我做了十年数据分析，见过985硕士毕业生因为没有思维框架不知道从哪里入手，也见过职场老鸟逻辑不清晰导致犯错，所以准备谈谈我是如何建立自己的逻辑思维，从而让别人觉得我逻辑严谨。

此处以数据分析为例，但是可以适用很多方面。

1、说事实，而不是观点

第一个要训练的思维方式便是：只说事实，不说观点。

事实和观点这两个名词看起来区别很大。但实际上在生活中我们经常会将两者混淆。

比如说你的同事告诉你：最近的转化率大幅下降。这句话到底是事实还是观点呢？很显然这句话是观点。究竟下降多少算大幅下降？也许你认为的大幅下降在我看来变化并不大。

那么如果他说：转化率下降了。

这句话是事实还是观点呢？这句话看起来已经非常像事实了，但是实际上它依然属于观点。

有这样一种情况，转化率在短期内它看起来是下降的，但是你站在宏观的层面上，以月为单位甚至以年为单位，它是它是上涨的，那么你究竟说他是上涨还是下跌呢

那么什么是事实？

周一到周三的转化率持续下降，周三相比周一已经下跌了5％。

这句话就是事实，这句话不同的人都能理解，不会出现歧义。

只有分清楚观点和事实才有继续分析的可能性。因为观点的沟通会出现误差，而事实则不会。如果我们用观点进行沟通，自然会出现大量的误解。

2、用客观标准代替主观判断

但是单纯只有数据，对业务问题的分析没有什么帮助，毕竟我们得知道这个数据到底带来了哪些业务信息，所以最后事实还是要归纳成“观点”。

想要解读出观点，我们需要先找到一个标准。

标准怎么找？

可以是老板定的标准，看数据是否符合老板心中的标准。虽然这也是拍脑袋，不过老板毕竟是老板，他们心中有些战略构想是建立在某些条件满足的基础上的。

可以看行业和竞品的平均标准，看数据下降是否是行业的普遍现象。

看企业过去的平均水平，可以在历史数据中找到类似场景下的数据情况，和自己的过去对比。

然后我们通过数据和这些标准进行对比，得出一个观点。

比如我们可以分析每周的情况，看历史上是否存在这一的趋势，平均下跌是多少？如果历史上每周三都会下跌，平均下跌7%，那么我们就可以认为目前数据比较正常，没有问题。

这样得出的结论全都是客观的，如果你不找标准，而用主观判断数据的好坏，那么不同部门的人会沟（shuai）通（guo）很久。

3、不预设立场

人们总是习惯于通过自己的现存经验和知识去判断未知事物，这种预设立场的思维在原始人的时代很有价值，其优势在于：不浪费宝贵的能量，快速决断，避免因为低效决断而错失机会

在数据分析的场景下，我们需要尽可能地找出真实原因。此时这种预设立场的决断方式会造成许多错误，因为现有经验和知识在应对未知事物时是不足的，是有偏差的。

如果出现了业务问题，关联的业务方往往预设一个立场：这事没有看起来那么糟，或者这事和我没关系。

比如转化率下降了，业务方的反应往往是这个数据下降肯定跟自己无关。

自己的运营活动明明做的很成功，转化率下降一定是行业因素、用户质量等等其他因素导致的。于是为了证明这个观点，他们顺着这个预设的前提，找到一些相关的证据来解释转化率下降的现实。

实际上，想要证明一个观点，只要你肯去找，不管观点多么荒谬，总能找到支持你的理由。不仅辛普森悖论这种统计学的把戏可以得出完全相反的结论，即使最简单的“真话不全说”的方法，也能达到这种目的。

比如，我说个比较荒诞的例子：比如中国男足，想要把男足描述成世界强队行不行？当然行。

1.哥斯达黎加是世界杯史上为数不多能够战胜中国队的国家

2.即使是巴西队这样的世界强队也仅战胜过中国队一次

3.自2002年韩日世界杯后，中国队在世界杯正赛上不败纪录已经延续12年

4.纵观漫长的世界杯史，中国队也仅输过三次

5.中国队从未在世界杯点球大战中失利过

6.中国队在领先的情况下从未丢过球

你看，只要你想证明一件事，总能找出一些证据。所以，预设立场再去找证据是一件相当不靠谱的事。

数据分析部门一般独立于业务部门之外，这样可以确保数据分析师没有业绩压力，分析具有独立性。因为数据分析的独立性，所以最终问题究竟是在产品上、运营上或者市场上，数据分析师不会有明显的偏向，只认客观数据。

但是假设验证和预设立场不同。

预设立场，是要找到证据来证明猜想，一个数据不行，那就换另一个数据。直到能证明这个观点为止。

而验证假设，则是事先规划验证这个假设需要的数据。如果数据最终不符合假设，那么就抛弃这个假设。

好的数据分析师，能够根据客观数据，随时抛弃旧的假设，并建立新的假设。

抛弃固有的思维定式，这是非常反人性的，这也是为什么说数据分析需要专业训练的原因。

4、演绎而不是归纳

逻辑思维方法分为归纳法和演绎法。

归纳法是从特殊到一般的推理，是从结果找原因的方法。也就是说，通过观察很多个别事物的特殊性，然后概括出同类事物的特征。

但是我们一般不可能观察到这个事物的所有样本。所以归纳法得出的结论是不确定正确性的。

你有没有听过这个故事：

在一个火鸡饲养场里，一只火鸡发现，不管是艳阳高照还是狂风暴雨，不管是天热还是天冷，不管是星期三和星期四，每一天上午的9点钟，主人都会准时出现，并给它喂食。

于是，它得出了一个惊天大定律：“主人总是在上午9点钟给我喂食。”

时间来到圣诞节的前一天，上午9点，主人又一次准时出现，但是这一次，主人带来的并不是食物，而是把它变成了食物….

这个是英国哲学家伯特兰·罗素提出的一个问题，被称为「罗素的火鸡」，用来讽刺那些归纳主义通过有限的观察，得出自以为正确的结论。

比如一月到三月的成交金额连续上升，初级分析师往往会说：成交金额呈现上升的趋势。

这句话的潜台词是，预计交易金额在四月份也会上升。

这是典型的归纳法思维：因为过去是这样的，所以未来应该也会继续这样。这和那只火鸡的思维其实也没有什么本质的差别。

而且这和没分析一样，你把数据丢给业务方，他们也能看出目前呈现上涨的趋势。如果想要做好数据分析，就不能滥用归纳法，这点依然很反人性。

那我们用演绎法，如何思考这个问题的呢？

演绎法是从一般到特殊的推理，是从原因找结果的方法。

要想预测四月份的成交金额会如何，首先需要分析前三个月的成交金额为什么会上涨？当时的背景是什么？上涨需要哪些条件？四月份的这些条件是否依然存在？如果维持成交金额上涨的条件不变，我们才能说四月份会继续延续这种上涨的势头。

经过演绎法推理的结论才是合理的，而且我们通过深挖找出了内部的原因，这才是业务人员想要知道的。

数据分析的价值就体现在这。

5、会懂的找出背后的逻辑

数据分析师是需要大量的逻辑思维训练，但我们自己做好还不够，我们的工作必需和业务方沟通，帮助他们解决实际的业务问题。

但是很多业务人员没有考虑清楚就跑来沟通，他们的需求可能充满了逻辑问题，这时我们就需要帮对方理清思路，找出对方表述背后的逻辑。

数据分析师往往会听到业务方这样问：本周的转化率相比上周已经下降了5%，怎么办？这句话听起来感觉没什么问题，实际上逻辑并不是特别严密。

首先，这句话的前半部分很好地表达了事实，值得表扬。如果前半句是一个观点，我们还要先找到事实。

但是这句话的后半句有问题，后半句的“怎么办”，放在这个语境中，潜台词其实是这样的：

本周转化率相比上周下降了5%

这是个不好的情况

需要解决这个问题

怎么办？

相比最开始的表述，我们分析出这句话中间出现了两个衍生的问题。

问题1：转化率下降5%真的是不好的情况吗？

这就涉及到了标准了，之前提到了我们要找到一个客观标准，通过标准解决出数据的业务含义。因此我们首先要协助业务方找到一个标准。

问题2：如果数据表现真的不好，那么这是现在急需解决的问题吗？

这个问题的答案也是不一定。商业世界要解决的问题太多，在同一时刻，永远存在着各种各样的问题。而企业的资源是有限的，不可能同时解决所有的问题。问题的解决必然有轻重缓急之分。

那么凭什么要先解决转化率的问题，而不是解决引流的问题、留存的问题、活跃度的问题？

数据分析师必须了解企业当前的战略方向，把有限的资源投入到更重要的方向上。

如果上面这两个隐藏的问题不想清楚，就开始分析怎么办，那么这类分析师的工作往往会费力不讨好，做很多低绩效的工作。