数据分析思维

数据分析有三种核心思维：结构化，公式化，业务化。

结构化

1. 平时我们分析问题的可能总是一团乱麻，想到哪个角度哪个因素就往哪边分析，而忽略了分析的有序性和方向性。而一个好的分析过程应该是有逻辑的，而且要有明确的目的性、方向性。
2. 将论点归纳和整理，将论点递进和拆解，将论点完善和补充。它是从一个点想到另一个点，自上而下进行分析拆解论点，用数据说话。结构化是分析的思维，但它还不够数据，而且难免有发散的缺点。
   

采用金字塔原理中的 MECE 法则去思考结构。具体的操作方式是：
A. 尽可能列出所有思考的要点
B. 找出关系，进行分类。
他的原则是论点之间相互独立，不重叠；论据穷尽划分，不遗漏。
举个例子：
现在有一个线下销售的产品。我们发现 8 月的销售额度下降，和去年同比下降了 20%。我想先观察时间趋势下的波动，看是突然暴跌还是逐渐下降。再按
照不同地区的数据看一下差异，有没有地区性的因素影响。我也准备问几个销售员，看一下现在的市场环境怎么样，听说有几家竞争对手也缩水了，是不是这个原因。
用结构化思维梳理，就是：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。

公式化

1. 公式化分析思维意味着：上下互为计算（一切皆可量化）、左右呈关联（最小不可分割）
2. 公式化可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。
3. 举例：分析某产品的销售额较低的原因，用公式法分解

• 某产品销售额=销售量 X 产品单价
• 销售量=渠道 A 销售量 + 渠道 B 销售量 + 渠道 C 销售量 + …
• 渠道销售量=点击用户数 X 下单率
• 点击用户数=曝光量 X 点击率

第一层：找到产品销售额的影响因素。某产品销售额=销售量 X 产品单价。是销量过低还是价格设置不合理？

第二层：找到销售量的影响因素。分析各渠道销售量，对比以往，是哪些过低了。

第三层：分析影响渠道销售量的因素。渠道销售量=点击用户数 X 下单率。是点击用户数低了，还是下单量过低。如果是下单量过低，需要看一下该渠道的广告内容针对的人群和产品实际受众符合度高不高。

公式拆解法是针对问题的层级式解析，在拆解时，对因素层层分解，层层剥尽。

业务化

1. 数据业务化，就是在实际业务环境中，给已有数据赋值，从而提升产品的商业价值。简单来说，就是通过已有的运营数据，找出数据中的规律，总结出改进方向，从而指导产品的销售、包装等各个方面的策略，从而提升产品的商业价值。

2. 数据分析，应落地到业务中。
   例如：如何预估广州地区的共享单车投放量？
   这里可以从以下四个方面进行考虑：城市流动人口、人口密度、城市交通数据、保有自行车量，当然，别忘了还有非常重要的一个因素：单车损耗率！
   

3. 数据业务化的核心是让数据产生价值。为此，需要三个环节：

   1）将业务问题定义为数据可分析问题；

   2）对数据可分析问题做分析建模；

   3）对最后的分析结果和模型进行业务实施。
   
   **PS：**用结构化思考+公式化拆解，获得的最终分析论点。很多时候是现象。数据是某个结果的体现，但不代表原因。

数据分析的思维技巧

三种核心思想是框架型的指引，实际应用中也应该借助思维的技巧工具，达到四两拨千斤的效果。并且，它们应该足够简单。

象限法

1. 核心：象限法是一种策略驱动的思维；
2. 优点：直观、清晰，对数据进行人工的划分。划分结果可以直接应用于策略；
3. 应用：适用范围广、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；
4. 须知：象限划分可以按中位数，也可以按平均数，或者是经验。
   
   
   

多维法

1. 核心：多维法是一种精细驱动的思维；
2. 优点：处理大数据量，维度丰富且复杂的数据有较好的效果。但是维度过多，会消耗不少时间；
3. 应用：只要数据齐全且丰富，均可以应用；
4. 须知：对不同维度进行交叉分析时，须要注意辛普森悖论。

辛普森悖论为英国统计学家E.H.辛普森于1951年提出的悖论，即在某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论。
原因与应对策略：
原因：误区产生的原因说起来也很简单，就在于将“值与量”两个维度的数据，归纳成了“值”一个维度的数据，并进行了合并。
应对策略：如果要避免“辛普森悖论”给我们带来的误区，就需要斟酌个别分组的权重，以一定的系数去消除以分组资料基数差异所造成的影响。而在实际转化例子中，就需要用如“ARPU”、“ARPPU”这样看似相似实际上有很大差异的指标来进行分割。同样地，如果要更客观分析产品的运营情况，就需要设立更多角度去综合评判。还是拿上述的设备转化率为例，产品层考虑转化的前提会优先考虑分发量、用户量、运营思路、口碑等等。而往往为了实现最后的转化需要，需要更多前置目标做铺垫。

6. 多维法有钻取，上卷，切片切块，旋转五种方法。
   

假设法

1. 核心：假设法是一种启发思考驱动的思维；
2. 优点：当没有直观数据或者线索能分析时，以假设先行的方式进行推断，这是一个论证的过程；
3. 应用：它更多是一种思考方式，假设——验证——判断；
4. 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，只能自圆其说。
   

指数法

1. 核心：多维法是一种目标驱动的思维；
2. 优点：目标驱动力强，直观、简洁、有效。对业务有一定的指导作用。一旦设立指数，不易频繁变动；
3. 应用：和假设法不同，假设法是缺乏有效的数据，指数法是无法利用数据而将其加工成可利用的；
4. 须知：指数法没统一的标准，很多指数更多依赖经验的加工。
   
   
   

二八法

1. 核心：多维法是一种只抓重点的思维；
2. 优点：和业务紧密相关，和KPI更紧密相关。几乎花费最少的精力就能达到不错的效果，性价比很优；
3. 应用：二八法则存在几乎所有的领域，所以这种分析思维没有局限；
4. 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。
   

对比法

1. 核心：对比法是一种挖掘数据规律的思考方式；
2. 优点：对比法可以发现很多数据间的规律，它可以与任何思维技巧结合，比如多维对比、象限对比、假设对比等；
3. 应用：对比更多是一种习惯，是数据分析的牛角尖，一次合格的分析，一定要用到n次对比；
4. 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。
   
   
   

漏斗法

1. 核心：对比法是一种流程化思考方式；
2. 优点：单一的漏斗分析没有用，转化率20%，但是能说明什么呢？它要和其他分析思维结合，比如多维，比如对比；
3. 应用：涉及到变化和流程的都能用；
4. 须知：单一的转化率没用。
   

如何在业务时间锻炼数据分析思维

保持好奇心，多问为什么，结合案例分析。

2.


3. 这个夜市一天的人流量是多少？一年的人流量又是多少？
4. 【现煮小卷】每天的营业额是多少？
5. 这个夜市，哪家店的利润是最高的？它比最低的高出多少？原因是什么？
6. 如何从数据分析的角度提高最低的营业额？
7. 夜店准备弄一次活动，如何设计一套数据评估方案评估活动效果？
8. 为什么领导或者同事不认同这次分析？原因是什么？
9. 如果我的职位比现在高两级，我会去怎么分析？
10.让我再次分析一年前做的那个案例，我会怎么去优化和改进？
我的历史分析，能用三种核心思维去优化和迭代吗？

总结

要对事物充满好奇心，站在不同的角度，多问为什么，多去思考如何做，分析一个问题需要了解该领域范围中的相关问题，点线面相结合，培养良好的逻辑思维及数学解决能力。感觉思维这种东西培养起来挺难的，很好奇他们头脑中怎么会冒出这么多的想法。第一周的学习，还是感觉到了数据分析的难处，它是否比前端后端开发要简单呢？！不管怎么说，第一周的学习是一个很好的开始，一步一步来吧，再难也要把它学会。
PS：我是在网上看的视频学习，这算是学习笔记吧，因为我要借助这个平台坚持输入输出，让自己不断进步！

最后

以上就是自由水壶为你收集整理的数据分析数据分析思维数据分析的思维技巧总结的全部内容，希望文章能够帮你解决数据分析数据分析思维数据分析的思维技巧总结所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。