本文陆续汇总一些看到的、思考总结的东西。先不求条理性，后期再整理好。
一、数据思维
定义引用某处看到的：“数据思维，即从数据中发现问题、解决问题的能力”
数据思维从何而来：“我们对掌握的数据知识和技能形成的一些认知”，涉及到思维，免不了都有点形而上的意味
以下围绕数据思维做一些展开：
数据思维的底层：数据敏感性
什么是数据敏感性？一个专业厨师对火候、刀工、辅料配比的控制肯定要比一个普通人强。当你看见一个美女时，你只会“卧槽”，而你的好基友脱口而出“8分”时，你们2个人的数据敏感性立分高下。这样，我们引出了数据敏感性的关键要素：定量、精确。并且对临界值敏感。
如何发现问题
要发现问题，首先要发现数据中隐藏的信息，而发现隐藏信息，一般有三种方式：
- 假设检验：先预设观点，而去检验
- 逻辑推理：通过逻辑发现问题
- 变换视角：从不同视角看，会有不同的问题
如何解决问题
要解决问题，得先明确问题，这样可以节省大量不必要的时间，这里包括三个方面：
- 问题的本质是什么？是否可以简化？
比如老板问你这个月收入为什么比上个月少30%，你得知道“这个月”与“上个月”使用的是什么数据对比，第一步就是对齐问题的理解，然后你得通过历史数据、市场行情判断下降30%是较好、正常还是较差，如果是较好或正常，这个问题直接就不成立了。 - 问题要达成的目标是什么？
如果历史数据表明，两个月之间的收入变化有10%的波动，那么就需要与老板对齐：是不是收入变化在10%以内就算达成目标了？ - 可利用的资源有哪些？
清楚了问题后，可能需要各个部门的配合，所以还需要跟老板沟通好：自己是否有权提取必要的数据？
总结以上，构建问题包括明确问题和回顾历史数据
接下来就是技术性工作了，包括问题建模，选择需要的变量，收集数据，分析数据，传达结果，采取行动。
数据分析师有什么价值
- 呈现决策数据
搭建数据监控体系是重要的呈现决策数据的手段。对于数据监控体系指标的选取标准：一是重要性，二是不可替代性，三是可落实责任人 - 定位数据问题
- 探索数据价值
二、数据分析师的成长之路
- 入门思维：细分思维（横向指标拆解，纵向时间），对比思维（不同时间、不同处理后的数据变化），联系思维（变量间影响关系）
- 数据思维：见上
- 企业中成长三板斧：混（与业务部门人员混在一起）、通（数据不是孤立的，要与商业问题相结合）、晒（晒出分析报告，得到反馈）
- 批判性思维：区分事实与观点，判断相信哪些
- 横向思维：出现问题，分析为什么是常理，但思考“还可能会出现什么结果”或许很有价值，不能只见树木不见森林
- 主干思维：一个问题的关键要素一般只占20%（打个比方），先解决关键部分是首要的
- 边界思维：解决了主干后，枝叶要解决到什么程度，需要从成本、效益、效率等角度权衡
- 逻辑思维：三段论（前提、逻辑严谨、结论正确）
- 业务思维与商业思维：业务思维就是针对指定数据，能够给出科学合理的业务解释及业务意义（业务角度），商业思维就是思考如何挣钱以及如何更高效率的挣钱（老板角度）
三、常见分析目的与对应方法
- 简化问题：逻辑树
- 战略规划：PEST（政治、经济、社会、技术）、SWOT（优势、劣势、机会、威胁）、波特五力（供应商的议价能力、购买者的议价能力、潜在竞争者进入的能力、替代品的替代能力、行业内竞争者现在的竞争能力）
- 开放性思考：多维拆解
- 假设检验：T检验、U检验、非参数检验
- 用户行为分析：AARRR漏斗（获取、激活、留存、收入、自传播）
- 用户价值分类：RFM（最近购买时间、频次、金额）
- 流失分析：群组分析
- 财务分析：杜邦分析
- 需求优先级：KANO
- 分类：聚类（样本分类与指标分类）、矩阵分析、判别分析
- 相关分析：（协）方差分析（定类-定量）、卡方检验（定类-定类）、因子分析、线性规划、Mentel-Hanszel分层分析（三维表）、关联规则挖掘
- 对比分析：PSM（倾向得分匹配）
- 描述统计：集中趋势、偏度、峰度、异常值与缺失值、正态检验
- 信度分析（测量的可信度，如调查问卷真实性）：外在信度（重测信度：不同时间测量的一致性）、内置信度（分半信度）
- 回归预测：线性回归、逻辑回归
- 时序预测：ARIMA、RNN
- 生存分析：Cox比例风险回归分析法、AFTSurvivalRegression（加速失效时间生存回归）
网友评论