数据分析必须学习的6种数据分析思维

作为新手数据分析师或数据运营，在面对数据异常的时候，好多小伙伴都会出现：“好像是A引起的” ，“好像也和B渠道有关”，“也可能是竞争对手C做了竞争动作”等主观臆测。

面对数据报表，也不知道应该从产品维度、时间维度、地域维度还是渠道维度去拆分。

很显然，这样的思维是乱的，所以做数据分析很重要的一点是：要具备结构化的分析思维。

PART

01

偏结构化思维

逻辑树思维（金字塔思维）

如图的树状逻辑相信大家已经见过许多回了。一般说明逻辑树的分叉时，都会提到“分解”和“汇总”的概念。

我们这里把它变一变，使其更贴近数据分析，称为“下钻”和“上卷”。

下钻，就是在分析指标的变化时，按一定的维度不断的分解。所谓上卷就是反过来。

随着维度的下钻和上卷，数据会不断细分和汇总，在这个过程中，我们往往能找到问题的根源。

下钻和上卷并不是局限于一个维度的，往往是多维组合的节点，进行分叉。

事实上，逻辑树思维也可以理解为结构化思维或“金字塔思维”

更详细来讲就是：

核心论点：寻找金字塔的塔点（假设/预测/问题/原因）

结构拆解：自上而下将核心论点层层拆解成分论点，上下之间呈因果/依赖关系

MECE：相互独立，完全穷尽（分论点之间避免交叉重复，尽量完善）

验证：核心论点/分论点都是可量化的、可验证的，要用数据说话

举个简单的例子：比如我们发现有一个线下的销售产品，9月份销售额比去年同比下降了20%

按照结构化的思维我们就可以将问题拆分为：

公式化思维

上面学习了逻辑树思维，但它有个缺点：不够公式化。公式化分析思维意味着：上下互为计算（一切结构皆可量化）、左右呈关联（最小不可分割）

公式化可以简单地看成是利用加减乘除来量化分析的分析思维：不同类别的业务叠加可以用加法，减法常用来计算业务间的逻辑关系；乘法和除法是各种比例或比率。

我们将上图中结构化的思维导图再加上公式化，就变成下面这样子：

分类思维

使客户分群、产品归类、市场分级、绩效评价...许多事情都需要有分类的思维。

那么许多人就模糊了，到底分类思维怎么应用呢？

关键点在于，分类后的事物，需要在核心关键指标上能拉开距离！也就是说分类后的结果，必须是显著的。

如图，横轴和纵轴往往是你运营当中关注的核心指标（当然不限于二维），而分类后的对象，你能看到他们的分布不是随机的，而是有显著的集群的倾向。

举个例子，假设该图反映了某个消费者分群的结果，横轴代表购买频率，纵轴代表客单价，那么绿色的这群人，就是明显的“人傻钱多”的“剁手金牌客户”。

PART

02

偏关系类思维

相关思维

我们观察指标，不仅要看单个指标的变化，还需要观察指标间的相互关系！有正相关关系（图中红色实线）和负相关关系（蓝色虚线）。最好能时常计算指标间的相关系数，定期观察变化。

相关思维的应用太广了，我这里就说一点，往往是被大家忽略的。现在的很多企业管理层，面对的问题并不是没有数据，而是数据太多，却太少有用的数据。相关思维的其中一个应用，就是能够帮助我们找到最重要的数据，排除掉过多杂乱数据的干扰！

如何执行呢？你可以计算能收集到的多个指标间的相互关系，挑出与其他指标相关系数都相对较高的数据指标，分析它的产生逻辑，对应的问题，并评估信度和效度，若都满足标准，这个指标就能定位为核心指标！

建议大家养成一个习惯，经常计算指标间的相关系数，仔细思考相关系数背后的逻辑，有的是显而易见的常识，比如订单数和购买人数，有的或许就能给你带来惊喜！

另外，“没有相关关系”，这往往也会成为惊喜的来源哦。

对比思维

AB test，大家肯定多少都听说过了。

那么怎么细化一下这个概念？

一是在条件允许的情况下，决策前尽量做对比测试；

二是测试时，一定要注意参照组的选择，建议任何实验中，都要留有不进行任何变化的一组样本，作为最基本的参照。

在做对比分析的时候要注意：

指标的口径范围、计算方法、计量单位、指标类型必须一致。

与对比对象之间的相似处越多，越具有可比性，对比也更有参考价值。

时间序列思维

很多问题，我们找不到横向对比的方法和对象，那么，和历史上的状况比，就将变得非常重要。

很多时候，我们都愿意用时间维度的对比来分析问题，比如同比、环比、定基比。

这种方式容易排除掉一些外在的干扰，尤其适合创新型的分析对象，比如一个新行业的公司，或者一款全新的产品。

时间序列的思维有三个关键点：

一是距今越近的时间点，越要重视（图中的深浅度，越近期发生的事，越有可能再次发生）；

二是要做同比（图中的尖头指示，指标往往存在某些周期性，需要在周期中的同一阶段进行对比，才有意义）；

三是异常值出现时，需要重视（比如出现了历史最低值或历史最高值，建议在时间序列作图时，添加平均值线和平均值加减一倍或两倍标准差线，便于观察异常值）。

时间序列思维有一个子概念不得不提一下，就是“生命周期”的概念。用户、产品、人事等无不有生命周期存在。直觉上我们把生命周期衡量清楚，就能很方便地确定一些“阀值”问题，使产品和运营的节奏更明确。

以上就是我们今天说的6种必须学习的数据分析思维，我相信通过使用这些思维方法，能将我们的分析效率事半功倍，来为业务创造更多有意义的价值。