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
网友评论