一、为什么思维重要
·不知道问题发生没有
·不知道问题在哪
·不知道为什么
·不确定分析的对不对
·不确定执行结果:结果未必是根据分析产生
二、数据分析的三种核心思维
(一)结构化(金字塔结构)
思路乱,阐述乱。业务人员知道结果后,so what?
当前:想到一点是一点;做假设,但乱打一枪;一次性分析,没有复用性;没有效果;没有结果
1、将分析思维结构化:
核心论点
结构拆解
MECE:相互独立(分论点不会重合),完全穷尽(所有的可能都想到)
验证:可量化,可验证
2、思维导图
1)个人办公工具 - Xmind
2)团队协作 - 结构卡片
每个人一叠卡片,将分论点写好;再进行主题分类;形成思维导图的结构,进行汇总;
【核心】基于经验,一开始思路零散不要紧。
分论点能够支撑上一级论点;总分分分分结构;
结构化不是完美的,需要用到另外两个核心思维进行补充
(二)数据分析的三种核心思维 - 公式化
在结构化的过程中,没有很多数据进行支撑;或者许多论点就是一个猜想,也没办法拿到数据去实证。
公式化的核心是一切结构皆可量化,将一些不太靠谱的指标舍弃,换成可以量化的指标;
(三)数据分析的三种核心思维 - 业务化
【例】预估某一个城市的共享单车投放量
从城市流动人口计算(总人口,通勤人数,转化率);
从人口密度计算(区域、市区、郊区);
从城市交通数据计算(地铁站点等);
从保有自行车计算(公开数据*转化率)
上面的金字塔结构是孤立的;
共享单车有损耗,计算公式中应该考虑单车的消耗因素;
【缺陷】
结构化+公式化:道理懂了很多,但离分析水平大成,总还差点意思,不知道原因在哪;
业务化:为分析而分析,却没有深入理解业务
【分析要贴合业务】
从业务方的角度思考;
真的分析出原因:现象不等同于真正的原因;
将分析结果落地:要与业务方实时跟进和监控。
用结构化+公式化拆解,获得的最终分析论点。很多时候,是现象。数据是某个结果的体现,但不代表原因。
三、数据分析的思维技巧
(一)象限法:区分用户群体
最大的价值在于直接转化为策略,进行业务推动;
经典用法:RFM;
核心是策略驱动;清晰简单明了;适用范围广
(二)多维法:数据量越大,优势越明显
用户统计维度
用户行为维度
消费维度
商品维度
【缺陷】辛普森悖论
【避免缺陷的方法】钻取:让分析的力度更细;规避辛普森悖论
核心是一种精细驱动的思维;数据齐全且丰富均可应用
(三)假设法 - 证明一个拿不到数据的问题
假设法是一种严谨的,带有方向性的思维。
很多时候没有可以参考的数据(关于空白市场的预测,未来的预测)。
需要基于经验控制一个变量,或者去设置一个比例,进行反推
【核心】是一种启发思考驱动的思维
【应用】假设-验证-判断
(四)指数法 - 制定一个标准,解决衡量的问题
1、线性加权
2、反比例:利用函数的收敛鲜果,让数字收敛到0~1之间
计算忠诚指数:1-k/x;B2/(B2+1)
3、log:收敛性
利用收敛性,让某一个变量的异常突变,不会引起最终结果的突变。
经典的文章热度公式:log(uv+5*c,2)+(time-init)/10
【核心】一种目标驱动的思维
【应用】将无法利用的数据加工成可利用的
【须知】依赖经验
(五)二八法
【核心】只抓重点
(六)对比法
孤数不证
【核心】挖掘数据规律的思考方式
(七)漏斗法
流程化的思考方式
四、如何在业务时间锻炼数据分析思维