数据分析第一周：数据思维

结合自身实际重新制定了学习方案，所以这周主要是对数据思维这个层面进行了学习。

不知道问题发生没

不知道老板给不给加薪

不知道问题在哪

不确定执行结果

不知道为什么

不确定分析对不丢

                                                                                                    ---------思维缺失

一、三种思维

（一）结构化

    为什么分析的思路总是一团乱麻

    将分析思维结构化：

        1、将论点归纳和整理

        2、将论点递进和拆解

        3、将论点完善和补充

核心论点：寻找金字塔的塔顶，可以是假设，是问题，是预测，是原因

结构拆解：自上而下，将核心论点层层拆解成分论点，上下之间呈因果或依赖关系

MECE：相互独立，完全穷尽，论点之间避免交叉和重复，分论点们要尽量完善

验证：不论核心论点还是分论点，都应该是可量化的，用数据说话。他们必然是可验证的

（二）公式化

    结构化是分析的思维，但他不够数据，而且难免有发散的缺点

    公式化：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）

    不同类别的业务叠加用加法，减法常用来计算业务键的逻辑关系，乘法和除法是各种比例或者比率

（三）业务化

为分析而分析，却没有深入理解业务，好的数据分析思维，本身也是具备业务思维

    有没有从业务方面的角度思考

    真的分析出原因了吗？

    能不能将分析结果落地

结构化思维（捋顺思路）---结构化数据（将其可数据化）---结构化业务数据（落地，贴合业务）

二、数据分析的思维技巧

1、象限法

对一批数据，人工的划分象限，根据象限进行对比

核心是一种策略驱动的思维

应用范围广泛：战略分析、产品分析、市场分析、客户管理、用户管理、商品管理

优点：只管、清晰，对数据进行分工划分，划分结果可以直接应用于策略

须知：象限划分可以按中位数，也可以按平均数，或者是经验

2、假设法

在没有数据的情况下进行分析

核心是一种启发思考驱动的思维

应用：更多的是一种思考方式，假设---验证---判断

优点：当没有直观数据或者线索能分析时，以假设线性的方式进行推断，这是一个论证的过程

须知：不止可以假设前提，也能假设概率或者比例，一切都能假设，只要自圆其说

3、对比法

孤数不证

竞争对手对比、类别对比、特征和属性对比、时间同比环比、转换对比、前后变化对比

核心是一种挖掘数据规律的思考方式

应用：对比更都的是一种习惯，是数据分析的牛角尖，一次合格的分析，一定要用的n次对比

优点：可以发现很多数据间的规律，可以与任何思维技巧相结合，比如多维对比、象限对比、假设对比等

须知：在条件允许的情况下， 数据分析依旧不能放弃全局

4、二八法

二八法则（帕累托法则）

数据中，20%的变量将直接产生80%的效果，数据分析应该围绕这20%做文章，应持续关注TopN的数据。虽然目标较多，但往往某些指标更有价值，二八法不仅能分析数据，也能管理数据

核心：只抓重点的思维

应用：这种分析思维没有局限

优点：和业务紧密相关，和kpi更紧密相关，性价比最优

须知：在条件允许的情况下， 数据分析依旧不能放弃全局，否则会让思路变得狭隘

5、漏斗法

核心：是一种流程化思考方式

应用：涉及到变化和流程的都能用

优点：要与其他分析方式相结合

须知，单一的转化率没有用！

6、指数法

有数据，不知道如何应用，是因为缺乏有效性的方向。这个方向可以成为目标指数，通过将数据加工成指数，达到聚焦的目的

（1）线性加权

对于不同维度的一组数据，通过加权的方式，即一组公式求得最终结果进行比较，这里的加权，则是针对维度的权重性而言

（2）反比例

（3）log

热度公式：log(uv+5*c,2)+(time-init)/10

核心是一种目标驱动的思维

应用：无法利用数据而将其加工成可利用

优点：对业务有一定的知道作用。一旦设立指数，不易频繁变动

须知：指数没法统一标准，很多指数更依赖经验的加工

7、多维法

用户统计维度：性别、年龄。。。

用户行为维度：注册用户、用户偏好、用户兴趣、用户流失

消费维度：消费金额、消费频率、消费水平。。

商品维度：商品品类、商品品牌、商品属性。。。

核心是一种精细驱动的思维

应用：只要数据齐全且丰富

优点：处理大数据量，维度丰富且负责的数据有较好的效果，但是维度过多，会消耗不少时间

须知：对不同维度进行交叉分析时，需要注意辛普森悖论

三、如何在业务时间锻炼数据分析思维

1、好奇心

2、生活中的联系