我们经常在提“数据分析思维”，那什么是数据分析思维呢，我认为就是一些常用的分析方法和模型组合起来的思维，就比如做数学题，有公式，公式就是基础啊，在这之上再去解决问题，这就是思维；

有时候我们在分析一个问题前，往往不知道从哪里下手，怎么去开展分析，我认为这就是缺少“数据分析思维”，那么怎么去提高数据分析思维呢，我根据我自己的经验、看过的书、听过的课程、网络找的资料等等……梳理一下吧；

说明：1）以下配图都来自网络，如有侵权立即删除；2）配图主要是为了辅助说明，不在于一定更要看清楚内容，了解是怎么回事即可；

3大核心的数据分析思维

结构化思维

也就是金字塔思维，把问题按不同方向分类，然后不断拆分细化，我以前有写过一篇关于结构化思维书籍的读书笔记“《结构思考力》读书笔记”，感兴趣的可以看看，当然其他相关书籍都是可以的；

公式化思维

我们拿到的数据可能会存在一些数量关系，用＋、－、×、÷计算，公式化拆解，进行量化分析，从而验证论点；

业务化思维

深入了解业务情况，结合项目的具体业务进行分析，并且能让分析结果进行落地执行，增加业务思维方法：贴近业务，换位思考，积累经验；

我们一般用“结构化思维＋公式化思维”得出的也仅仅表示的是一种现象（结果），要找到产生结果的原因就必须用业务思维去思考，站在业务人员或分析对象的角度思考问题，深究出现这种现象的原因，从而通过数据推动业务；

7大数据分析的思维技巧

在数据分析中，三种核心数据分析思维是框架型的指引，实际应用中还是需要很多技巧工具；

7种数据分析技巧，分别是象限法，多维法，假设法，指数法，二八法，对比法，漏斗法：

象限法

通过对多种维度的划分，运用坐标的方式表达出想要的价值，由价值直接转变为策略，从而进行一些落地的推动；

象限法是一种策略驱动的思维，广泛应用于战略分析，产品分析，市场分析，客户管理，用户管理，商品管理等；

如RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)三个维度分成八个象限；

假设法

在一些情况下，如进入新市场的销量、商品提价后销量的变化情况，可能没有明细数据进行分析，那么就需要用到假设法；

假设法也就是假设一个变量或者比率成立，然后根据部分数据进行反推，这是一种启发思维的技巧，一般过程是先假设后验证然后判断出分析结果；

假如你是自营电商分析师，现在想将商品提价，你分析下销售额会有怎样的变化？

解答思路：首先可以确定销量会下降，那么下降多少？这里就要假设商品流量情况，提价后转化率的变化情况，然后根据历史数据汇总出销量下降百分百，从而得出销售额的变化情况；

多维法

对分析对象从多个维度去分析，一般是三个维度，每个维度有不同数据分类，这样代表总数据的大正方体就被分割成一个个小方块，落在同一个小方块的数据拥有同样的属性，这样可以通过对比小方块内的数据进行分析；

如图，这是一个快餐店的外卖订单多维表：

虽然只有下单时间、菜品名称、平台三个维度，但根据这个立方体，已经能解决很多掌柜急需了解的问题了；

我们可以通过切片实现每个平台每种菜品的销量，每个月每种菜品的销量，某个月某平台菜品销售情况等等操作；

指数法

指数法是把某个数据多个指标按一定的计算转化为同度量的一个值，这个度量值称为指数；

例如在一场游戏竞技比赛中要确定该场的MVP，则是需要根据击杀数、死亡数、助攻数、经济、补兵等指标进行综合计算出一个得分，得分高的为MVP；

指数法使用没有统一标准，一般是根据经验来做，将无法利用的数据加工成可以可利用的。例如，NBA计算最有价值球员的指数参考；

二八法

二八法大家都明白，比如在个人财富上可以说世界上20%的人掌握80%的财富；

而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘，往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据；

二八法是抓重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果；

对比法

对比法就是用两组或两组以上的数据进行比较，常见的是用于在时间维度上的同比和环比、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等；

对比法可以发现数据变化规律，使用非常频繁，多与前面的技巧结合使用；

漏斗法

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中；

不过，单一的漏斗分析是没有用的，不能得出什么结果，要与其它相结合，如与历史数据的对比等；

比如“AARRR”转化漏斗模型：

8大数据分析模型

用户模型

用户的每一步成长都通过行为记录下来，基于用户所在生命周期的不同阶段，针对新用户、流失用户、活跃用户、沉默用户分别采取有针对性的拉新、转化、留存等运营策略；

如何快速迭代的构造用户模型？

1）首先，整理和收集已经获得的任何可认知用户的经验和数据，将这些信息映射成为用户的描述信息（属性）或用户的行为信息，并存储起来形成用户档案；

2）实时关注自身数据的波动，及时采取行动；

3）记录用户的行为数据而不是单纯地为用户打标签；

4）360°覆盖用户全生命周期的用户档案；

事件模型

就是用户在产品上的行为，它是用户行为的一个专业描述，用户在产品上的所有行为、操作等都可以抽象为事件；

一般是由开发人员通过埋点进行采集，将一段代码放入对应的页面/按钮，用户进入页面/点击按钮的本质是在加载背后的代码，同时再加载事件采集代码，这样就被记录下来了；

采集时机：用户点击（click）、网页加载完成、服务器判断返回等。在设计埋点需求文档时，采集时机的说明尤为重要，也是保证数据准确性的核心；

漏斗模型

漏斗模型帮助你分析一个多步骤过程中每一步的转化与流失情况。

热图分析模型

反映用户在网页上的关注点在哪里，尤其对于官网首页来说，信息密度极高，用户究竟是如何点击，如何浏览的效果图；

按计算维度划分，热图可以分为点击热图和浏览热图；

点击热图：追踪的是鼠标的点击情况，进行人数、次数统计并基于百分比进行热力分布，点击热图又分为两种，一种是鼠标的所有点击，一种是页面可点击元素的点击。前者可以追踪页面上所有可点击和不可点击位置的被点击情况，后者只追踪页面上可点击元素的点击情况；

浏览热图（也称注意力热图）记录的是用户在不同页面或同一页面不同位置停留时间的百分比计算，基于停留时长；

自定义留存分析模型

定义：满足某个条件的用户，在某个时间点有没有进行回访行为；

公式：若满足某个条件的用户数为n，在某个时间点进行回访行为的用户数为m，那么该时间点的留存率就是m/n；

粘性分析模型

定义：对活跃用户使用产品的习惯的分析，例如一个月使用了几天，使用大于一天，大于七天的用户有多少，例如某些产品上线了新功能，用户使用需要签到，可以由此分析出用户的使用习惯，评估新功能的吸引力和健康度；

作用：使用留存分析，了解产品和功能黏住用户的能力如何，用户喜欢哪个功能，不同用户在同一功能在使用上的差异，有助于科学评估产品，制定留存策略；

全行为路径分析

行为路径分析分为漏斗分析和全行为路径分析，全行为路径分析是对用户在APP或网站的每个模块的流转情况，挖掘用户的访问模式，从而优化产品或网站；

用户分群模型

分群是对某一特征用户的划分和归组，而分层，更多的是对全量用户的一个管理手段，细分用户的方法其实我们一直在用，比如我们熟悉的RFM模型；

最后

希望以上的一些数据分析的基础思维技巧和模型能够帮助你构建自己的数据分析思维；

（完）