1. 首頁 > 生活百科 > >

做好數據分析的4大思維 如何數據分析？

小知識如何數據分析

面對數據異常 ， 我們經常會出現“好像是A原因引起的？”“貌似和B原因也相關？”“有可能是C操作不當”的主觀臆測 。
或者 ， 拿到一個分析議題 ， 分析“11月銷售數據下降的原因” ， 是先從產品層面 ， 還是渠道層面著手的茫然無措 。
顯然 ， 這樣的思維是亂的 。
做數據分析 ， 首先你得具備看待一個事物的邏輯化思維 ， 其次用數據去證明他 。
我們會經常聽說兩種推理模式 ， 一種是歸納 ， 一種是演繹 。 這是麥肯錫思維當中很經典的兩個方法 ， 工作中所有的問題 ， 都可以用歸納或者演繹的形式進行拆分 ， 我喜歡把這個過程稱為“解構” 。
這兩種思維模式能夠幫助數據分析師完成原始的業務邏輯積累 ， 在此基礎上快速定位業務問題 ， 提升分析效率 。
1、 結構化思維歸納其實就是把復雜問題分解成多種單一因素的過程 ， 并且將這些因素加以歸納和整理 ， 使之條理化、綱領化 。 這個過程猶如抽絲剝繭 ， 將一團亂麻理地條條順順 。
如何練習結構化思維 ， 這其中會運用一個很重要工具 ， 那就是金字塔模型 。

根據《金字塔原理》 ， “任何事情都可以歸納出中心論點 ， 由中心論點出發 ， 可由三至七個論據支撐 ， 每個一級論點可以衍生出其他的分論點 。 ”如此發散開來 ， 就可以形成以下的金字塔結構思考方式 。
但是在你還沒有掌握這種結構化思維方式時 ， 直接用這種思考方式是有一定難度的 。 這時候就可以采用金字塔原理中的MECE法則去思考結構 。 具體的操作方式是：
A. 盡可能列出所有思考的要點
B. 找出關系 ， 進行分類 。
他的原則是論點之間相互獨立 ， 不重疊；論據窮盡劃分 ， 不遺漏 。
舉個例子：
現在有一個線下銷售的產品 。 我們發現8月的銷售額度下降 ， 和去年同比下降了20% 。 我想先觀察時間趨勢下的波動 ， 看是突然暴跌還是逐漸下降 。 再按照不同地區的數據看一下差異 ， 有沒有地區性的因素影響 。 我也準備問幾個銷售員 ， 看一下現在的市場環境怎么樣 ， 聽說有幾家競爭對手也縮水了 ， 是不是這個原因 。
用結構化思維梳理 ， 就是：
用這種方式思考 ， 能確保思考的點成體系 ， 邏輯嚴謹 ， 要素相互之間不凌亂不打架 ， 思考的點都窮盡 。 長期練習這種方法 ， 不僅更容易找到邏輯結構 ， 也更容易培養你的結構化思維 。
具體 ， 可以閱讀書籍：《金字塔思維》
2、假說演繹思維以情況為起點的推理方法是歸納推理 ， 以規則為起點的推理方法可以稱之為演繹推理 。
比如：
某自營電商網站 ， 現在想將商品提價 ， 讓你分析下銷售額會有怎樣的變化？
首先可以確定銷量會下降 ， 那么下降多少？這里就要假設商品流量情況 ， 提價后轉化率的變化情況 ， 然后根據歷史數據匯總出銷量下降的情況 ， 從而得出銷售額的變化情況 。
具體的變化情況都可以根據過往的數據來擬合 ， 統計學上也有一些科學的預測模型 ， 后面講數理統計知識時會有涉及 。
假設先行就是以假設作為思考的起點 ， 先提出問題 ， 然后用MECE原則梳理關聯因素間的結構關系 。
小結
歸納和演繹的思維是數據分析初期必備的 ， 面試考察邏輯思維無非也是這兩點 。 實際情況中可針對不同的項目要求進行組合應用 。 在經過一定階段的訓練后 ， 可以幫助提升業務熟悉程度 ， 完成業務的初始積累后 ， 后續的分析過程中就可以逐步減少拓展推理的層級及組合 ， 逐步提升問題原因定位的效率 。
3、指標化思維上述的分析思維 ， 幫助我們去定性問題 ， 接下來我們要介入數據的方式 ， 去定量分析 。 首要掌握指標化的思維 。
假設有一家電商公司 ， 我們想要了解網站運營的情況如何？運營人員向我們描述 ， 我們的網站的流量很高啊 ， 比淘寶差一點 ， 比京東好一點 ， 每天都有大量的新用戶 ， 老用戶下單也很活躍啊 。
那我就疑惑了 。 流量高是多少？大量的新用戶怎么衡量？一個手機注冊了算新用戶還是新下單的用戶？下單活躍又是怎么個活躍法？
這樣的問題相信只能憑運營人員的經驗來判斷 ， 而經驗帶來的“后果”往往是拍腦袋式的決策 。
如果用指標化的思維 ， 應該用PV和UV去衡量流量 ， 新用戶下單數和占比去評價網站的拉新 ， 新老買家占比等指標去衡量用戶活躍 。

推薦閱讀