数据分析三大思维与七大技巧-优快云博客

本文链接：https://blog.youkuaiyun.com/apollo_miracle/article/details/109170323

1 前言

思维很重要，如果思维缺失，容易造成分析的思路一团乱麻

（问题发生没？问题在哪里？为什么？不确定对不对？不确定执行结果？不知道老板是否满意。。。。）

数据分析的三种核心思维：1.结构化；2.公式化；3.业务化

数据分析思维7大技巧：1.象限法；2.多维法；3.假设法；4.指数法；5.二八法则；6.对比法；7.漏斗法

在业务时间锻炼分析能力：好奇心

2 三种思维详细内容

2.1 结构化

   重点：找出核心论点，将核心论点逐一分解，再去拆解到穷尽（金字塔塔顶到塔底部）

   工具：单人作战----思维导图

             团队作战----卡片式，头脑风暴

思维导图：

卡片式：

案例：现在有一个线下销售的产品。我们发现8月的销售额度下降，和去年同比下降了 20%。我想先观察时间趋势下的波劢，看是突然暴跌，还是逐渐下降。再按照不同同地区的数据看一下差异，有没有地区性的因素影响。我也准备问几个销售员，看一下现在的市场环境怎么样，听说有几家竞争对手也缩水了，看一下是不是这个原因。顾客访谈也要做，但是往常一直找不出原因，这次我也不抱希望，姑且试试吧。要是还找不出原因，那我也很绝望啊。

2.2 公式化- 一切都能量化

销售额由什么组成的？销量和客单价相乘

利润由什么组成的？销售额收益和成本相减

销售额是单一的维度么？不是。销售额是多个商品／SKU的总和

地区的销量由什么组成？是不同线下渠道的累加

销量还能再细挖么？不妨想成人均销量和购买人数

将结构化思路（思维导图）转化成公式形式，把不容易量化的指标转换成易量化指标，筛选出指标的重要程度。

加法不同同类别的业务叠加。

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者比率。

2.3 业务化思维

Q：如何预估上海地区的共享单车投放量?

从城市流动人口计算
从人口密度计算
从城市交通数据计算
从保有自行车计算

如何预估上海地区的共享单车投放量？

单车是有损耗的，计算公式中应该考虑单车的消耗因素

判断分析是否贴合业务3问：

有没有从业务角度思考？真的分析出原因了吗？能不能将分析结果落地？

分清现象和原因，现象~~并不是事情的真正原因，要找出真正原因

数据是某一结果的体现，但是并不代表原因，需要用业务思维再进行细究一层去挖掘

增加业务思维方法：贴近业务，换位思考

小结：结构化思维（捋顺思路）----- 结构化数据（将其可数据化）------ 结构化业务数据（落地，贴合业务）

3 数据分析思维7大技巧详解

数据分析技巧

三种核心思想是框架型的指引，实际应用中也应该借劣思维的技巧工具，达到四两拨千金的效果。幵且，它们应该足够简单和有效

3.1 象限法：核心-----策略驱动

核心：象限法是一种策略驱型的思维
优点：直观，清晰，对数据进行人工的划分。划分结果可以直接应用于策略
应用：适用范围广、策略分析、产品分析、市场分析、客户管理、用户管理、商品管理等
须知：象限划分可以按中位数，也可以按平均数，或者是经验

案例：

对于象限如何划分是不确定的，由本身的策略目标而定进行调正的，通常方式有平均数/中位数/固定的值等等。

3.2 多维法

用户统计维度：性别、年龄...
用户行为维度：注册用户、用户偏好、用户兴趣、用户流失...
消费维度：消费金额、消费频率、消费水平...
商品维度：商品品类、商品品牌、商品属性...

案例：

核心：多维法是一种精细驱劢的思维

优点：处理大数据量，维度丰富且复杂的数据有较好的效果。但是维度过多，会消耗不少时间

应用：只要数据齐全且丰富，均可以应用

须知：对不同维度迚行交叉分析时，需要注意辛普森悖论，应对方法：细分，钻取

辛普森悖论：当人们尝试探究两种变量（比如新生录取率与性别）是否具有相关性的时候，会分别对之进行分组研究。然而，在分组比较中都占优势的一方，在总评中有时反而是失势的一方。该现象于20世纪初就有人讨论，但一直到1951年，E.H.辛普森在他发表的论文中阐述此一现象后，该现象才算正式被描述解释。后来就以他的名字命名此悖论，即辛普森悖论。

2.3 假设法

情景案例：

现在，马上，公司要派你去贝宁出差，如果你只能携带一个背包，你会往里面装什么东西？你为什么要往里面装它？

答案可以有千百种，但是最恰当的回答是：虽然贝宁这个地方我幵丌熟悉，但我假设它在非洲，那么现在我得考虑炎热的情况…

很多时候，数据分析是没有数据可明确参考的：比如新进入一个市场，公司开拓某样产品。老板让你预测一年后的销量，或者产品的数据基础非常糟糕，你拿不到数据。

案例1：

公司在节日迚行了一次营销活劢，APP上的销量数据整体比上周上升了20%。因为统计失误问题，拿丌到明细数据，也就是说，活劢效果是一个黑盒。现在的问题是，销量本身就有可能因为节日而提高，那么怎么证明活劢是有效戒者无效的呢？

假设活动是有效的

思考一下，活动有效的话，会发生什么事情? 会有一定数量的用户购买，如果能证明这条，那么我们有理由相信活劢是有效的。
用户通过活动购买商品，会发生什么可观测的行为呢?
假设有一些用户会评论留言，那么可以统计提及活动的字眼。当用户提及了这次营销活动，接下来的问题是，有效了多少?10%，20%?
假设参不活动的用户行为没有变化，那么通过历史数据的用户评论占比，反推购买人数

案例2：

你是自营电商的数据分析师，现在想商品提价后，收入会不会有变化，你会怎么做？

假设商品提价后，销量一定会下跌，问题是销量下跌多少?
首先假设流量不会有变化，流量和渠道营销正相关，商品价格影响转化率，那么现在确定转化率的波动。
找出平时的转化率(譬如为20%)，预估提价后的转化率变化。假设各类型用户对价格敏感度不同，那么将用户划分忠诚XX、普通XX、羊毛XX...
不同用户层次数量不同，反应不同。忠诚用户转化率变化极低，羊毛几乎不会转化...这些数据可以凭借经验做出假设。最后汇总。

核心：假设是一种启发思考驱劢的思维
优点：当没有直观数据或者线索能分析时，以假设先行的方式进行推断，这是一个论证的过程。
应用：它更多是一种思考方式，假设—验证—判断。
须知：不止可以假设前提，也能假设概率戒者比例，一切都能假设，只要自圆其说。

假设一个结论，考虑这个结论会带来的什么现象和情况发生去进行验证。

应用场景：通常在拿不到数据的情况下去假设一个结论进行反向推导

使用方法：假设结论，基于经验和自定义一些数值进行推断想要的结果。

3.4 指数法

应用场景：当有很多数据的时候，但是数据为开放式的不知道怎么去使用-----用指数来解决衡量的问题

应用方法：创造出一个指标进行比较

场景举例：

中国今年的经济指标如何?
美国NBA最佳球星是谁?
竞争对手产品表现的如何?
哪位是天善学院最帅的男人?

方法：

线性加权：简单的相加或者相加乘权重计算

反比：将较大的数据进行收敛，将之间的差异变小：y=1/x ，y=1-1/x ，y=k/x,k可以赋任何值或 y=x/（x+1）

log：使用log函数让数字减小（同样起到较大值数据的收敛作用）然后赋权重进行相乘求和

核心：指数法是一种目标驱动的思维
优点：目标驱动力强，直观、简洁、有效。对业务有一定的指导用。一旦设立指数，不易频繁变化。
应用：和假设法不同，假设法是缺乏有效的数据，指数法是无法利用数据而将其加工成可利用的。
须知：指数法没统一的标准，很多指数更依赖经验的加工。

3.5 二八法则-----只抓重点

数据中20%的变量将直接产生80%的效果，数据分析着重围绕这20%做文章。

持续关注TOPN的数据，是一个非常好的习惯，尤其在部分行业。

核心：二八法是一种只抓重点的思维
优点：和业务紧密相关，和KPI更紧密相关。几乎花费最少的精力就能达到不错的效果，性价比很优
应用：二八法则存在于几乎所有的领域，所以这种分析思维没有局限。
须知：在条件允许的情况下，数据分析依旧不能放弃全局，否则会让思路变得狭隘

3.6 对比法----一种挖掘数据规律的思考方式

案例1：

老王卖水果，今天卖了1000元水果，这个数据有分析价值么？

老王卖水果，今天卖了1000元，昨天卖了800源，这个数据有分析价值么？

老王卖水果，今天卖了1000元。隔壁的老马卖了2000元，这个数据分析有价值么？

老王卖水果，今天卖了1000元，昨天卖了800元，隔壁的老马昨天卖了3000元，今天卖了2000元，这个数据分析有价值么？

老王花了3000元的营销成本卖了1000元水果，这个数据分析价值么？

老王其实是王健林，他有几百亿资产，他卖水果卖了1000元，这个数据分析有价值么？