作为新手数据分析师或数据运营，在面对数据异常的时候，好多小伙伴都会出现：
“好像是A引起的” ，“好像也和B渠道有关”，“也可能是竞争对手C做了竞争动作”等主观臆测。
面对数据报表，也不知道应该从产品维度、时间维度、地域维度还是渠道维度去拆分。
很显然，这样的思维是乱的，所以做数据分析很重要的一点是：要具备结构化的分析思维。
最近读到一本书，书中讲到了数据化运营的思维方式，感觉受益匪浅。我又在此基础上加入了一些自己的理解，希望能与各位小伙伴一同探讨和学习，也希望这些内容能帮助我们在工作中迸发更多的灵感。
01、信度与效度思维
信度与效度也许是全文最难理解的部分，但也是最为重要的一部分。没有这个思维，决策者很有可能在数据中迷失。
信度与效度的概念最早来源于调查分析，但我们可以引申到数据分析工作的各方面。
所谓信度，是指一个数据或指标自身的可靠程度，包括准确性和稳定性。
取数逻辑是否正确？有没有计算错误？这属于准确性；
每次计算的算法是否稳定？口径是否一致？以相同的方法计算不同的对象时，准确性是否有波动？这是稳定性。
做到了以上两个方面，就是一个好的数据或指标了？
其实还不够，还有一个更重要的因素，就是效度！
所谓效度，是指一个数据或指标的生成，需贴合它所要衡量的事物，即指标的变化能够代表该事物的变化。
只有在信度和效度上都达标，才是一个有价值的数据指标。
举个例子：要衡量身体的肥胖情况，我选择了穿衣的号码作为指标，一方面，相同的衣服尺码对应的实际衣服大小是不同的，会有美版韩版等因素，使得准确性很差；同时，一会儿穿这个牌子的衣服，一会儿穿那个牌子的衣服，使得该衡量方式形成的结果很不稳定；所以，衣服尺码这个指标的信度不够。
另一方面，衡量身体肥胖情况用衣服的尺码大小？你一定觉得荒唐，尺码大小并不能反映肥胖情况，是吧？因此效度也不足。
体脂率，才是信度和效度都比较达标的肥胖衡量指标。
在我们的现实工作中，许多人会想当然地拿了指标就用，这是非常值得警惕的。
你要切骨头却拿了把手术刀，是不是很可悲？信度和效度的本质，其实就是数据质量的问题，这是一切分析的基石，再怎么重视都不过分！
02、平衡思维
说到天平大家都不陌生，平衡的思维相信各位也都能很快理解。
简单来说，在数据分析的过程中，我们需要经常去寻找事情间的平衡关系，且平衡关系往往是关乎企业运转的大问题，如市场的供需关系，薪资与效率关系，工作时长与错误率的关系等等。
平衡思维的关键点，在于寻找能展示出平衡状态的指标！也就是如图中红框，我们要去寻找这个准确的量化指标，来观察天平的倾斜程度。
怎么找这个指标呢？一般先找双向型的问题，即高也不是低也不是的问题，然后量化为指标，最后计算成某个比率，长期跟踪后，观察它的信度和效度。
03、分类思维
客户分群、产品归类、市场分级、绩效评价...许多事情都需要有分类的思维。
那么许多人就模糊了，到底分类思维怎么应用呢？
关键点在于，分类后的事物，需要在核心关键指标上能拉开距离！也就是说分类后的结果，必须是显著的。
如图，横轴和纵轴往往是你运营当中关注的核心指标（当然不限于二维），而分类后的对象，你能看到他们的分布不是随机的，而是有显著的集群的倾向。
举个例子，假设该图反映了某个消费者分群的结果，横轴代表购买频率，纵轴代表客单价，那么绿色的这群人，就是明显的“人傻钱多”的“剁手金牌客户”。
04、矩阵思维
矩阵思维是分类思维的发展，它不再局限于用量化指标来进行分类。许多时候，我们没有数据做为支持，只能通过经验做主管的推断时，是可以把某些重要因素组合成矩阵，大致定义出好坏的方向，然后进行分析。
大家可以参考经典的管理分析方法“波士顿矩阵”模型。
05、管道/漏斗思维
这种思维方式已经比较普及了，注册转化、购买流程、销售管道、浏览路径等，太多的分析场景中，能找到这种思维的影子。
但我要说，看上去越普通越容易理解的模型，它的应用越得谨慎和小心。在漏斗思维当中，我们尤其要注意漏斗的长度。
漏斗从哪里开始到哪里结束？
以我的经验，漏斗的环节不该超过5个，且漏斗中各环节的百分比数值，量级不要超过100倍（漏斗第一环节100%开始，到最后一个环节的转化率数值不要低于1%）。
若超过了这两个数值标准，建议分为多个漏斗进行观察。当然，这两个是经验数值，仅仅给各位做个参考～
理由是什么呢？超过5个环节，往往会出现多个重点环节，那么在一个漏斗模型中分析多个重要问题容易产生混乱。
数值量级差距过大，数值间波动相互关系很难被察觉，容易遗漏信息。比如，漏斗前面环节从60%变到50%，让你感觉是天大的事情，而漏斗最后环节0.1%的变动不能引起你的注意，可往往是漏斗最后这0.1％的变动非常致命。
06、相关思维
我们观察指标，不仅要看单个指标的变化，还需要观察指标间的相互关系！有正相关关系（图中红色实线）和负相关关系（蓝色虚线）。最好能时常计算指标间的相关系数，定期观察变化。
相关思维的应用太广了，我这里就说一点，往往是被大家忽略的。现在的很多企业管理层，面对的问题并不是没有数据，而是数据太多，却太少有用的数据。相关思维的其中一个应用，就是能够帮助我们找到最重要的数据，排除掉过多杂乱数据的干扰！
如何执行呢？你可以计算能收集到的多个指标间的相互关系，挑出与其他指标相关系数都相对较高的数据指标，分析它的产生逻辑，对应的问题，并评估信度和效度，若都满足标准，这个指标就能定位为核心指标！
建议大家养成一个习惯，经常计算指标间的相关系数，仔细思考相关系数背后的逻辑，有的是显而易见的常识，比如订单数和购买人数，有的或许就能给你带来惊喜！
另外，“没有相关关系”，这往往也会成为惊喜的来源哦。
07、远近度思维
许多处在管理层的朋友大多数都会遇到这样一个问题，他们往往手握众多数据和报表，注意力却是非常的跳跃和分散。
这当然不是好现象，但如何避免呢？
-
一是上文说的通过相关思维，找到最核心的问题和指标；
-
二就是这部分要说的，建立远进度的思维方式。
确定好核心问题后，分析其他业务问题与该核心问题的远近程度，由近及远，把自己的精力有计划地分配上去。
比如，近期你的核心任务就是提高客服人员的服务质量，那么客服人员的话术、客户评价通道、客服系统的相应速度等就是靠的最近的子问题，需要重点关注。而客户的问询习惯、客户的购买周期等就是相对远的问题，暂时先放一放。
Ps：因对客服行业没有深入的调研，如果例子举得不恰当，还请大家多多包涵~。
08、逻辑树思维
如图的树状逻辑相信大家已经见过许多回了。一般说明逻辑树的分叉时，都会提到“分解”和“汇总”的概念。
我们这里把它变一变，使其更贴近数据分析，称为“下钻”和“上卷”。
下钻，就是在分析指标的变化时，按一定的维度不断的分解。所谓上卷就是反过来。
随着维度的下钻和上卷，数据会不断细分和汇总，在这个过程中，我们往往能找到问题的根源。
下钻和上卷并不是局限于一个维度的，往往是多维组合的节点，进行分叉。
事实上，逻辑树思维也可以理解为结构化思维或“金字塔思维”
更详细来讲就是：
-
核心论点：寻找金字塔的塔点（假设/预测/问题/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/依赖关系
-
MECE：相互独立，完全穷尽（分论点之间避免交叉重复，尽量完善）
-
验证：核心论点/分论点都是可量化的、可验证的，要用数据说话
举个简单的例子：比如我们发现有一个线下的销售产品，9月份销售额比去年同比下降了20%
按照结构化的思维我们就可以将问题拆分为：
09、公式化思维
上面学习了逻辑树思维，但它有个缺点：不够公式化。
公式化分析思维意味着：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）
公式化可以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。
我们将上图中结构化的思维导图再加上公式化，就变成下面这样子：
10、溯源思维
逻辑树思维这部分有一个分支为是溯源思维。
比如我们都曾听到过这样一个问题分析案例：
杰斐逊大厦墙有裂痕，为什么？
因为墙面经常冲洗，被腐蚀了。
为什么冲洗？冲洗是因为鸟粪多。
为什么会有鸟粪？因为蜘蛛多，鸟过来觅食。
为什么蜘蛛多？因为这里阳光好利于繁殖。
怎么解决墙面问题，不是用环保清洗剂也不是用电网防蜘蛛，拉上窗帘就行了。
这是5Why分析法最直接的应用。在日常工作中，我们经常会出现抓不住问题本质的情况，只是“肤浅”看到表面问题。如同上面故事一样：这次修好墙的裂痕很快就会出现相同问题。
对数据分析师来说，要有“打破砂锅问到底”的精神，解决问题之前先要分析问题，挖掘问题的本源，这样问题也就会迎刃而解了。
11、时间序列思维
很多问题，我们找不到横向对比的方法和对象，那么，和历史上的状况比，就将变得非常重要。
很多时候，我们都愿意用时间维度的对比来分析问题，比如同比、环比、定基比。
这种方式容易排除掉一些外在的干扰，尤其适合创新型的分析对象，比如一个新行业的公司，或者一款全新的产品。
时间序列的思维有三个关键点：
-
一是距今越近的时间点，越要重视（图中的深浅度，越近期发生的事，越有可能再次发生）；
-
二是要做同比（图中的尖头指示，指标往往存在某些周期性，需要在周期中的同一阶段进行对比，才有意义）；
-
三是异常值出现时，需要重视（比如出现了历史最低值或历史最高值，建议在时间序列作图时，添加平均值线和平均值加减一倍或两倍标准差线，便于观察异常值）。
时间序列思维有一个子概念不得不提一下，就是“生命周期”的概念。用户、产品、人事等无不有生命周期存在。直觉上我们把生命周期衡量清楚，就能很方便地确定一些“阀值”问题，使产品和运营的节奏更明确。
12、循环／闭环思维
循环／闭环的概念可以引申到很多场景中，比如业务流程的闭环、用户生命周期闭环、产品功能使用闭环、市场推广策略闭环等等。许多时候你会觉得这是一个不落地的概念，因为提的人很多，干出事情来的例子很少。但实际上这种思考方式是非常必要的。
业务流程的闭环是管理者比较容易定义出来的，列出公司所有业务环节，梳理出业务流程，然后定义各个环节之间相互影响的指标，跟踪这些指标的变化，能从全局上把握公司的运行状况。
比如，一家软件公司的典型业务流：推广行为（市场部）?流量进入主站（市场＋产研）?注册流程（产研）?试用体验（产研＋销售）?进入采购流程（销售部）?交易并部署（售后＋产研）?使用、续约、推荐（售后＋市场）?推广行为
一个闭环下来，各个衔接环节的指标，就值得关注了：广告点击率?注册流程进入率?注册转化率?试用率?销售管道各环节转化率?付款率?推荐率／续约率...
这里会涉及漏斗思维，如前文所述，千万不要用一个漏斗来衡量一个循环。有了循环思维，你能比较快的建立有逻辑关系的指标体系。
说到闭环思维就一定会想到美国质量管理专家休哈特博士提出的PCDA循环。PDCA是英语单词Plan(计划)、Do(执行)、Check(检查)和Action(处理)的第一个字母。
-
P (plan) 计划：包括方针和目标的确定，以及活动规划的制定。
-
D (Do) 执行：根据已知的信息，设计具体的方法、方案和计划布局；再根据设计和布局，进行具体运作，实现计划中的内容。
-
C (Check) 检查：总结执行计划的结果，分清哪些对了，哪些错了，明确效果，找出问题。
-
A (Action)改进：对总结检查的结果进行处理，对成功的经验加以肯定，并予以标准化；对于失败的教训也要总结，引起重视。对于没有解决的问题，应提交给下一个PDCA循环中去解决。
以上过程不是运行一次就结束，而是周而复始的进行，一个循环完了，解决一些问题，未解决的问题进入下一个循环，这样阶梯式上升的。
数据分析师的PDCA：
-
P(Plan)计划：针对需求-发现问题-明确任务
-
D(Do)执行：提取数据-观察变化-多维分析-交叉分析-预测趋势
-
C(Check)检查：问题修正、优化分析
-
A(Act)处理：生成策略、推动落地、复盘效果，进入下一个PDCA循环。
数据分析师与业务方或管理层形成反馈闭环，才能在每次循环中更好的发挥数据分析的作用。
13、测试／对比思维
AB test，大家肯定不陌生了。
那么怎么细化一下这个概念？
-
一是在条件允许的情况下，决策前尽量做对比测试；
-
二是测试时，一定要注意参照组的选择，建议任何实验中，都要留有不进行任何变化的一组样本，作为最基本的参照。
在做对比分析的时候要注意：
-
指标的口径范围、计算方法、计量单位、指标类型必须一致。
-
与对比对象之间的相似处越多，越具有可比性，对比也更有参考价值。
14、极端化思维
许多时候，我们总觉得想解答的问题受到各种因素的干扰，有正向的也有反向的。
这时，建议大家启用极端化思维：
-
一是把众多因素极端地缩减到1个或者2个；
-
二是把这一两个因素的影响放到最大。
例如，在思考竞争格局时，不妨将思考因素锁定为一个，并将它的影响设定为最大（如潜在进入者只有一家，它是全球最有钱的公司），然后想想我们自身的机会在哪里，该怎么做。
在数据分析中，多因素影响的窘境是经常遇到的。往往一个指标的变动受到太多因素的影响，根本分解不出来。这时，就会假设指标只受到与它相关性最高的那一个因素的影响，同时维度上也只挑选一个维度，然后去探查原因。
15、反向思维
反向思维一般应用在历史数据回顾这样的场景中。在回顾历史数据的需求产生时，往往会先列出一堆当前看来非常正常的事情，然后一项项地将当前正常的事情所对应的反常情况罗列出来，最后到历史数据中寻找反常事件出现的时间或者维度。
在运营中，我们可以采用这种思维方式观察数据，或者不自觉地采用这种思维方式观察数据。我们将自己认知的正常的数据表现（大部分情况下出现的）进行详细的罗列，然后列出它们所对应的反常情况。在追踪数据时，我们的注意力就着重放在这些反常情况上。反常情况一旦出现，我们就需要定位问题。
16、队列分析思维
随着数据运算能力的提高，队列分析（Cohort Analysis）的方式逐渐崭露头脚。
队列分析思维是按一定的规则，在某些维度上将观察对象切片，组成一个观察样本，然后观察这个样本的某些指标随着时间的演进而产生的变化。目前使用得最多的场景就是留存分析。
举个例子：公司在5月17日举办了一次促销活动，将这一天来的新用户作为一个观察样本，观察他们之后每天的活跃情况。可以想象，若在5月17日、6月17日、7月17日都举办了活动，那么这三天来的新用户，在注册后一段时间的使用情况就像3条队伍一样向后延伸。
17、假设思维
假设思维是指当我们没有足够的数据和证明来证明某件事的时候，可以先做假设，再去分析数据，验证假设是否成立。
在数据分析中，假设思维的专业术语为假设检验，即根据问题提出假设-抽取数据-检验假设是否成立-验证结果。
18、归纳思维
归纳是从“具体到一般”的过程，也就是从一些事例中总结规律的过程。
比如我们知道铁、银、铜……能导电（具体），这三种物质都是金属，总结出金属能导电（一般）。
19、演绎思维
演绎是从“一般到特殊”的过程，也就是说基础原理推演出具体情况。
比如我们知道金属能导电（一般），铁是金属。从而推理出铁是能导电的。
20、指数化思维
指数化思维，是指将衡量一个问题的多个因素分别量化后，组合成一个综合指数（降维），来持续追踪的方式。把这个放在最后讨论，目的就是强调它的重要性。前文已经说过，许多管理者面临的问题是“数据太多，可用的太少”，这就需要“降维”了，即要把多个指标压缩为单个指标。
指数化的好处非常明显：
-
一是减少了指标，使得管理者精力更为集中；
-
二是指数化的指标往往都提高了数据的信度和效度；
-
三是指数能长期使用且便于理解。
指数的设计是门大学问，这里简单提三个关键点：
-
一是要遵循独立和穷尽的原则；
-
二是要注意各指标的单位，尽量做标准化来消除单位的影响；
-
三是权重和需要等于1。
独立穷尽（MECE）原则，即你所定位的问题，在搜集衡量该问题的多个指标时，各个指标间尽量相互独立，同时能衡量该问题的指标尽量穷尽（收集全）。
举个例子：我们设计某公司销售部门的指标体系时，目的是衡量销售部的绩效，确定了核心指标是销售额后，我们可以将绩效拆分为订单数、客单价、线索转化率、成单周期、续约率5个相互独立的指标，且这5个指标涵盖了销售绩效的各个方面（穷尽）。
最终我们设计的销售绩效综合指数＝0.4*订单数＋0.2*客单价＋0.2*线索转化率＋0.1*成单周期＋0.1*续约率，各指标都采用max-min方法进行标准化。
总结：
各种思维方式的应用，没有孰好孰坏，是否启用也是比较随机的。总的来说，数据质量是数据分析最大的前提，动手前，一定要保证好数据质量！
还有最重要的一点是数据分析师一定要深入理解业务，如果不懂业务，数据分析师很可能就会成为一个没有业务Sense的“取数机器”，因为数据分析师分析的从来不是“数据”而是“业务”。
请记得，能够通过数据驱动业务增长，是数据分析师最核心的价值。
End.
* 参考资料：【1】《数据化运营速成手册》 【2】搜狗百科
RECOMMEND推荐阅读
上期问题：
你是淘宝的数据分析师，现在需要你预估双十一的销量，你不能获得双十一当天和之前的所有数据。只能获得11月12日开始的数据，你应该如何预估？
答案解析：
因为是开放题，所以没有固定答案，大家的回答分为两类：
-
一类是通过后续双十一的销量，判断16年，缺点是需要等一年，优点是简单到不像话。
-
二类是通过11月12日之后的销量数据，往前预估，期间会考虑一些权重。缺点是双十一属于波峰，预估难度大，优点是可操作性好。
因为题目主要看的是分析思维，目的是找出可能的思路，所以有没有其他的方法呢？我们尝试把思维放开，因为销量能反应商品，有没有其他维度？
我们可能会想到：退换货率、和商品评价率。因为双十一的商品只能在12日后退换货和收货后评价，我们就能根据这两个指标平日的平均比率，以及双十一商品的后续退换和评价总数，预估卖出总量。退换货率肯定会虚高一些（毕竟双十一退货不少），那么商品评价率更准确。
还有其他方法么？当然有，比如会有不少人用蚂蚁花呗支付双十一，那么后续还款的比率能不能预估？
如果再将思路放开呢？虽然我不知道淘宝当天的数据，但是可以寻求外部数据，比如京东，京东的双十一销量是多少，是平时的多少倍，那么就用这个倍数去预估淘宝的。
整体的分析结构就分为：
外部数据：
-
京东等其他平台双十一销量
内部数据：
-
商品数据-商品评价率、退换货率、商品销量
-
支付数据-蚂蚁花呗支付比率等
