数据本身没有价值，合理的分析利用之后才能提炼有用信息。
数据分析说白了就是将特定范围的数据进行不同维度的组合，展示关键指标的状态，找到问题，分解原因，制定方案。从数据转变为信息的过程中，数据的选取、出路、结构的布局都是有一定思路的，或者说是思维方式，来作为统一的分析模式，这样的模式，以下罗列了4点。
思维一：对比
单个数据摆在那儿，看不出苗头，必须与同类数据作对比，比如环比、同比。很多敷衍了事的数据分析报告，直接汇报了数量、金额等这种单薄的数据，领导并不能看出有什么差异，这时如果你放上环比，同期比这些能明确体现效果的指标，甚至计算投入产出，这些分析结果都有价值得多。
比如下图就将本期数据与上期作对比，并展示出差额，能明显得看到变化情况。
思维二：维度拆分
维度除了对比还可以拆分。给大家描述一个场景。
当财务部门分析今年的净资产收益率为什么会下降2%的时候，对比就不起作用了。要对净资产收益率这个维度做分解。
净资产收益率=总资产收益率*权益系数
总资产收益率=注意业务收益率*总资产周转率
依次分解，就得到熟悉的杜邦模型，利用这样一个数据展示可以实时了解各项指标，帮助分析。
这样一种思维方式的好处就是：判断越细致，越利于解决问题阶段采取有效精准的措施。
思维三：降维/增维
降维：当数据维度太多的时候，我们不可能每个维度都拿来分析，有一些有关联的指标，是可以从中筛选出代表的维度即可。
上述的数据维度，不必每个都分析。比如“成交用户数/访客数=转化率”，所以当存在这种维度时，是可以通过其他两个维度计算出来的，就可以“降维”。即三选二。
通过我们只关心对自己有用的数据，当某些维度的数据跟我们的分析无关时，就可以过滤掉，达到“降维”目的。
增维：如果当前的数据维度不能很清晰很全面地解释问题时，就需要对数据做一个运算，多增加一个指标
搜索指数和一个宝贝数，这两个指标一个代表需求，一个代表竞争，有很多人把搜索指数/宝贝数=倍数，用倍数来代表一个词的竞争度（仅供参考）。这种做法，就是在给数据增维。增加的维度有一种叫法称之为“辅助列”。
在对数据进行增维或降维前，需要充分了解数据本省的意义以及指标间的关系，有目的地对数据进行转换处理和运算，最终实现数据分析的目的。
思维四：假说演绎
在思考时迷茫或找不到方向时，可以尝试使用假说演绎法，也就是假设，可以尝试猜测结果，然后反向递推思考，从结果出发，细分原因。
例如，在做未来年度指标或者阅读指标的时候，不能随便画大饼，可以先立下一个目标，然和细分指标，分配到个人，然后依据个人情况和历史情况思考是否合理。或者做市场活动，设想要达到什么样的结果，结果量化是什么样的指标，然后哪些方面需要做工作等等。
除此之外，过程也是可以被假设的，这里就不多细说。
以上就是数据分析的四个思维方式，在做简单数据分析时可对应尝试套用。很多数据分析工具的设计都有这方面的体现，可以在思维上协助分析。
比如数据可视化工具FineBI在对于降维、升维方面可以在已有字段的基础上，根据需要增加新的字段。又比如在最新的FineBI4.0中，新增了“新建螺旋分析”的功能，可以在前端对数据进行处理，不涉及数据库中的数据。以下是FineBI的dasnboard（管理驾驶舱）展示。
网友评论