专栏首页CDA数据分析师以电商为例,说说数据分析的5个思维方法

以电商为例,说说数据分析的5个思维方法

数据分析真的很重要,能从一堆看似杂乱的数据里,找到问题并解决问题。从数据上的变化,来判断甄别效果得失;简直是居家旅行,运营生意的必备良品。

首先,我们要知道,什么叫数据分析。其实从数据到信息的这个过程,就是数据分析。数据本身并没有什么价值,有价值的是我们从数据中提取出来的信息。

然而,我们还要搞清楚数据分析的目的是什么?目的是解决我们现实中的某个问题或者满足现实中的某个需求。

那么,在这个从数据到信息的过程中,肯定是有一些固定的思路,或者称之为思维方式。

第一大思维——对照

“对照”俗称对比,单独看一个数据是不会有感觉的,必需跟另一个数据做对比才会有感觉。比如下面的图a和图b。

图a毫无感觉

图b经过跟昨天的成交量对比,就会发现,今天跟昨天实则差了一大截。

这是最基本的思路,也是最重要的思路。在现实中的应用非常广,比如选款测款丶监控店铺数据等,这些过程就是在做“对照”,分析人员拿到数据后,如果数据是独立的,无法进行对比的话,就无法判断,等于无法从数据中读取有用的信息。

第二大思维——拆分

分析这个词从字面上来理解,就是拆分和解析。因此可见,拆分在数据分析中的重要性。在派代上面也随处可见“拆分”一词,很多作者都会用这样的口吻:经过拆分后,我们就清晰了……。不过,我相信有很多朋友并没有弄清楚,拆分是怎么用的。

我们回到第一个思维“对比”上面来,当某个维度可以对比的时候,我们选择对比。再对比后发现问题需要找出原因的时候?或者根本就没有得对比。这个时候,“拆分”就闪亮登场了。大家看下面一个场景。

运营小美,经过对比店铺的数据,发现今天的销售额只有昨天的50%,这个时候,我们再怎么对比销售额这个维度,已经没有意义了。这时需要对销售额这个维度做分解,拆分指标。

销售额=成交用户数*客单价,成交用户数又等于访客数*转化率。详见图c。

图c是一个指标公式的拆解

图d是对流量的组成成分做的简单分解(还可以分很细很全)

拆分后的结果,相对于拆分前会清晰许多,便于分析,找细节。可见,拆分是分析人员必备的思维之一。

第三大思维——降维

是否有面对一大堆维度的数据却促手无策的经历?当数据维度太多的时候,我们不可能每个维度都拿来分析,有一些有关联的指标,是可以从中筛选出代表的维度即可。如下表

这么多的维度,其实不必每个都分析。我们知道成交用户数/访客数=转化率,当存在这种维度,是可以通过其他两个维度通过计算转化出来的时候,我们就可以“降维”。

成交用户数丶访客数和转化率,只要三选二即可。另外,成交用户数*客单价=销售额,这三个也可以三择二。

另外,我们一般只关心对我们有用的数据,当有某些维度的数据跟我们的分析无关时,我们就可以筛选掉,达到“降维”的目的。

第四大思维——增维

增维和降维是对应的,有降必有增。当我们当前的维度不能很好地解释我们的问题时,我们就需要对数据做一个运算,增加多一个指标。请看下图。

我们发现一个搜索指数和一个宝贝数,这两个指标一个代表需求,一个代表竞争,有很多人把搜索指数/宝贝数=倍数,用倍数来代表一个词的竞争度(仅供参考)。这种做法,就是在增维。增加的维度有一种叫法称之为“辅助列”。

“增维”和“降维”是必需对数据的意义有充分的了解后,为了方便我们进行分析,有目的的对数据进行转换运算。

第五大思维——假说

当我们拿不准未来的时候,或者说是迷茫的时候。我们可以应用“假说”,假说是统计学的专业名词吧,俗称假设。当我们不知道结果,或者有几种选择的时候,那么我们就召唤“假说”,我们先假设有了结果,然后运用逆向思维。

从结果到原因,要有怎么样的因,才能产生这种结果。这有点寻根的味道。那么,我们可以知道,现在满足了多少因,还需要多少因。如果是多选的情况下,我们就可以通过这种方法来找到最佳路径(决策)

当然,“假说”的威力不仅仅如此。“假说”可是一匹天马(行空),除了结果可以假设,过程也是可以被假设的。

我们回到数据分析的目的,我们就会知道只有明确了问题和需求,我们才能选择分析的方法。

本文分享自微信公众号 - CDA数据分析师(cdacdacda)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2015-09-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • ​重磅 | DAAS(数据管理服务)调研与简要分析

    文| 张涵诚、陆骥 本文为作者投稿,转载请联系作者 背景 当前大家都知道: 1.数据交易市场的繁荣为时过早,数据加工和处理太过于分散化; 2.数据金字塔顶部的数...

    CDA数据分析师
  • 译文|大数据不必大系统!

    本文由CDA数据分析研究院翻译,译者:王晨光,转载必须获得本站、原作者、译者的同意,拒绝任何不表明译者及来源的转载! 我已经就大数据及其益处和挑战写过不少东西了...

    CDA数据分析师
  • 大数据是如何赚钱和亏钱的?

    拟有看到大数据如何带来收益,以及如何实现的例子吗? ? 大数据无疑是时下炙手可热的流行词汇,然而,我们鲜少看到大数据如何带来收益,以及如何实现的例子,这是怎么回...

    CDA数据分析师
  • 以电商为例,数据分析的5个思维方法-简单粗暴

    在博主雪言舟语看来,数据分析真的很重要,能从一堆看似杂乱的数据里,找到问题并解决问题。从数据上的变化,来判断甄别效果得失;简直是居家旅行,运营生意的必备良品。 ...

    小莹莹
  • 【数据分析】数据分析的五大思维方式,你具备几种?

    今天我们要来讲讲数据分析的五大思维方式。 首先,我们要知道,什么叫数据分析。其实从数据到信息的这个过程,就是数据分析。数据本身并没有什么价值,有价值的是我们从...

    陆勤_数据人网
  • 【经验分享 】数据产品开发前的必修课

    分清指标和维度关系 既然是数据产品,一定离不开数据图表。而要做图表,首先得确定指标和维度。最直观的说:指标就是图表中纵坐标轴;维度就是横坐标轴。 身高,销售量,...

    小莹莹
  • 分享 :数据产品开发前的必修课

    本文作者 胡晨川,首发于公众号 川术(ID:chuanshu108),由作者授权 大数据 转载。如需转载请与作者联系,谢绝二次转载。

    华章科技
  • 数据仓库③-实现与使用(含OLAP重点讲解)

    本文将对这些方面做一个总体性的介绍(尤其是OLAP),旨在让读者对数据仓库的认识提升到一个全局性的高度。 创建数据仓库 数据仓库的创建方法和数据库类似,也是通过...

    Spark学习技巧
  • 【企业数字化转型】DIKW:数据、信息、知识、智慧的金字塔层次模型

    随着人类社会从工业经济时代进入知识经济时代,知识管理的出现为21世纪知识经济时代的企业组织提供必须的管理基础。以彼得.德鲁克博士(Peter F. Drucke...

    一个会写诗的程序员
  • 数据可视化:看中国经济发展

    近期因工作需要,尝试使用一些数据可视化手段做产品运营分析。自己之前对可视化的理解仅仅限于excel做做图表,但深入下去发现数据可视化远不限于此,可以说很多的工作...

    用户5548425

扫码关注云+社区

领取腾讯云代金券