很多人都說會數據分析的人比別人聰明，實際上他們“聰明”在擁有分析思維，今天我們就來說說常見的數據分析思維。

以下10種數據分析思維可能不會瞬間升級你的思維模式，但說不定會為你以后的工作帶來“靈光一閃”的感覺，請耐心讀完，靈光一閃的時候別忘了我，你們的數據獵人DataHunter。

一、分類思維

日常工作中，客戶分群、產品歸類、市場分級……許多事情都需要有分類的思維。關鍵在于，分類后的事物，需要在核心關鍵指標上能拉開距離！也就是說，分類后的結果必須是顯著的。

如圖，橫軸和縱軸往往是你運營當中關注的核心指標（當然不限于二維），而分類后的對象，你能看到他們的分布不是隨機的，而是有顯著的集群的傾向。

打個比方，經典的RFM模型依托收費的3個核心指標構建用戶分群體系：最近一次消費時間（Recency）、消費頻率（Frequency）、消費金額（Monetary）。

在R/M/F三個指標上，我們通過經驗將實際的用戶劃分為以下8個區（如上圖），我們需要做的就是促進不同的用戶向更有價值的區域轉移。也就是將每個付費用戶根據消費行為數據，匹配到不同的用戶價值群體中，然后根據不同付費用戶群體的價值采用不同的策略（如下表）

二、矩陣思維

分類思維的發展之一是矩陣思維，矩陣思維不再局限于用量化指標來進行分類。許多時候，我們沒有數據做為支持，只能通過經驗做主觀的推斷時，是可以把某些重要因素組合成矩陣，大致定義出好壞的方向，然后進行分析。大家可以百度經典的管理分析方法“波士頓矩陣”模型。

三、管道/漏斗思維

這種思維方式已經比較普及了，漏斗分析分為長漏斗和短漏斗。長漏斗的特征是涉及環節較多，時間周期較長，常用的長漏斗有渠道歸因模型，AARRR模型，用戶生命周期模型等等；短漏斗是有明確的目的，時間短，如訂單轉化漏斗和注冊漏斗。

但是，看上去越是普適越是容易理解的模型，它的應用越得謹慎和小心。在漏斗思維當中，我們尤其要注意漏斗的長度。

漏斗從哪里開始到哪里結束？漏斗的環節不該超過5個，漏斗中各環節的百分比數值，量級不要超過100倍（漏斗第一環節100%開始，到最后一個環節的轉化率數值不要低于1%）。若超過了我說的這兩個數值標準，建議分為多個漏斗進行觀察。

理由是什么呢？超過5個環節，往往會出現多個重點環節，那么在一個漏斗模型中分析多個重要問題容易產生混亂。數值量級差距過大，數值間波動相互關系很難被察覺，容易遺漏信息。

四、相關思維

我們觀察指標，不僅要看單個指標的變化，還需要觀察指標間的相互關系。有正相關關系（圖中紅色實線）和負相關關系（藍色虛線）。最好能時常計算指標間的相關系數，定期觀察變化。

相關思維的應用太廣了，往往是被大家忽略的。現在的很多企業管理層，面對的問題并不是沒有數據，而是數據太多，卻太少有有用的數據。相關思維的其中一個應用，就是能夠幫助我們找到最重要的數據，排除掉過多雜亂數據的干擾。

如何執行呢？你可以計算能收集到的多個指標間的相互關系，挑出與其他指標相關系數都相對較高的數據指標，分析它的產生邏輯，對應的問題，若都滿足標準，這個指標就能定位為核心指標。

建議大家養成一個習慣，經常計算指標間的相關系數，仔細思考相關系數背后的邏輯，有的是顯而易見的常識，比如訂單數和購買人數，有的或許就能給你帶來驚喜！另外，“沒有相關關系”，這往往也會成為驚喜的來源。

五、邏輯樹思維

一般說明邏輯樹的分叉時，都會提到“分解”和“匯總”的概念。我這里把它變一變，使其更貼近數據分析，稱為“下鉆”和“上卷”。

下鉆，就是在分析指標的變化時，按一定的維度不斷的分解；而上卷是反方向的匯總。

下鉆和上卷并不是局限于一個維度的，往往是多維組合的節點，進行分叉。邏輯樹引申到算法領域就是決策樹。有個關鍵便是何時做出決策（判斷）。當進行分叉時，我們往往會選擇差別最大的一個維度進行拆分，若差別不夠大，則這個枝椏就不在細分。能夠產生顯著差別的節點會被保留，并繼續細分，直到分不出差別為止。經過這個過程，我們就能找出影響指標變化的因素。

六、時間序列思維

很多問題，我們是找不到橫向對比的方法和對象的，那么，和歷史上的狀況比就將變得非常重要。其實很多時候用時間維度的對比來分析問題，便于排除掉一些外在的干擾，尤其適合創新型的分析對象，比如一個新行業的公司，或者一款全新的產品。

時間序列的思維有三個關鍵點：

一是距今越近的時間點，越要重視（圖中的深淺度，越近期發生的事，越有可能再次發生）；

二是要做同比（圖中的連線指示，指標往往存在某些周期性，需要在周期中的同一階段進行對比，才有意義）；

三是異常值出現時，需要重視（比如出現了歷史最低值或歷史最高值，建議在時間序列作圖時，添加平均值線和平均值加減一倍或兩倍標準差線，便于觀察異常值）。

時間序列思維有一個子概念不得不提一下，就是“生命周期”的概念。產品生命周期理論（PLC模型）是由美國經濟學家Raymond Vernon提出的，即一種新產品從開始進入市場到被市場淘汰的整個過程。用戶、產品、人、事都存在生命周期。

七、隊列分析思維

隨著計算機運算能力的提高，隊列分析（cohort analysis）這一方式逐漸展露頭腳。從經驗上看，隊列分析就是按一定的規則，在時間顆粒度上將觀察對象切片，組成一個觀察樣本，然后觀察這個樣本的某些指標隨著時間的演進而產生的變化。目前使用得最多的場景就是留存分析。

隊列分析中，指標其實就是時間序列，不同的是衡量樣本。隊列分析中的衡量樣本是在時間顆粒上變化的，而時間序列的樣本則相對固定。

八、循環/閉環思維

循環／閉環的概念可以引申到很多場景中，比如業務流程的閉環、用戶生命周期閉環、產品功能使用閉環、市場推廣策略閉環等等。

業務流程的閉環是管理者比較容易定義出來的，列出公司所有業務環節，梳理出業務流程，然后定義各個環節之間相互影響的指標，跟蹤這些指標的變化，能從全局上把握公司的運行狀況，如脈脈的業務流程（如下圖）。有了循環思維的好處是，你能比較快的建立有邏輯關系的指標體系。

九、邏輯思維

邏輯思維即明白價值鏈、明白各項數據中的關系，也就是因果關系。

該方法的關鍵在于明白其中的關系要求你對這項工作要了解、熟悉，要細致和慎密，要清楚充分性和必要性的關系。?實際上也就是指：你需要哪些數據？如何獲得這些數據?數據之間的關系如何？這里最常見的手段就是A/B test啦。

那么如何細化一下這個概念？一是在條件允許的情況下，決策前盡量做對比測試；二是測試時，一定要注意參照組的選擇，建議任何實驗中，都要留有不進行任何變化的一組樣本，作為最基本的參照。現在數據獲取越來越方便，在保證數據質量的前提下，希望大家多做實驗，多去發現規律，可以按如下表格來做實驗。

十、指數化思維

指數化思維是今天分享的10個思維當中最重要的。許多管理者面臨的問題是“數據太多，可用的太少”，這就需要“降維”了，即要把多個指標壓縮為單個指標。指數化思維就是將衡量一個問題的多個因素分別量化后，組合成一個綜合指數（降維），來持續追蹤的方式。

指數化的好處非常明顯：一是減少了指標，使得管理者精力更為集中；二是指數化的指標往往都提高了數據的可靠程度；三是指數能長期使用且便于理解。

指數的設計是門大學問，這里簡單提三個關鍵點：一是要遵循獨立和窮盡的原則；二是要注意各指標的單位，盡量做標準化來消除單位的影響；三是權重和需要等于1。

PS：獨立窮盡原則，即你所定位的問題，在搜集衡量該問題的多個指標時，各個指標間盡量相互獨立，同時能衡量該問題的指標盡量窮盡（收集全）。例如當運營人員考慮是否需要將自己的內容分發到其他平臺時，他可以采用指數化思維來整體評分。

總結

10種數據分析的思維方式我們分享完了，當然在我們的工作中不只這10種，我們將會在以后的內容中分享給大家，除此之外如果大家有額外的好的數據分析思維方式，可以分享給我噢！

總結

以上是生活随笔為你收集整理的数据驱动决策的10种思维方式的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。