《入门必备：数据分析师需要具备的20种分析思维》由会员分享，可在线阅读，更多相关《入门必备：数据分析师需要具备的20种分析思维（9页珍藏版）》请在金锄头文库上搜索。
1、目前互联网行业的迅速发展，积累了海量的数据，数据挖掘和数据分析被各大公司所重 视，优秀的数据分析师越来越受到公司的青睐，年薪也是水涨船高，那么想要成为一名优秀 的数据分析师，你需要具备那些素质和思维呢？本文就为大家分享想要成为一名优秀的数据分析师，你需要具备的20种分析思维，希望 帮助大家树立数据分析的意识。01、信度与效度思维信度与效度也许是全文最难理解的部分，但也是最为重要的一部分。没有这个思维，决 策者很有可能在数据中迷失。信度与效度的概念最早来源于调查分析，但我们可以引申到数 据分析工作的各方而。所谓信度，是指一个数据或指标自身的可靠程度，包括准确性和稳定性。取数逻辑是否 正确？有没有
2、计算错误？这属于准确性；每次计算的算法是否稳定？ 口径是否一致？以相同 的方法计算不同的对象时，准确性是否有波动？这是稳定性。做到了以上两个方面，就是一个好的数据或指标了？其实还不够，还有一个更重要的因 素，就是效度！所谓效度，是指一个数据或指标的生成，需贴合它所要衡量的事物，即指标 的变化能够代表该事物的变化。只有在信度和效度上都达标，才是一个有价值的数据指标。举个例子：要衡量身体的肥胖情况，我选择了穿衣的号码作为指标，一方面，相同的衣 服尺码对应的实际衣服大小是不同的，会有美版韩版等因素，使得准确性很差；同时，一会 儿穿这个牌子的衣服，一会儿穿那个牌子的衣服，使得该衡量方式形成的结果很不稳
3、定；所 以，衣服尺码这个指标的信度不够。另一方面，衡量身体肥胖情况用衣服的尺码大小？你一定觉得荒唐，尺码大小并不能反 映肥胖情况，是吧？因此效度也不足。体脂率，才是信度和效度都比较达标的肥胖衡量指标。在我们的现实工作中，许多人会 想当然地拿了指标就用，这是非常值得警惕的。你要切骨头却拿了把手术刀，是不是很可悲？ 信度和效度的本质，其实就是数据质量的问题，这是一切分析的基石，再怎么重视都不过分！02、平衡思维说到天平大家都不陌生，平衡的思维相信各位也都能很快理解。简单来说，在数据分析的过程中，我们需要经常去寻找事情间的平衡关系，且平衡关系 往往是关乎企业运转的大问题，如市场的供需关系，薪资与效率
4、关系，工作时长与错误率的 大不守守O平衡思维的关键点，在于寻找能展示出平衡状态的指标！也就是如图中红框，我们要去 寻找这个准确的量化指标，来观察天平的倾斜程度。怎么找这个指标呢？ 一般先找双向型的问题，即高也不是低也不是的问题，然后量化为 指标，最后计算成某个比率，长期跟踪后，观察它的信度和效度。03、分类思维客户分群、产品归类、市场分级、绩效评价.许多事情都需要有分类的思维。那么许多 人就模糊了，到底分类思维怎么应用呢？关键点在于，分类后的事物，需要在核心关键指标上能拉开距离！也就是说分类后的结 果，必须是显著的。04、矩阵思维矩阵思维是分类思维的发展，它不再局限于用量化指标来进行分类。许多
5、时候，我们没 有数据做为支持，只能通过经验做主管的推断时，是可以把某些重要因素组合成矩阵，大致 定义出好坏的方向，然后进行分析。大家可以参考经典的管理分析方法“波士顿矩阵”模型。05、管道/漏斗思维这种思维方式已经比较普及了，注册转化、购买流程、销售管道、浏览路径等，太多的 分析场景中，能找到这种思维的影子。但我要说，看上去越普通越容易理解的模型，它的应用越得谨慎和小心。在漏斗思维当 中，我们尤其要注意漏斗的长度。漏斗从哪里开始到哪里结束？以我的经验，漏斗的环行不该超过5个，且漏斗中各环节 的百分比数值，量级不要超过100倍（漏斗第一环节100%开始，到最后一个环节的转化率数 值不要低于1%）
6、.若超过了这两个数值标准，建议分为多个漏斗进行观察。当然，这两个是经验数值，仅 仅给各位做个参考理由是什么呢？超过5个环忆 往往会出现多个重点环节，那么在一个 漏斗模型中分析多个重要问题容易产生混乱。数值量级差距过大，数值间波动相互关系很难被察觉，容易遗漏信息.比如，漏斗前而 环行从60席变到50%,让你感觉是天大的事情，而漏斗最后环节. 0.提的变动不能引起你的注 意，可往往是漏斗最后这0. 1%的变动非常致命。06、相关思维相关思维的应用太广了，我这里就说一点，往往是被大家忽略的。现在的很多企业管理 层，而对的问题并不是没有数据，而是数据太多，却太少有用的数据工相关思维的其中一个 应用，就
7、是能够帮助我们找到最重要的数据，排除掉过多杂乱数据的干扰！如何执行呢？你可以计算能收集到的多个指标间的相互关系，挑出与其他指标相关系数 都相对较高的数据指标，分析它的产生逻辑，对应的问题，并评估信度和效度，若都满足标 准，这个指标就能定位为核心指标！建议大家养成一个习惯，经常计算指标间的相关系数，仔细思考相关系数背后的逻辑， 有的是显而易见的常识，比如订单数和购买人数，有的或许就能给你带来惊喜！另外，“没有相关关系”，这往往也会成为惊喜的来源哦。07、远近度思维许多处在管理层的朋友大多数都会遇到这样一个问题，他们往往手握众多数据和报表， 注意力却是非常的跳跃和分散。这当然不是好现象，但如何避免
8、呢？一是通过相关思维，找到最核心的问题和指标：二就是这部分要说的，建立远进度的思维方式。确定好核心问题后，分析其他业务问题与该核心问题的远近程度，由近及远，把自己的 精力有计划地分配上去。比如，近期你的核心任务就是提高客服人员的服务质量，那么客服人员的话术、客户评 价通道、客服系统的相应速度等就是靠的最近的子问题，需要重点关注。而客户的问询习惯、 客户的购买周期等就是相对远的问题，暂时先放一放。Ps：因对客服行业没有深入的调研，如果例子举得不恰当，还请大家多多包涵、08、逻辑树思维一般说明逻辑树的分叉时，都会提到“分解”和“汇总”的概念。我们这里把它变一变， 使其更贴近数据分析，称为“下钻”和
9、“上卷”。下钻，就是在分析指标的变化时，按一定的 维度不断的分解。所谓上卷就是反过来。随着维度的下钻和上卷，数据会不断细分和汇总，在这个过程中，我们往往能找到问题 的根源。下钻和上卷并不是局限于一个维度的，往往是多维组合的节点，进行分叉。事实上，逻 辑树思维也可以理解为结构化思维或“金字塔思维”更详细来讲就是：核心论点：寻找金字塔的塔点（假设/预测/问题/原因）结构拆解：自上而下将核心论点层层拆解成分论点，上下之间呈因果/依赖关系MECE：相互独立，完全穷尽（分论点之间避免交叉重复，尽量完善）验证：核心论点/分论点都是可量化的、可验证的，要用数据说话09、公式化思维上而学习了逻辑树思维，但它有
10、个缺点：不够公式化。公式化分析思维意味着：上下互为计算（一切结构皆可量化）、左右呈关联（最小不可分 割）公式化可以简单地看成是利用加减乘除来量化分析的分析思维：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比率。10、溯源思维逻辑树思维这部分有一个分支为是溯源思维。比如我们都曾听到过这样一个问题分析案 例：杰斐逊大厦墙有裂痕，为什么？因为墙而经常冲洗，被腐蚀了。为什么冲洗？冲洗是因 为鸟粪多。为什么会有鸟粪？因为蜘蛛多，鸟过来觅食。为什么蜘蛛多？因为这里阳光好利 于繁殖。怎么解决墙面问题，不是用环保清洗剂也不是用电网防蜘蛛，拉上窗帘就行了。这是5Why
11、分析法最直接的应用。在日常工作中，我们经常会出现抓不住问题本质的情况，只是“肤浅” 看到表面问题。如同上面故事一样：这次修好墙的裂痕很快就会出现相同问题。对数据分析师来说，要有“打破砂锅问到底”的精神，解决问题之前先要分析问题，挖 掘问题的本源，这样问题也就会迎刃而解了。11、时间序列思维很多问题，我们找不到横向对比的方法和对象，那么，和历史上的状况比，就将变得非 常重要。很多时候，我们都愿意用时间维度的对比来分析问题，比如同比、环比、定基比。这种方式容易排除掉一些外在的干扰，尤其适合创新型的分析对象，比如一个新行业的 公司，或者一款全新的产品。时间序列的思维有三个关键点：一是距今越近的时间点
12、，越要重视（图中的深浅度，越近期发生的事，越有可能再次发 生）：二是要做同比（图中的尖头指示，指标往往存在某些周期性，需要在周期中的同一阶段进行对比，才有意义）;三是异常值出现时，需要重视（比如出现了历史最低值或历史最高值，建议在时间序列 作图时，添加平均值线和平均值加减一倍或两倍标准差线，便于观察异常值）。时间序列思维有一个子概念不得不提一下，就是“生命周期”的概念。用户、产品、人 事等无不有生命周期存在。直觉上我们把生命周期衡量清楚，就能很方便地确定一些“阀值” 问题，使产品和运营的节奏更明确。12、循环/闭环思维循环/闭环的概念可以引申到很多场景中，比如业务流程的闭环、用户生命周期闭环、
13、 产品功能使用闭环、市场推广策略闭环等等。许多时候你会觉得这是一个不落地的概念，因 为提的人很多，干出事情来的例子很少。但实际上这种思考方式是非常必要的。业务流程的闭环是管理者比较容易定义出来的，列出公司所有业务环W，梳理出业务流 程，然后定义各个环节之间相互影响的指标，跟踪这些指标的变化，能从全局上把握公司的 运行状况。比如，一家软件公司的典型业务流：推广行为（市场部）？流量进入主站（市场+产研）？ 注册流程（产研）？试用体验（产研+销售）？进入采购流程（销售部）？交易并部署（售后+ 产研）？使用、续约、推荐（售后+市场）？推广行为一个闭环下来，各个衔接环节的指标，就值得关注了：广告点击率?
14、注册流程进入率?注 册转化率?试用率?销售管道各环节转化率?付款率?推荐率/续约率.这里会涉及漏斗思维，如前文所述，千万不要用一个漏斗来衡量一个循环。有了循环思 维，你能比较快的建立有逻辑关系的指标体系。说到闭环思维就一定会想到美国质量管理专家休哈特博士提出的PCDA循环。PDCA是英 语单词Plan（计划）、D。（执行）、Check （检查）和Action （处理）的第一个字母。P （plan）计戈ij：包括方针和目标的确定，以及活动规划的制定。D （Do）执行：根据已知的信息，设计具体的方法、方案和计划布局；再根据设计和布局， 进行具体运作，实现计划中的内容。C （Check）检查：总结执
15、行计划的结果，分清哪些对了，哪些错了，明确效果，找出问 题。A （Action）改进：对总结检查的结果进行处理，对成功的经验加以肯定，并予以标准化； 对于失败的教训也要总结，引起重视。对于没有解决的问题，应提交给下一个PDCR循环中去 解决。以上过程不是运行一次就结束，而是周而复始的进行，一个循环完了，解决一些问题， 未解决的问题进入下一个循环，这样阶梯式上升的。数据分析师的PDCA：P(Plan)计划：针对需求-发现问题-明确任务D(Do)执行：提取数据-观察变化-多维分析-交叉分析-预测趋势C(Check)检查：问题修正、优化分析A(Act)处理：生成策略、推动落地、复盘效果，进入下一个P
16、DCA循环。数据分析师与业务方或管理层形成反馈闭环，才能在每次循环中更好的发挥数据分析的 作用。13、测试/对比思维AB test,大家肯定不陌生了。那么怎么细化一下这个概念？一是在条件允许的情况下，决策前尽量做对比测试：二是测试时，一定要注意参照组的选择，建议任何实验中，都要留有不进行任何变化的 一组样本，作为最基本的参照。在做对比分析的时候要注意：指标的口径范围、计算方法、计量单位、指标类型必须一致。与对比对象之间的相似处越多，越具有可比性，对比也更有参考价值014、极端化思维许多时候，我们总觉得想解答的问题受到各种因素的干扰，有正向的也有反向的。这时， 建议大家启用极端化思维：一是把众多因素极端地缩减到1个或者2
