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
