一、结构化思维

根据《金字塔原理》，“任何事情都可以归纳出中心论点，由中心论点出发，可由三至七个论据支撑，每个一级论点可以衍生出其他的分论点。”如此发散开来，就可以形成以下的金字塔结构思考方式。

金字塔原理中的MECE法则：

A. 尽可能列出所有思考的要点

B. 找出关系，进行分类。

原则：论点之间相互独立，不重叠；论据穷尽划分，不遗漏。

用这种方式思考，能确保思考的点成体系，逻辑严谨，要素相互之间不凌乱不打架，思考的点都穷尽。长期练习这种方法，不仅更容易找到逻辑结构，也更容易培养你的结构化思维。

阅读书籍：《金字塔思维》

二、假说演绎思维

以情况为起点的推理方法是归纳推理，以规则为起点的推理方法可以称之为演绎推理。

—— 找问题原因用归纳，做预期评估用演绎

比如：某自营电商网站，现在想将商品提价，让你分析下销售额会有怎样的变化？

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的情况，从而得出销售额的变化情况。

三、指标化思维

归纳和演绎的分析思维，帮助我们去定性问题，接下来我们要介入数据的方式，去定量分析。首要掌握指标化的思维。

指标体系

有指标是否就够了呢？指标按照结构化思维可以形成一个体系，如销售分析指标体系，生产指标体系，电商行业指标体系。

一家企业建立的数据分析体系通常细分到了具体可执行的部分，可以根据设定的某个指标异常变化，相应立即执行相应的方案，来保证运营的正常进行。

建立指标体系的思路：

向上

可以按业务职能结构划分，映射出更多维度，比如渠道，运营，产品等相关模块，将相关指标映射到主要模块，通过简单快速的沟通，快速定位问题原因。

向下

可以按因果结构划分，也就是指标分解，利用公式的方法。比如营收=日活*付费率*arpu等指标因果关系进行划分，通过定位指标波动，定位最细指标，辅助维度下转，能够清楚的问题原因。

就像枝丫一样，从主干不断延伸，将业务用指标评价量化，逐渐形成一个健全的数据分析体系。

四、维度分析思维

站在分析的角度讲一下维度思维。

当你有了指标，可以着手进行分析，数据分析大体可以分三类，第一类是利用维度分析数据，第二类是使用统计学知识如数据分布假设检验，最后一类是使用机器学习。这里我们主要了解维度分析法。

维度是观察数据的角度，例如“时间”、“地区”、“产品”。在具体分析中，我们可以把它认为是分析事物的角度。时间是一种角度、地区是一种角度，产品也是一种角度，所以它们都能算维度。

当我们有了维度后，就能够通过不同的维度组合，形成数据模型。数据模型不是一个高深的概念，它就是一个多维立方体。

这个概念最早来源于商业智能OLAP技术。数据按照事实表（Fact Table）和维表（Dimension Table）的形式存在。事实表用来记录具体事件，比如销量、销售额、售价、折扣等具体的数值信息。维度表是对事实表中事件的要素的描述信息，比如时间、城市、品牌、机型等。

下图举例一个简化的分析模型，分别由产品、城市、时间这三个维度组成，实际数据分析中，维度远不止三个。

在数库中，可能是这样两张表：

我们可以将品牌作为维度，分析手机的销量情况，也可以将时间作为维度，分析每一年手机市场的份额情况。

多维分析操作包括：钻取（Drill-down）、上卷（Roll-up）、切片（Slice）、切块（Dice）以及旋转（Pivot）。

钻取（Drill-down）：在维的不同层次间的变化，从上层降到下一层，或者说是将汇总数据拆分到更细节的数据，比如通过对2018年华为的总销售数据进行钻取来查看各个手机型号的销售数据。

上卷（Roll-up）：钻取的逆操作，即从细粒度数据向高层的聚合。如将江苏省、上海市和浙江省的销售数据进行汇总来查看江浙沪地区的销售数据。

切片（Slice）：选择维中特定的值进行分析，比如只选择苹果手机的销售数据，或2017年的手机销售数据。

切块（Dice）：选择维中特定区间的数据进行分析，比如选择2016年2017年的销售数据。

旋转（Pivot）：即维的位置的互换，就像是二维表的行列转换，如通过旋转实现产品维和地域维的互换。

为什么这边花那么多笔墨去讲维度和度量呢，一者是我们在梳理分析思路时，常常会按照几个大的维度类去划分层级，多面分析，如时间维、地域维、产品维，帮助我们成为“多面分析手”。另一方面，BI商业智能在操作也基于维度一说，熟悉维度和数据模型的原理，能更好的理解这个工具。