【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。下面给你一一介绍。(本文用到的指标和维度是同一个意思) 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和图d

图c是一个指标公式的拆解

图b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。 顺带给大家讲讲三大数据类型。这个属于偷换概念,其实就是时间序列的细分,不是真正意义上的数据类型,但这个却是在处理店铺数据时经常会碰到的事情。数据放在坐标轴上面分【过去】丶【现在】和【未来】 第一大数据类型【过去】 【过去】的数据指历史数据,已经发生过的数据。 作用:用于总结丶对照和提炼知识 如:历史店铺运营数据,退款数据,订单数据 第二大数据类型【现在】 【现在】的概念比较模糊,当天,当月,今年这些都可以是现在的数据,看我们的时间单位而定。如果我们是以天作为单位,那么,今天的数据,就是现在的数据。现在的数据和过去的数据做比较,才可以知道现在自己是在哪个位置,单有现在的数据,是没什么用处的。 作用:用于了解现况,发现问题 如:当天的店铺数据 第三大数据类型【未来】 【未来】的数据指未发生的数据,通过预测得到。比如我们做得规划,预算等,这些就是在时间点上还没有到,但是却已经有了数据。这个数据是作为参考的数据,预测没有100%,总是有点儿出入的。 作用:用于预测 如:店铺规划,销售计划 三种数据是单向流动的,未来终究会变成现在,直到变成过去。 他人我不知道,但我自己非常喜欢把数据往坐标轴上面放,按时间段一划分,每个数据的作用就非常清晰.

原文发布于微信公众号 - 数据科学与人工智能(DS_AI_shujuren)

原文发表时间:2015-09-20

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。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏钱塘大数据

大数据时代,软件工程师渐退,算法工程师崛起

大数据在人类历史长河的各个时期一直存在着,只是要等到技术发展到一定阶段,它才开始崭露头角。而它的未来又在哪里?来自 Intercom 的工程师 Cathal H...

3136
来自专栏何俊林

程序员如何和产品经理优雅的干架

最近,平安产险科技一名外包程序员和一名外包产品经理干架的视频几乎在互联网圈都传遍了,因为产品提了一个需求:要求用户App的主题颜色能根据手机壳自动调整。让我们再...

963
来自专栏ATYUN订阅号

新的AI相机可以彻底改变自动驾驶,更高效地处理图像

当今自动驾驶汽车和无人机的基础的图像识别技术依赖AI:计算机基本上教自己识别像狗一样的物体,穿过街道的行人或停下来的汽车之类的物体。问题是运行AI算法的计算机目...

1283
来自专栏Keegan小钢

001 | 如何高效学习

就像建一栋大厦一样,需要先打地基,地基打得好,大厦才够稳。在进阶全栈的路上,同样也需要先打好地基,所以我会将基础软技能板块排在专栏提纲的最前面。先帮你们打好基础...

993
来自专栏AI科技评论

盘点 | 聊天机器人的发展状况与分类

AI科技评论按:本文作者王海良,呤呤英语开发总监,北京JavaScript/Node.js开发者社区的运营者,曾就职IBM创新中心。本文为系列文章第一篇,由AI...

5578
来自专栏PPV课数据科学社区

大数据变现的关键途径是——可视化

在Google搜索有关“大数据”,会出现很多个由立体0和1组成的图片,一些解释性的信息图示,甚至出现“黑客帝国”的界面。那“大数据”到底是什么,...

3366
来自专栏IT大咖说

深度学习:智能对话机器人适用场景与技术解析

1804
来自专栏机器之心

观点 | 善于单挑却难以协作,构建多智能体AI系统为何如此之难?

选自Hackernoon 作者:Michaël Trazzi 机器之心编译 参与:程耀彤、路雪 人工智能已经在围棋、图像识别和语音识别等领域达到或超越了人类专家...

3886
来自专栏PPV课数据科学社区

【PPT】腾讯社交网络的大数据建模框架探索报告

PPV课大数据 在10月24日2014中国计算机大会的重要活动之一 —-“大数据高峰论坛”,腾讯公司社交网络运营部专家研究员岳亚丁在论坛上作了题为“社交网络的大...

3563
来自专栏新智元

深度学习驱动智能搜索引擎,RankBrain革了SEO的命

【新智元导读】想在谷歌或百度等搜索结果中排名靠前,除了广告(给钱),你还可以选择SEO(搜索引擎优化):让网站符合算法的规则,提升在搜索引擎内的自然排名。但去年...

3839

扫码关注云+社区