为什么数据分析思维重要
不知道问题发生没
不知道问题在哪
不知道为什么
不确定分析对不对
不确定执行结果
不知道是否加薪
三种核心思维
七种分析思维技巧
在业务时间锻炼分析能力
1.数据分析的三种核心思维：
结构化
公式化
业务化
1.1 结构化： 
文章图片
image.png 将分析思维结构化：
将论点归纳整理
将论点递进和拆解
将论点完善和补充
文章图片
image.png 核心论点：
寻找金字塔的塔顶，它可以是假设，是问题，是预测，是原因
结构拆解：
自上而下，将核心论点层层拆解成分论点，上下之间呈现因果或者依赖关系
MECE:
相互独立，完全穷尽，论点之间避免交叉和重复，分论点们要尽量完善
验证：
不论核心论点还是分论点，都应是可量化的，用数据说话，它们必然是可验证的。
文章图片
image.png 借助思维导图 xmind
结构化不是完美的
1.2 公式化
结构化是分析的思维，但它还不够数据，而且难免有发散的缺点，因此还需要公式化的思维
公式化
上下互为计算 左右呈现关联
一切结构皆可量化 最小不可分割
例子：
销售额由什么组成？销量*单价
利润由什么组陈？销售额受益-成本
销售额是单一维度吗？不是。销售额是多个商品/SKU的总和
地区的销售是由什么组成？是不同线下渠道的累加
销量还能细分吗？不妨想想人均销量和购买人数
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者比率
文章图片
image.png 1.3 业务化
预估共享单车投放量：
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
但是单车是有损耗的，计算公式中应该考虑单车的损耗因素
在数据分析中，要考虑分析是否贴合业务：
有没有从业务方的角度思考
针对分析出原因了吗
能不能将分析结果落地
用结构化思考+公式化拆解，获得了最终分析论点，但是很多时候，是现象，数据是某个结果的体现，不代表原因
那么作为数据分析师，要考虑设立哪些指标，换位，如果是参与其中的人，会怎么考虑，有哪些行为。
结构化思维--结构化数据--结构化业务数据
捋顺思路--将其可视化--落地、贴合业务
2. 数据分析的七种思维技巧
三种核心思想是框架性的指引，实际应用中也应该借助思维的技巧工具，达到四两拔千金的效果，并且，它们应该足够简单和有效
象限法
多维法
假设法
指数法
二八法
对比法
漏斗法
2.1 象限法 
文章图片
image.png 
文章图片
image.png 象限法：
核心：
一种策略驱动的思维
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，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
须知：
象限划分可以按中位数，也可以按平均数，或者经验
2.2 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……
文章图片
image.png 多维法：
核心：
多维法是一种精细驱动的思维
优点：
处理大量数据、维度丰富且复杂的数据具有好的效果，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：
对不同维度进行交叉分析时，需要注意辛普森悖论
规避辛普森悖论：钻取 drill down (细分维度)
2.3 假设法
很多时候，数据分析是没有数据可以明确参考的，不如新进入一个市场，公司开拓某样产品，需要预测一年后的销量，或者产品的数据基础非常糟糕，拿不到数据，这时候需要用到假设法
公司在节日进行了依次营销活动，APP上的销量数据整体比上周上升了20%，因为统计失误问题，拿不到明细数据，也就是说，活动效果是一个黑盒子。现在的问题是，销量本身就有可能因为节日提高，那么怎么证明活动是有效或者无效的呢？
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，那么有理由相信活动是有效的
- 用户通过活动购买商品，会发生什么可观测行为？假设一些用户会评论留言，那么可以统计提及活动的字眼
- 当用户提及了这次活动，接下来的问题是，有效了多少？10% 20%？
- 假设参与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。
- 假设商品提价后，销量一定会下降，问题是销量下跌多少
- 首先假设流量不会变化，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，预估提价后转化率的变化，假设各类型用户对价格敏感程度不同，那么将用户划分为忠诚用户、普通用户、羊毛党
- 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，羊毛党几乎不会转化，这些数据可以凭借经验做出假设，最后汇总
核心：
是一种启发思考驱动的思维
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
2.4 指数法 中国今年的经济指标如何？
美国NBA最佳球员是谁？
竞争对手产品表现如何？
NBA比赛数据贡献值=
（得分+篮板+主公+抢断+封盖）-（出手次数-命中次数）-（罚球次数-罚球命中次数）-（失误次数/球员上场比赛的场次）
很多时候，我们有数据，但是不知道怎么用，就是因为缺乏了一个有效性的方向。这个方向可以成为目标指数，通过将数据加工成指数，达到聚焦的目的。
方法：
1.线性加权
不同指标有不同的权重 根据具体情况赋予权重
2.反比例
忠诚指数=1-1/各月消费次数 再对每月数据进行平均计算
也可对不同月份的忠诚指数设置权重
3.log
指数法：
核心：
是一种目标驱动的思维
优点：
目标驱动力强，直观、简洁、有效。对业务有一定的知道做东，一旦设立指数，不易频繁变动
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数据
须知：
指数法没有统一的标准，很多指数更依赖经验的加工
2.5 二八法 二八法则在数据分析中的应用：
数据中，20%的变量将直接产生80%的效果，数据分析更该围绕这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；
虽然指标很多，但往往某些指标更有价值，二八法则不仅能分析数据，也能管理数据
二八法：
核心：
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
2.6 对比法 好的数据指标，一定是比例或者比率
好的数据分析，一定会用到对比
老王卖水果，今天卖了1000元水果，这个数据有分析价值吗？
老王卖水果，今天卖了1000元，昨天卖了800元，这个数据分析有价值吗？
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吗？
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吗？
老王花了3000元的营销成本卖了1000元水果，这个数据分析有价值吗？
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吗？
节日大促，女生消费占比从60%变为70%，得出结论女生节日爱消费
- 这个结论是有问题的
- 占比提高了，不代表绝对值提高了。某商品平时销售额100万女生占60万，节日销售额80万女生占56万，女生真的消费变高了？
- 谁说节日销售额会提高？别忘了竞争对手
- 孤数不证
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
对比法：
核心：
对比法是一种挖掘数据规律的思考方式
优点：
对比法可以发现很多数据间的规律，它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
应用：
对比更多是一种习惯，是数据分析的牛角尖，一次合格的分析，一定要用到N次对比
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
2.7漏斗法 核心：
漏斗法是一种流程化的思考方式
优点：
单一的漏斗分析没有用，转化率20%，但是能说明什么呢？它要和其他分析思维结合，比如多维，比如对比
应用：
涉及到变化和流程的都能用
【数据分析思维】须知：
单一的转化率没有用
