为什么数据分析思维比较重要？
在夜市，有两家卖米线的摊位，他们的摊位位置一样优越，座位相同，就连米线的味道也一样美味，但是一年后，甲赚钱买了房，而乙却没有像甲一样赚那么多钱。
这是为什么呢？原来是因为甲发现，虽然两家米线做的都很美味，不缺乏顾客，但是刚做好的米线很烫，一个顾客要15分钟才能吃完，所以甲摊位，把煮好的面线在冰水里泡30秒再端给顾客，温度刚刚好。
这样既为客户节省时间，自己也可以让钱进账更快一些。
这就是分析思维价值的体现，其实在现实生活中有很多商业活动，背后都是分析思维在发挥作用
一.三种核心思维
1. 结构化
(1)为什么要结构化？
为什么分析的思路总是一团乱麻？
避免分析问题时：
- 想到一点是一点
- 做假设，乱打一枪
- 一次性分析，没有复用性
- 最终还是没有结果
本质上，就是：思维混乱，没有明确的分析体系。
(2)什么是结构化？
结构化，就是将分析思维结构化
建一座分析的金字塔，建一张问题分析的思维导图
- 将论点归纳和整理；
- 将论点递进和拆解；
- 将论点完善和补充。
(3)如何做到结构化？
利用思维导图，辅助分析。
a.找到核心论点
也就是金字塔的塔顶。可以是假设，问题，预测，或者原因。
就是思维导图的中心节点。
b.结构拆解
自上而下，将核心论点层层拆解成分论点，上下之间呈现因果或依赖关系。
最开始无法把握脉络，可以随机头脑风暴，建立“浮动节点”，之后将节点归纳到思维导图，建立整体框架。
c.MECE
相互独立，完全穷尽。
检查论点，避免交叉和重复。分论点要尽量完善。
对思维导图，合并节点，调节节点层次关系，补充节点，完善思维导图。
d.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。
对思维导图上的节点，用数据量化，转化成各种指标。
(4)结构化的缺点
结构化并不是完美的！
结构化是分析思维，但是不够数据化，容易发散，导致无法验证。
是早期分析问题使用的方法，如果要能够得出解决方案，还要在结构化的基础上，将各种论点转化成可验证的指标。
2. 公式化
1)什么是公式化
公式化是在结构化的基础上，将思维导图上的节点数据化，转化成公式。
(2)如何公式化
运用加减乘除，四则运算，将各个节点联系起来。
加法，是不同类别业务的叠加；
减法，是业务间逻辑关系的体现；
乘除，是各种比例或比率。
父节点是等式右边，是结果；子节点是算式里的数据，同层子节点之间，通过四则运算连接起来。
这样，思维导图上的节点，上下互为计算，左右存在关联。
比如说：
销售额=销量单价=多个商品或sku的总和
利润=销售额收益-成本
地区销量=不同线下渠道的累加
销量=人均销量购买人数。
公式化的关键，在于找到指标之间的关系，找到把指标联系起来的公式。
公式化，考验的是对业务的了解。
(3)公式化例子
a.分析销量的影响因素。
销量额=各个地区的销量总额
某个地区的销量额=销量客单价
销量=人均销量购买人数
购买人数=新客+老客
客单价=原价*折扣率
下面是图示：
图中新客和老客可作为购买人数的子节点。
b.如何获取用户，分析新用户增减规律
用户来源=主动流量+被动流量
主动流量=不同渠道的营销，活动和推广的获客
单个渠道新增=曝光量*转化率
被动流量=用户邀请+应用商店搜索
用户邀请=邀请人数*人均邀请量*转化率
应用商店搜索=搜索量*转化率
下面是图示：
3. 业务化
(1)为什么要业务化？
利用结构化和公式化，能够解决大部分问题。这些问题的影响因素，公式化简单而明确。
但存在部分问题，公式是不明确的，需要根据对行业，业务的了解，假设影响因素，逐层分析拆解问题。
(2)什么是业务化？
比如：如何预估上海地区的共享单车投放量？
根据对业务的了解，从四个维度来拆解问题。
从城市流动人口，人口密度，城市交通数据，保有自行车四个维度来计算。找到公式。
同时，因为单车是有损耗的，因公式要加入损耗。
分析的业务化，目的在于将分析结果落地，使之有用并且可验证。不要为分析而分析，却没有深入理解业务，俗称不接地气，好的数据分析思维，本身也是要具备业务思维的。
(3)如何业务化？
如何检验自己的分析是不是贴合业务？
a.考虑是否从业务方角度思考。
本次分析需求的提出者，真正的分析目的是什么？
是找到问题的原因，还是验证假设，还是对业务的预测？
b.注意分析的结果是现象，还是原因。
有时候，对问题利用结构化+公式化拆解后，得到的最终分析论点，可能是现象，是某个结果的表现，而不是原因。
要避免这种问题，就要对思维导图上的节点不断完善，挖掘下一层，不断提问：是什么，为什么。
比如，公司销售业绩没有起色分析结果。
得出的结果：
销售人员效率低，因为士气低落；
产品质量不佳，和同期竞争对手没有优势；
价格平平，顾客不喜欢。以上只是现象。还要继续深入挖掘。分析销售人员效率低的原因；比如工资，比如激励措施等；对产品质量，要分析不同产品的销量，以及竞争对手的销量等；价格因素，分析价格与产品的匹配度等。
c.对分析的结果要能落地，可检验。
量化的数据要可获得，可衡量。
执行的措施要可行，有预期，有对比。
二.数据分析的思维技巧
1.象限法
适用于对分析对象的划分。
确定指标，根据指标的高低，组合出不同类别。
2个指标，每个指标有高低之分，可得出4个类别。可视化后，就是二维坐标，每个类别分别落到四象限的一个象限里。
比如：
app根据使用频度和垂直度，可划分为4种类型。
高频综合，高频垂直，低频综合，低频垂直。
比如：
用价值度和流失度来划分用户类别。
可组合出4种类型用户。
针对每种类型，实施不同的运营策略。
3个指标，则得出8个类别。可视化后，就是三维坐标，划分出8个象限。
比如：
RFM模型。
R：最近一次消费
M：消费金额
F：消费频率
组合出8种类别，每种类别对应一种用户，对每种类别用户实施不同运营策略。
象限法是策略驱动思维，对分析对象进行划分后，每个类别的对象实施不同策略。
划分依据，可根据中位数，平均数，或者经验（直接给出具体数值）。
适用于：战略分析，产品分析，市场分析，客户管理，用户管理，商品管理等。
应用范围的广泛，说明可用于划分的指标的多样性。本质还是根据不同指标的高低组合来分类对象。
2.多维法
象限法的进阶。
因为象限法只有2和3两种维度，但实际问题分析里，可能包括超过3种维度。
比如：
用户统计维度：性别，年龄，出生地等
用户行为维度：注册用户，用户偏好，用户兴趣，用户流失等
消费维度：消费金额，消费频率，消费水平等
商品维度：商品品类，商品品牌，商品属性等
多维法是精细驱动思维。
只要数据齐全且丰富，都可以应用。有点像建立excel表格分析。每一行，都有多个列，每一列就是一个维度。
注意维度过多可能导致更多时间消耗。
对不同维度交叉分析时，注意辛普森悖论。
辛普森悖论：某个条件下两组数据，分别讨论时得出某种性质，合并讨论时，却得出相反结论。
3.假设法
在没有数据可参考的时候，可利用假设法来进行分析。
比如：
营销活动后，销量整体比上周上升20%，但因为统计失误，没有销量明细数据。如何确定活动是否有效？即，验证销量的提升是否是营销活动的结果。
分析：
假设活动是有效的。
销售有不同方式，可能是搜索，可能是活动等。但都会产生评价。
如果活动促进用户购买，对应的商品评论也可能提升。
统计平时的用户购买与评论比率；根据新增评论数，可获得新增购买人数；——增长率和20%比较
统计评论中出现的活动字眼，根据购买人数，计算活动转化率。
商品提价后，收入是否产生变化？
分析：
假设提价后，销量下跌。那么下跌多少？
销量=流量转化率
假设流量不变，商品价格影响转化率。现在确定转化率的波动。
假设各个类型用户对价格敏感度不同，将用户根据RFM模型划分。
每个类别的用户，得出历史转化率；根据不同类别用户对价格敏感度，依靠经验，确定价格上升后转化率变化值，用+10%或者-10%表示。
计算不同类别用户数量变化的转化率，最后相加得到整体的销量变化。
假设法，本质是一种启发思考驱动思维。
更多是一种开拓思路的方式，根据假设，验证，判断，来得出结果。
在缺少数据的情况下，根据假设进行推断，往往有奇效。
假设法，不仅仅是针对前提，也可以假设概率，比例。假设什么，有赖于对业务的熟悉，以及合理的逻辑推断。
4.指数法
数据太多太杂，如何聚焦数据，有效使用数据？
将数据加工成指标。用指标聚焦数据，衡量业务效果。
加工方法：有线性加权，反比例，log。
线性加权，提升权重；反比例转化为小数，之后可再加权转化为某个范围数值；log是缩小数值范围。
指数法是目标驱动思维，能指导业务。
要注意的是，指数法没有统一的标准，很多指标依赖于经验的加工，一旦设立指数，不宜频繁变动。
比如：
知乎某个领域的活跃度计算。
活跃度=（发布内容数+3log（收到赞同数）+6收到专业徽章数+10被编辑推荐次数） 10
log是以2为底。
5.二八法
二八法则：帕累托提出的，任何一组事物中，只有20%为重点，其余80%为次要点。
比如：
社会上20%的财富，掌握了世界上80%的财富。
即财富分布的不平均。
在数据里，20%的变量将直接产生80%的效果，数据分析更应该围绕20%做文章。
持续关注topN的数据，是一个好习惯。不仅仅是数据分析，在很多行业都应关注头部数据。
这给我们什么启发？
虽然指标很多，但往往某些指标更有价值。
对指标，要确定关键指标，并关注关键指标。
要注意的是，数据分析也不能放弃全局，不然容易使思路变狭窄。
6.对比法
好的数据指标，一定是比率或比例；好的数据分析，一定会用到对比。
单纯的数据量，不能仅仅依靠直观感受，直接论断效果好坏，价值高低。
一线城市月入1w和三线城市月入1w是两种概念。还要考虑城市人均消费，每月存储。
身高上，女生的170和男生的170完全不是一个概念。应该和地区平均身高比较。
孤数不证，没有比较就没有结论。
节日大促，女生消费占比从60%提高到70%。能证明女生节日爱消费吗？
可能存在这种情况，节日大促，整体的消费额是降低的。
比如消费额从原来的60/100w，变成56/80w。实际绝对消费额度降低了。
女生消费占比提高，可能是男生跑去竞争对手那了。
对比法，都有哪些维度的对比？
竞争对手对比，类别对比，特征和属性对比，时间同比环比，转化对比，前后变化对比等。
同比与环比
环比：是连续2个单位周期内的量的变化比。
同比：是一个单位周期内和另一个更大周期的同一个段周期内的变化比。环比只有一个，同比则因参照量（另一个更大周期）不同而不同，有多个。
例如我今天（12.25日，星期日）步数是1000步，昨日800步，则环比为 1000/800=1.25；
同比有多个，例如上周日为700步，上月25日900步，则上周同比为1000/700，上月同比为1000/900。有人遇到上月同比和上周同比时，把上周同比当成环比来理解了。
记住一个重点，环比是连续（无任何时间间隔）周期内变化。
具体例子：
同比：2010-12/2009-12；year over year，年比较，比去年增长；同一位置的比值。
环比：2010-12/2010-11；month over month，月比较，比上月增长；一环接一环。
对比法是一种挖掘数据规律的思考方式。
对比法可以与任何思维技巧结合，比如多维对比，象限对比，假设对比等。
每次数据分析，都要利用到多次多种角度的对比。
不然会得出狭隘片面的结论。
7.漏斗法
一种流程化思考方式，在考虑变化和流程时，都可以使用。
单一的漏斗分析没有用，转化率20%并不能说明什么，要结合其它分析思维。比如多维，对比。
比较不同流程的转化率，比较不同维度的转化率。
三.如何在业务时间锻炼分析能力
1.好奇心：多问自己为什么
啤酒与尿布，买了尿布的人会买啤酒。
那么，买了啤酒的人会买尿布吗？
尿布旁边应该摆放其它东西吗？啤酒是否是最好选择？
怎么摆放啤酒？部分还是全部品类？
场景型的摆放是否比品列摆放更好？
数据呢？
2.生活中的练习
夜市中的数据分析：
夜市一天的人流量是多少？一年的人流量又是多少？
每个路边小店，每天营业额是多少？
夜市里，哪家店利润最高？比最低的高出多少？原因是什么？
如何从数据分析角度，提高最低店的营业额？
夜店准备弄一次活动，如何设计一套数据评估方案评估活动效果？
职场中的历练：
为什么领导或同事不认同这次分析？
如果我的职位比现在高两级，我会如何分析？
让我再次分析一年前做的那个案例，我会怎么去优化和改进？
我的历史分析，能用三种核心思维取优化和迭代吗？
四.书籍推荐
- 数据分析类
《精益数据分析》、《增长黑客》、《数据化管理：洞悉零售及电子商务运营》、《数据挖掘与数据化运营实战 思路、方法、技巧与应用》
- 产品思维类，如果是想要从事互联网行业的数据分析师的话，产品思维也是必须要具备的，面试考察点之一
《从点子到产品：产品经理的价值观与方法论》、《俞军产品方法论》、《产品思维》
- 逻辑思维类：在面试中逻辑清晰的回答面试官的问题，会为你大大的加分
《金字塔原理》、《学会提问》、《麦肯锡思维》