smith早在1996年就对迷失度（Lostness）有了定义，同时给出了迷失度L的计算公式，这里借花献佛，分享给大家。
即，L = sqrt[ (N/S-1)2+ (R/N-1)2]
L：迷失度
N：访问的不同页面数（Unique Pageviews）
S：访问的总页面数（Pageviews）
R：完成任务必需的最小页面数
Smith同时给出了迷失度的评定标准：最佳迷失度为0，迷失度小于0.4时，用户不会显示任何可观察到的迷失特征；迷失度大于0.5时，用户显现迷失特征。
结合公式，我们可以看到这里对迷失度的定义主要考虑到的是：1、重复访问相同的页面，2、没有能够用最简单的方式完成任务，过多地在网站中徘徊。
其实第一眼看去这个公式有一定的道理，但细想一下其实也存在着不合理的地方。
通常我们需要去获取知识，阅读和总结他人的经验，但如果只是一味地套
用书本或者别人的东西，那么你就输了，尤其是在发展如此迅速的互联网领域。
那么我们来看看这个公式有何不妥：
我们先思考这样一个问题：迷失的用户会表现怎样的特征？显然，当用户在网站中找不到自己需要的东西的时候会来回地点击各种页面，频繁地返回首页或者索引页面，那么从这个角度看，显然这个公式是成立的，迷失用户的表现特征就是频繁地重复浏览同一页面，并且浏览的页面数会比正常访问多得多。
但再换一个角度思考，逆向思考下前面的问题：一个正常的用户会不会出现重复浏览同一页面或者浏览页面数较多的情况？显然也是可能的，简单的例子，如果你对我的博客非常感兴趣，看了一篇文章后还想看另外的文章……于是你来回于博客的文章页面和文章专题推荐或者网站地图页面之间，于是这些列出了文章索引的页面被一次又一次地重复访问着；再如，如果一个用户上电子商务网站的目的不是购物，而是闲逛，看看有没有便宜货，或者只是针对某类商品比对下商品的好坏及价格的差异，以伺机下手，那么这个时候这些用户的访问页面数就会异常的多，但他们其实都没有迷失。
所以，上面的公式无法为你从所有的用户中挑出那些迷失的用户，最多只能对已知的迷失用户计算他们的迷失度，哪些是低度迷失，哪些是高度迷失。
但其实Smith没有错，错的是这个高速发展的时代，这也是我为什么说尤其在互联网领域不要直接照搬一些东西来直接应用于自身的原因。
1996年，很明显还处于WEB1.0时代，完全没有现在网站的那些
复杂交互和多样的功能，当时的网站大部分做的只是信息的单向发布，而用户访问网站的任务也是单一的，可能就是查找到自己想要的那个信息页面。
所以我反而觉得这个迷失度公式在当时绝对是适用的，而且Smith在当时就能总结得出这个的度量公式足见其对如今大热的“用户体验”的先知先觉以及对用户体验度量的智慧。
同时这个公式对于当前网站的迷失度衡量也不是完全无效，如果是用户体验的小组在做可用性实验，为实验设定的情景是需要用户在网站中完成一个特定的任务，那么这个公式完全是有效的，所以总结起来就是这个公式对复杂的多任务的网站迷失度衡量无效，而对基于单任务的简单网站或者实验环境是有效的。
既然这个公式对于当前的网站大部分时间不适用，我们就需要对其进行改良，使其适用于普遍的网站。
再观察下这个公式，我们会发现其实它跟数据挖掘里面的欧几里得距离度量的计算方式十分相似，可以理解为所有的比例为1
时是最理想的状态，公式计算的结果就是每个样本点与这个1的理想点的距离，距离越近迷失度越低，距离越远迷失度越高。
所以这个思路完全可以借鉴，但显然只考虑浏览页面的这些度量还不够，我们需要加入其他的网站分析度量。
对于现在的大部分网站而言，功能是多样化的，用户使用网站的任务不再是单一的，所以无法为不同任务的用户确定一个统一的完成任务的最小访问页面数，而公式的前半部分依然有效，我们尝试用其他度量来替换后半部分。
于是自然而然的想到了停留时间，当用户没有迷失时他们会在自己感兴趣的页面停留一段时间，那么页面平均停留时长（Avg. Time on Page）不会很小，所以改进后的公式如下：
即，L = sqrt[ (N/S-1)2+ (T/R-1)2]
L：迷失度
N：访问的不同页面数（Unique Pageviews）
S：访问的总页面数（Pageviews）
T：访问页面的平均停留时间（Avg. Time on Page）
R：网站正常的页面平均停留时长（既定值）
这个公式同样有几点需要注意，首先N/S和T/R要保证小于等于1，这样迷失度L计算的结果才会落在[0,sqrt(2)]之间，才有评定是否迷失的可行性。
N/S 可以保证小于等于1，但T/R无法保证，所以再套用公式之前需要做一步数据筛选的工作，也就是过滤那些可以被简单认定不是迷失的访问（建议过滤访问页面数小于3或者页面平均停留时间大于R的所有访问），筛选后的所有访问即是需要去认定是否具有迷失倾向的访问，同时有保证了T/R小于等于1这个规则。
至于R的值如何确定，可以先看一下你自己网站的几个数据：
从近一个月的数据观察，我的博客的页面平均停留时间（Avg. Time on Page）为2分钟半左右，所以我暂定公式中的R（网站正常的页面平均停留时长）为2分钟，用高级过滤器查看所有Time on Page小于2分钟的访问大概占到了网站所有访问的45%。
同时，上图给出的3个指标恰恰就是公式中需要用到的上需要用到的3个指标，结合刚刚给定的R值，公式中所有需要的变量我们都已经可以拿到了，下面来看看几个示例：
序号N S T R L
1 4 5 60 120 0.5385
2 5 8 25 120 0.8760
上表中计算得到了3个访问样本的迷失度度量L的值，很显然我们当前没法判定到底哪个迷失了哪个没有，所以还缺少一个判定基准（Benchmark），正如上面Smith给出的0.4和0.5，因为公式的变更我们可能需要重新定义这个基准。
当然，如果你要用非常严谨科学的态度去定义这个基准线的话，这个过程完全可以作为一个研究课题，进行可用性的实验，观察实验用户的迷失情况，结合每个实验用户的指标数据最终给出一个迷失度的判断基准。
当然如果你有兴趣，这个完全可以作为你的毕业设计或者学校科研课题去展开研究，我这边没有时间和资源去完成这个庞大的项目，只能按照经验值进行预估，针对我的博客，我认为当用户的重复访问页面比例超过1/3，并且页面平均停留时间不到30秒时，用户可能已经表现出一定的迷失倾向，将这个数值代入公式得到的迷失度L的值约为0.82，那么这个就可以作为衡量用户迷失的一个基准线，当L 大于0.82时用户表现迷失的倾向，小于0.82则为正常访问。
当然我这里提出的迷失度度量公式同样存在优化空间，如果你有更好的想法，可以一起交流，欢迎在评论里面提出你的想法。
可能这篇文章的中间写了一大堆“废话”，主要是自己当时看到这个公式时思考如何将它有效地应用到实际的一个过程，实在没有耐心的朋友可以直接跳过，不影响文章的整体实现思路，不要抱怨：“怎么不早说，现在才提，我看都已经看下来了”，如果你看完了，就证明你有一颗足够淡定的心。
其实我自己觉得在获取信息的时候（无论是看书还是看网上的文章）思考过程才是最重要的，这是对信息的一个有效过滤的过程，只有思考之后你获取的信息才是优质的，才是被你真正吸收的。
但也有一个弊端，就是发现自己看书实在太慢太拖沓，现在手上正在阅读的有4本书，都是现在进行时，每本书的进度在1/3
到1/2不等，涉及数据分析、用户体验、数据挖掘和报表展现，精力不够集中，一段时间不能同时兼顾太多呀，反而拖慢进度。
摘自：网站数据分析。