拿到數據要分析先思考什麼

⑴ 數據分析怎麼做

一、 具備基本的數據素養

1. 具備基本的統計學概念

先來說一下最基礎的概念：平均值，中位數，百分位數，眾數，離散程度，方差，標准差。這里不一一贅述，只簡單說一下均值和中位數的差異。 均值：即平均數，優勢是，均值跟所有數據都相關，劣勢是容易受到極端值影響。
比如，你和你的3個好友，跟比爾蓋茨組成一個團隊，然後這個團隊的人均身價是200億美金，你會覺得自己是有錢人嗎？ 中位數：只跟排在中間的數據相關，優點是不受極端值影響，缺點是缺乏敏感性。

2. 避免數據邏輯錯誤常見數據邏輯謬誤1：相關當因果

「有研究結果表明：顏值高的人收入也更高。」 聽到這個結論，你會不會覺得應該去整容？ 但有可能是因為，顏值高的人相對比較自信，而自信的人容易在職場上獲得成功，所以收入高。也有可能，是收入高的人有能力裝扮自己，所以看起來顏值更高。所以說，上面這個表達，只是在說顏值和收入相關，但沒有說兩者是因果關系。

二、數據溝通和表達：如何用數據講故事

如果你能夠具備足夠的數據素養，知道如何呈現數據，同時能夠把數據表達出來，那麼就能在故事當中融入足夠有說服力的數據，故事自然變得很有說服力。

1. 理解溝通目的和對象

如果你說服一個客戶購買你的理財產品，你會怎麼跟他說？

第一種：這個理財產品有10%的概率會虧；

第二種：這個理財產品有90%的概率能賺。

當然是後者，他聽完大概率願意買，但如果是前一種說法，他可能會很恐懼。 所以，當你在公司裡面跟不同的對象溝通時，也應該呈現不一樣的數據。
比如，高層可能關心公司整體營收、盈利等等相關數據，中層可能關心他們部門的KPI數據，而主管更關注某個活動、某個舉措的成功失敗情況。

2. 選擇合適的數據表達類型

怎麼樣用更加合適的數據圖表類型？這里有些經驗干貨分享給大家，常用表格適用范圍如下：

o 散點圖（適合相關）

o 折線圖（適合趨勢）

o 橫的和豎的條形圖（適合對比）

o 瀑布圖（適合演變）

o 熱力圖（適合聚焦）

o 雷達圖（適合多指標）

o 詞雲圖（適合看分布）等等

3. 符合數據可視化原則

數據的可視化也非常重要，因為如果沒有可視化，就是一些數字羅列，那就跟文字信息沒什麼差異了。
數據可視化的幾個原則：閱讀門檻別太高，不要過多顏色，突出關鍵信息，文本與數據呼應。

⑵ 分析數據時需要注意哪些問題

1、沒有明確分析數據的目的

當我們要分析一份數據時，首先要確定好自己的目的，為什麼要收集和分析這樣一份數據，而只有明確了目的之後，這樣才能夠了解自己接下來要收集哪些數據，應該怎麼收集數據，應該分析哪些數據等。

2、沒有合理安排時間

數據分析也要合理安排時間，一般我們有幾個步驟，收集數據>>整理數據>>分析數據>>美化表格，在做這些之前，我們要預估一下每一個步驟需要花多少時間，哪一步比較重要，需要花更多的時間等，這些都要在開始收集數據前就計劃好，然後在操作的過程中在規定的時間里完成每一個步驟。

3、重收集輕分析

培訓里有不少同學就犯了這樣的一個錯誤，做任務的時間為3個星期，卻用了兩個多星期來收集數據，最後基本沒有時間去分析，緊趕慢趕最後交上來一份沒有怎麼分析的數據。數據分析重點應該在於分析，應該以最快的速度收集完數據，才有更多的時間整理和分析，最後經過分析的數據才是最有價值的。

4、收集數據太多，導致無法整理及分析

在我們開始收集數據的時候，容易犯的一個毛病就是看到什麼內容比較符合的就都收集下來，這樣的情況是數據越來越多，表格里文檔里的內容越來越多，到最後一看，自己都暈了，該怎麼整理和分析啊!其實我們在收集數據的時候也要有一個標准，什麼樣的數據是我們需要的，什麼數據是不符合條件的，作一個初步的判斷，這樣就可以減少後面整理的更多工作量了。

關於分析數據時需要注意哪幾點，青藤小編今天就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

以上是小編為大家分享的關於分析數據時需要注意哪些問題?的相關內容，更多信息可以關注環球青藤分享更多干貨

⑶ 數據分析師常用的數據分析思路

01 細分分析

細分分析是數據分析的基礎，單一維度下的指標數據信息價值很低。

細分分析法可以大致分為兩類，一類是逐步分析，如：來北京市的訪客可分為朝陽和海淀等區;另一類是維度交叉，如：來自付費SEM的新訪客。

02 對比分析

對比分析主要是把兩個有關聯的數據指標進行相互比較，從數量上說明和展現研究對象的規模大小，水平的高低，速度快慢等方面的相對值，然後通過在一樣的維度下的指標數據對比，可以發現，找出業務在不同階段的問題。

03 漏斗分析

轉化漏斗分析是數據分析師進行業務分析的基本模型，我們最經常見的就是把最終的轉化設置為某種目的的實現，最典型的就是完成交易。但也可以是其他任何目的的實現，比如一次使用app的時間超過10分鍾。

04 同期群分析

同期群(cohort)分析在數據分析運營領域相當重要，尤其是互聯網運營，特別需要仔細觀察留存的情況。通過對性質完全一樣的可對比群體的留存情況的比較，來分析哪些因素影響用戶的留存。

05 聚類分析

聚類分析具有簡單，直觀的特徵，網站分析中的聚類主要分為：用戶，頁面或內容，來源。

用戶聚類主要體現為用戶分群，用戶標簽法;頁面聚類則主要是相似，相關頁面分組法;來源聚類主要包括渠道，關鍵詞等。

06 AB測試

增長黑客的一個主要思想之一，是千萬不要做一個大又全的東西，相反是需要不斷做出能夠快速驗證的小而精的東西。快速驗證，那如何驗證呢?主要方法就是AB測試。

07 埋點分析

只有採集了足夠的基礎數據，才能通過各種分析方法得到需要的分析結果。

通過分析用戶行為，並細分為：瀏覽行為，輕度交互，重度交互，交易行為，對於瀏覽行為和輕度交互行為的點擊按鈕等事件，因其使用頻繁，數據簡單，採用無埋點技術實現自助埋點，即可以提高數據分析的實效性，需要的數據可立即提取，又大量減少技術人員的工作量，需要採集更豐富信息的行為。

08 來源分析

流量紅利消失，我們對獲客來源的重視度極高，如何有效的標注用戶來源，至關重要。

傳統分析工具，渠道分析僅有單一維度，要深入分析不同渠道不同階段效果，SEM付費搜索等來源渠道和用戶所在地區進行交叉分析，得出不同區域的獲客詳細信息，維度越細，分析結果也越有價值。

09 用戶分析

眾所周知，用戶分析是互聯網運營的核心環節，通常用到的分析方法有：活躍分析，留存分析，用戶分群，用戶畫像，用戶細查等。可將用戶活躍細分為瀏覽活躍，互動活躍，交易活躍等，通過活躍行為的細分，掌握關鍵行為指標。

10 表單分析

表單分析中的填寫表單，這個環節是每個平台與用戶交互的必有環節，一份完美的表單設計，對客戶轉化率的提升有至關重要的作用。

用戶進入表單頁面，這時候就已經產生了微漏斗，從進入的總共的人數到最後完成，並且成功提交表單人數，這個過程之中，有多少人開始填寫表單，填寫表單時，遇到了什麼困難導致無法完成表單，都影響最終的轉化效果。

有關數據分析師常用的數據分析思路的內容，青藤小編就和您分享到這里了。如果您對互聯網大數據有著濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於大數據、數據分析師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

⑷ 數據分析有什麼思路

常見的分析方法有：分類分析，矩陣分析，漏斗分析，相關分析，邏輯樹分析，趨勢分析，行為軌跡分析，等等。 我用HR的工作來舉例，說明上面這些分析要怎麼做，才能得出洞見。

01） 分類分析
比如分成不同部門、不同崗位層級、不同年齡段，來分析人才流失率。比如發現某個部門流失率特別高，那麼就可以去分析。

02） 矩陣分析
比如公司有價值觀和能力的考核，那麼可以把考核結果做出矩陣圖，能力強價值匹配的員工、能力強價值不匹配的員工、能力弱價值匹配的員工、能力弱價值不匹配的員工各佔多少比例，從而發現公司的人才健康度。

03） 漏斗分析
比如記錄招聘數據，投遞簡歷、通過初篩、通過一面、通過二面、通過終面、接下Offer、成功入職、通過試用期，這就是一個完整的招聘漏斗，從數據中，可以看到哪個環節還可以優化。

04） 相關分析
比如公司各個分店的人才流失率差異較大，那麼可以把各個分店的員工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、員工年齡、管理人員年齡等）要素進行相關性分析，找到最能夠挽留員工的關鍵因素。

05） 邏輯樹分析
比如近期發現員工的滿意度有所降低，那麼就進行拆解，滿意度跟薪酬、福利、職業發展、工作氛圍有關，然後薪酬分為基本薪資和獎金，這樣層層拆解，找出滿意度各個影響因素裡面的變化因素，從而得出洞見。

06） 趨勢分析
比如人才流失率過去12個月的變化趨勢。

07）行為軌跡分析
比如跟蹤一個銷售人員的行為軌跡，從入職、到開始產生業績、到業績快速增長、到疲憊期、到逐漸穩定。

⑸ 怎樣對數據進行分析—數據分析的六大步驟

        時下的大數據時代與人工智慧熱潮，相信很多人都會對數據分析產生很多的興趣，其實數據分析師是Datician的一種，指的是不同行業中，專門從事行業數據收集，整理，分析，並依據數據做出行業研究、評估和預測的專業人員。

        很多人學習過數據分析的知識，但是當真正接觸到項目的時候卻不知道怎樣去分析了，導致這樣的原因主要是沒有屬於自己的分析框架，沒有一個合理的分析步驟。那麼數據分析的步驟是什麼呢？比較讓大眾認可的數據分析步驟分為

六大步驟。只有我們有合理的分析框架時，面對一個數據分析的項目就不會無從下手了。

        無論做什麼事情，首先我們做的時明確目的，數據分析也不例外。在我們進行一個數據分析的項目時，首先我們要思考一下為什麼要進展這個項目，進行數據分析要解決什麼問題，只有明確數據分析的目的，才不會走錯方向，否則得到的數據就沒有什麼指導意義。

        明確好數據分析目的，梳理分析思路，並搭建分析框架，把分析目的分解成若干不同的分析要點，即如何具體開展數據分析，需要從那幾個角度進行分析，採用哪些分析指標（各類分析指標需合理搭配使用）。同時，確保分析框架的體系化和邏輯化，確定分析對象、分析方法、分析周期及預算，保證數據分析的結果符合此次分析的目的。

        數據收集的按照確定的數據分析框架，收集相關數據的過程，它為數據分析提供了素材和依據。常見的數據收集方式主要有以下幾種

        一般地我們收集過來的數據都是雜亂無章的，沒有什麼規律可言的，所以就需要對採集到的數據進行加工處理，形成合適的數據樣式，保證數據的一致性和有效性。一般在工作中數據處理會佔用我們大部分的時間

        數據處理的基本目的是從大量的，雜亂無章的數據中抽取到對接下來數據分析有用的數據形式。常見的數據處理方式有 數據清洗、數據分組、數據檢索、數據抽取 等，使用的工具有 Excel、SQL、Python、R 語言等。

        對數據整理完畢之後，就需要對數據進行綜合的分析。數據分析方式主要是使用適當的分析方法和工具，對收集來的數據進行分析，提取有價值的信息，形成有效結論的過程。

        在確定數據分析思路的階段，就需要對公司業務、產品和分析工具、模型等都有一定的了解，這樣才能更好地駕馭數據，從容地進行分析和研究，常見的分析工具有 SPSS、SAS、Python、R語言 等，分析模型有 回歸、分類、聚類、關聯、預測 等。其實數據分析的重點不是採用什麼分析工具和模型而是找到合適的分析工具和模型，從中發現數據中含有的規律。

        通過對數據的收集、整理、分析之後，隱藏的數據內部的關系和規律就會逐漸浮現出來，那麼通過什麼方式展現出這些關系和規律，才能讓別人一目瞭然。一般情況下，是通過表格和圖形的方式來呈現出來。多數情況下，人們通常願意接受圖形這樣數據展現方式，因為它能更加有效、直觀地傳遞出數據所要表達的觀點。

        常用數據圖表 有餅圖、柱形圖、條形圖、折線圖、氣泡圖、散點圖、雷達圖、矩陣圖 等圖形，在使用圖形展現的情況下需要注意一下幾點：

        當分析出來最終的結果之後，我們是知道這部分數據展現出來的意義，適用的場景。但是如果想讓更多人了解你分析出來的東西，讓你的分析成果為眾人所熟知，這時就需要一份完美的PPT報告，一個邏輯合理的故事。這樣的分析結果才是最完美的。

        一份好的數據分析報告，首先需要有一個好的分析框架，並且圖文並茂，層次清晰，能夠讓閱讀者一目瞭然。結構清晰、主次分明可以使閱讀者正確理解報告內容；圖文並茂，可以令數據更加生動活潑，提高視覺沖擊力，有助於閱讀者更形象，直觀地看清楚問題和結論，從而產生思考。

                                                           數據分析的四大誤區

1、分析目的不明確，不能為了分析而分析 。只有明確目的才能更好的分析

2、缺乏對行業、公司業務的認知，分析結果偏離實際 。數據必須和業務結合才有意義，清楚所在行業的整體結構，對行業的上游和下游的經營情況有大致的了解，在根據業務當前的需要，制定發展計劃，歸類出需要整理的數據，同時，熟悉業務才能看到數據背後隱藏的信息。

3、為了方法而方法，為了工具而工具 。只要能解決問題的方法和工具就是好的方法和工具

4、數據本身是客觀的，但被解讀出來的數據是主觀的 。同樣的數據由不同的人分析很可能得出完全相反的結論，所以一定不能提前帶著觀點去分析

⑹ 分析思維——數據分析的三種核心思維

文章目錄

數據分析常用的三個應用場景分別是前期評估分析、中期異常問題定位、後期復盤分析。無論哪種場景都適用底層的三種核心思維，結構化、公式化、業務化。

一、結構化

結構化思維用來解決"為什麼"，幫助我們理清分析思路。它是對影響問題的相關因素進行羅列，站在宏觀的角度思考問題。其實結構化思考來源於麥肯錫，金字塔思維，每一個論點都圍繞上一個問題目標，層層拆解相互獨立，最終會形成金字塔結構。

二、公式化

公式化是驗證上一層結構化的論點或原因是否可以量化，就是用數據來衡量，量化的公式是比較基礎的加減乘除。盡量把一切可以量化的進行量化，最後的維度最小不可分割。舉個栗子：銷售額=銷售量*客單價，銷量=購買人數，購買人數還可以往下拆分成新用戶、老用戶佔比等。

三、業務化

上面我們已經了解結構化和公式化，似乎已經能解決大部分問題，但是仔細看分析的各個論點，有時候會由於對業務的不理解而導致漏掉某些原因，這時候就需要用業務化思維來補全可能會遺漏的點。這就需要我們深入了解業務，多站在業務的角度考慮問題，多與業務人員溝通，並參與到其中。

案例分析

你是一家互聯網公司的數據分析師，某天產品的DAU（用戶日活躍度）突然下降了20%，請你分析原因。你擁有查看基礎用戶和行為數據的許可權，面對這一需求，你會怎樣進行分析？拿到這個分析任務，如果無從下手的話，我們可以將思路套用到上面的分析框架中，一步一步來分析。

首先：先做數據異常的假設，再用數據驗證

這個分析案例屬於異常問題定位，不建議大家第一步先對數據進行拆分，做數據異常原因分析的核心就是結合以往經驗及各種信息，找出最有可能的原因假設，通過數據的拆分進行多維度分析來驗證假設，定位問題所在。過程中可能會在原假設基礎上建立新的假設或者是調整原來假設，直到定位原因。還有在開始分析前非常重要的一點，驗證好數據的真實性。

其次：根據常用維度進行搭建分析框架

計算影響系數： 對 內部原因 每一項數據都要和以往正常值做對比

影響系數 =(今日量-昨日量)/(今日總量-昨日總量)

影響系數越大，說明此處就是主要的下降點。初步定位原因後，還需要再結合自身業務經驗確定幾個最可能的原因假設，進一步的排查。最後找到公司里相關人員，比如運營、技術、產品的同事進行溝通。

最後：經過分析，確立原因

除了上述，在實際工作中，可以細分分析的維度其實是非常多的。無論做多復雜的分析。只要我們建立底層的思維框架，將零散的問題組合起來將其結構化、公式化、業務化。對每一個核心論點進行假設再驗證，在假設為真的基礎上，進行更細維度的數據拆分，直到最後找到真正的原因。相信大家，下次再遇到這類問題，不會再無從下手，用好底層思維框架會使我們分析問題越來越熟練，更有邏輯性。

⑺ 入門必備！數據分析的3大思維和7種技巧

如果我們在分析一個問題前，思維缺失就像下面圖中所表達的一樣，往往不知道問題從哪裡下手，在這個時候就輪到平時鍛煉的數據分析思維了。

結構化

可以看作金字塔思維，把待分析問題按不同方向去分類，然後不斷拆分細化，能全方位的思考問題，一般是先把所有能想到的一些論點先寫出來，然後在進行整理歸納成金字塔模型。主要通過前面介紹的思維導圖來寫我們的分析思維。

公式化

在結構化的基礎上，這些論點往往會存在一些數量關系，使其能進行＋、－、×、÷的計算，將這些論點進行量化分析，從而驗證論點 。

業務化

業務化即是深入了解業務情況，結合該項目的具體業務進行分析，並且能讓分析結果進行落地執行。用結構化思考＋公式化拆解得出的最終分析論點再很多時候表示的是一種現象，不能體現產生結果的原因。所以需要繼續去用業務思維去思考，站在業務人員或分析對象的角度思考問題，深究出現這種現象的原因或者通過數據推動業務。

增加業務思維方法：貼近業務，換位思考，積累經驗

在數據分析中，三種核心數據分析思維是框架型的指引，實際應用中還是需要很多技巧工具的。7種數據分析技巧，它們分別是象限法，多維法，假設法，指數法，二八法，對比法，漏鬥法。

象限法

通過對兩種維度的劃分，運用坐標的方式表達出想要的價值，由價值直接轉變為策略，從而進行一些落地的推動。象限法是一種策略驅動的思維，廣泛應用於戰略分析，產品分析，市場分析，客戶管理，用戶管理，商品管理等。

下圖是RFM模型，把客戶按最近一次消費(Recency)、消費頻率(Frequency)、消費金額 (Monetary)三個維度分成八個象限。

菜品銷售增長率和銷售利潤

多維法

多維法是指對分析對象從多個維度去分析，這里一般是三個維度，每個維度有不同數據分類，這樣代表總數據的大正方體就被分割成一個個小方塊，落在同一個小方塊的數據擁有同樣的屬性，這樣可以通過對比小方塊內的數據進行分析。如圖，這是一個快餐店的外賣訂單多維表：

雖然只有下單時間、菜品名稱、平台三個維度。但根據這個立方體，已經能解決很多掌櫃急需了解的問題了。

我們可以通過切片實現每個平台每種菜品的銷量，每個月每種菜品的銷量，某個月某平台菜品銷售情況等等操作。

假設法

在一些情況下，如進入新市場的銷量、商品提價後銷量的變化情況，可能沒有明細數據進行分析，那麼就需要用到假設法。假設法也就是假設一個變數或者比率成立，然後根據部分數據進行反推，這是一種啟發思維的技巧，一般過程是先假設後驗證然後判斷出分析結果。

例題：你是自營電商分析師，現在想將商品提價，你分析下銷售額會有怎樣的變化？解答思路：首先可以確定銷量會下降，那麼下降多少？這里就要假設商品流量情況，提價後轉化率的變化情況，然後根據歷史數據匯總出銷量下降百分百，從而得出銷售額的變化情況。

指數法

指數法是把某個數據多個指標按一定的計算轉化為同度量的一個值，這個度量值稱為指數。例如在一場游戲競技比賽中要確定該場的MVP，則是需要根據擊殺數、死亡數、助攻數、經濟、補兵等指標進行綜合計算出一個得分，得分高的為MVP。

指數法常用的有線性加權、反比例、log三種。線性加權即是把每個指標乘以一個系數後相加，反比例即是用數學上的反比例函數y=k/x變化後在計算，log即是數學中所說的對數一般以2為底數或者10為底數。指數法使用沒有統一標准，一般是根據經驗來做，將無法利用的數據加工成可以可利用的。例如，NBA計算最有價值球員的指數參考：

二八法

二八法即是二八法則也可以叫做帕累托法則，比如在個人財富上可以說世界上20%的人掌握80%的財富。而在數據分析中，則可以理解為20%的數據產生了80%的效果需要圍繞這20%的數據進行挖掘。往往在使用二八法則的時候和排名有關系，排在前20%的才算是有效數據。二八法是抓重點分析，適用於任何行業。找到重點，發現其特徵，然後可以思考如何讓其餘的80%向這20%轉化，提高效果。

對比法

對比法就是用兩組或兩組以上的數據進行比較，常見的是用於在時間維度上的同比和環比、定基比，與競爭對手的對比、類別之間的對比、特徵和屬性對比等。對比法可以發現數據變化規律，使用非常頻繁，多與前面的技巧結合使用。

漏鬥法

漏鬥法即是漏斗圖，有點像倒金字塔，是一個流程化思考方式，常用於像新用戶的開發、購物轉化率這些有變化和一定流程的分析中。不過，單一的漏斗分析是沒有用的，不能得出什麼結果，要與其它相結合，如與歷史數據的對比等。

下圖我用BI商業智能工具FineBI連接了CRM系統的數據，對客戶的行為數據做了漏斗圖形式的展現。

最後，說了這么多方法，趕緊拿起小本本記下來吧!

⑻ 數據分析報告思路是什麼

1、確定報告受眾和分析目的

無論寫什麼類型的數據分析報告，都要先搞清楚報告給誰看，不同的受眾對一份數據分析報告的期待是不一樣的。

2、框架、思路清晰

作為數據分析結論輸出最重要的部分，一份優秀的數據分析報告要能夠准確體現你的分析思路，讓讀者充分接收你的信息，所以在製作報告時，框架和思路要清晰。

這里的框架不單指報告的行文邏輯，更多是指數據分析過程的框架，比方說我們拿到一個分析問題，不可能一下子就找到問題背後的原因，需要利用各種手段將問題拆解分析，直到得出最終結論，這時候就可能會用到我們常提到的MECE、PEST、AAARRR等分析框架

3、保障數據准確

寫一份報告，獲取和整理數據往往會占據 6成以上的時間。要規劃數據協調相關部門組織數據採集、導出處理數據，最後才是寫報告，如果數據不準確，那分析的結果也沒有意義，報告也就失去價值，因此在收集整合數據時需要注意數據是否靠譜，驗證數據口徑和數據范圍。

4、讓圖表傳達更加直接

圖與表之間，圖與圖之間的聯系如何闡述，反映出的問題如何表達，這些都是在做數據分析圖表就要弄明白的。很多細心的領導及專門會針對你的數據分析以及結論來提問，因為現狀和未來是他們最關心的。所以數據圖表展現也要體現你的分析思路，而不單單是為了展示數據。

⑼ 做好數據分析的核心和關鍵

1、做好數據分析的核心
思路>方法
思路：業務理解+邏輯思考+可行方案+創新靈感
方法：Make it Simple

2、做好數據分析的關鍵
1）分析要貼近業務、以終為始
比分析方法更重要的是，詢問、了解一線業務的實際情況，切忌數據空想，要接地氣。只有熟悉業務，才能提供有價值的分析和建議。
2）分析報告要言之有物、行之有效
及格線："言之有物"——擺事實
優秀線："振聾發聵"或"醍醐灌頂"——做分析
滿分線：產生了切實有效的行動方案——給建議
3）數據呈現要考慮受眾、換位思考
高效溝通：
用圖表思考，用圖表說話
觀點明確無含糊，圖表直觀無冗餘
創新求變：
如何說更清晰?
如何表達更生動?
怎樣能使對方更理解?

—— END ——
堅持日更365天
第21天