1 - 概念與定義

如果分析思維是一種結構化思考的體現，那么數據分析思維（簡稱數據思維）則是以數據為依托的結構化分析方式。
不同于“我覺得”、“以前是怎樣”、“其他人如何”這些直覺化、經驗化、類比化的思考方式，數據思維是以數據為導向，依據嚴格的分析、統計和證明來指導具體的應用與操作。

首先，要對事物本身有一個全面和客觀的認識。

• 以辯證思維來認識和看待事物，進行事物的分解和集成，全面客觀地以數據說話，同時減少主觀偏頗看法，
• 結合外部環境、時間線、核心維度，全面的分析物的行為特征或動態展現
• 關注事物的外在交互關系、內部結構和銜接，分析事物相關的內外環境因素

然后，確定事物本身的關鍵屬性、維度和分析評估體系。
分析事物各關鍵指標特性間的相互制約和促進力。
任何評估指標值的得出，一定有事物本身內在數據和運作機制進行支撐的，也就是說，將對事物分析后的數據映射到具體的可用的科學評價體系之上。

1.1 - 數據分析的目的

數據分析是為了能以量化的方式來分析業務問題并得出結論。
“從歷史數據中獲得的洞察轉化為可執行的決策或推薦的過程，將IT技術、管理科學和統計學結合以解決實際問題。”
明確數據分析本身的目的，以終為始，也就是必須明確要解決的問題

• 問題背景
• 問題的具體含義
• 針對現有問題采取的行為和結果

1.2 - 數據分析的一般步驟

業務指導數據，數據驅動業務。
數據分析并不是一個結果，只是過程，在這個過程中是需要反饋和持續改進的。

1.3 - 數據分析的作用

數據分析的三大作用，主要是：現狀分析、原因分析和預測分析。
什么時候開展什么樣的數據分析，需要根據我們的需求和目的來確定。

• 數據分析的目的越明確，分析越有價值。
• 明確目的后，需要梳理思路，搭建分析框架，把分析目的分解成若干個不同的分析要點，然后針對每個分析要點確定分析方法和具體分析指標；
• 最后，確保分析框架的體系化（體系化，即先分析什么，后分析什么，使得各個分析點之間具有邏輯聯系），使分析結果具有說服力。

1.4 - 數據常識（Data Common Sense）

對數據的變化保持敏感。
這里的“變化”不僅僅來自數值本身的變動，更多的而來自“當前的數據”不同于平常的認知和判斷。
而這種“平常的認知和判斷”，其實不僅是長期數據觀察和分析所形成的“感覺”，也是你的“經歷和經驗”，甚至是“當前的知識結構和能力樹”。
能夠認識到“變化”的來源，能有效避免掉入“主觀判斷”的陷阱。

想要培養出數據敏感性和具備意識數據偏離的能力，這需要保持持久的觀察和分析，以及足夠的耐心和好奇心。
業務數據對應著業務流程，業務流程暗含著業務需求，業務需求來自實際運營，從實際應用中去理解數據的產生和流動，有助于準確保持數據分析的“方向”不偏離“正軌”。

• 形成查看關注數據的習慣，明確數值含義以及合理范圍
• 牢記核心數據、指標、報告和排名等，反復推算合理性
• 抽離和規整數據，統一存放，方便查閱和分析

2 - 搭建框架

量化是為了統一認知，并且確保路徑可回溯，可復制，避免“我感覺”、“我猜測”等主觀判斷。
路徑可回溯、可復制：通過量化后的結果，許多優化的方法是可以被找到原因并且可以被復制的。
要想做到量化，需要做到三點：建立量化體系，明確量化重點和保證數據準確性。

2.1 - 建立量化體系

如果不能衡量，那么就不能有效增長和改進。
需要統一標準來定義和評價，這個標準就是指標。
具體的指標數值，可以避免“我覺得”造成的認知陷阱，“模糊虛妄”的描述會將人帶入歧途。

2.2 - 明確量化重點

每個階段，都應該明確當前的業務重點；量化體系需要根據業務階段，更改量化重點及方式。
這同時意味著：有更細節的指標及更大的監控和推廣力度。
每個階段，都需要根據不同的業務情況來判斷當前重點，從而圍繞該重點建立一套無死角的分析監控體系。

2.3 - 指標設計方法

孤立的指標發揮不出數據的價值，需要建立結構化的指標體系。
不同業務形態有不同的指標體系，沒有放之四海而皆準的模板。
指標的細分和拆解過程，其實對應著問題的拆分過程，應該根據具體的情況選擇指標，只有選擇合適的指標才能充分的反映問題。

• 以準確和易懂為準則，集合統計學和業務效果的方法論。
• 準確是指能夠準確滿足衡量目的，易懂是指標算法能直觀顯示好與壞，并且指標的算法也能夠通俗易懂。
• 準確是必須要保證的。

一些用于指標設計的常用統計學工具

• 業務概況: 平均數、中位數、眾數
• 業務差異性：方差、標準差
• 業務分布：頻數

一些Tips

• 比率指標：易于關注實際效果
• 伴生指標：防止單個“片面性指標”的副作用
• 防止壞指標：錯誤指標，虛榮指標（距離核心業務目標過遠），復雜指標（數據波動時，很難分析原因）

指標維度字典（Dimension Dictionary）

• 指標維度字典，（Bus Matrix），一定程度上解決了對于指標定義不清或不統一的問題。
• 可以對一些關鍵和常用的指標進行統一的維護。

明確指標的定義和解釋，要求制定者必須具備深入了解業務和擁有極高的抽象能力。
尋找業界已有量化方法并在組織內推廣，將是件事半功倍的事情。

2.4 - 指標區分

一個好的指標需要可量化、可測量、可以精準反饋。
只有基于對問題的了解和思考，才能發現有價值的結論。

“好指標”

• 不是所有的指標都是有效的，核心驅動指標才是需要重點關注的“好指標”。
• 簡單來說，核心驅動指標和組織發展相關聯，是整個運營團隊、產品團隊乃至研發團隊在統一為之努力的目標，是一個時期/階段內的重點方向。
• 不同業務的核心驅動指標也不一樣。
• "好指標"應該是在有效基數上的比率或者比例，易于衡量和對比。

“壞指標”

• 虛榮指標：沒有任何的實際意義，能夠粉飾工作績效
• 后驗性指標：時效性差，實際上只是在描述已發生事件，很難通過措施挽回成本和彌補損失
• 復雜性指標：數據分析掉入“一堆隱藏變量指標”的陷阱中，無從下手

2.5 - 建立正確的指標結構

根據“指標設計方法”建立起圍繞業務的指標體系。
核心是根據業務特征確定核心指標，在核心指標的基礎上以不同的角度進行拆解，然后再慢慢補充其他業務的指標情況。

和分析思維的金字塔結構一樣，拆解的過程依照金字塔方法論的“逐層拆解，不重不漏（MECE）”，指標呈現樹狀結構，構建核心是以業務流程為思路，以結構為導向。
從流程的角度搭建指標框架，可以全面的囊括用戶相關數據，無有遺漏。
列舉指標原則：需要有核心驅動指標。移除虛榮指標，適當的進行刪減，不要為添加指標而添加指標。
若拆解出來或業務補充的指標過多，可借鑒數據倉庫的“域”概念來管理這些指標。

3 - 數據準確性

確保準確性的方法

• 采取可信來源：多來源交叉確認，采用新來源時需格外小心
• 確認加工方式：指標定義和加工算法
• Double Check：量級，計算邏輯和業務常識

Double Check 的技巧

• 量級 Check：邊界值，每個數據有它的大概范圍
• 計算邏輯 Check：總數、中位數、平均數等
• 業務常識 Check：根據其他常用數字推算出該業務范圍

數據產品已經有成熟的數據質量管理方法；涉及了數據源，指標計算和數據呈現等各個環節的監控。

4 - 溝通與反饋

4.1 - 站在業務方的角度

只有解決業務問題分析才能創造價值，包括個人價值和公司價值。
“憂其所慮，給其所欲”：精準理解對方需求。

4.2 - 主要環節

• 溝通充分：確定業務方想要分析什么，提出更合理專業的衡量和分析方式，明確所要數據背后的含義，同時做好節點同步，切忌一條路走到黑
• 結論簡明：在闡述分析結果上，要記得結論先行，逐層講解，再提供論據。論據上，圖 > 表 > 文字
• 提供信息量及可落地建議：從專業的角度，從已知邊界向未知邊界分析，提供給對方所未知的信息和可落地的建議
• 尋求反饋：持續改進的觸發點

5 - 方式與方法

5.1 - 數據分析方法論和數據分析法的區別

數據分析方法論主要是從宏觀角度指導如何進行數據分析，就像是一個數據分析的前期規劃，指導著后期數據分析工作的開展。

• 利用維度分析數據
• 使用統計學知識，例如數據分布假設檢驗
• 使用機器學習

數據分析法主要從微觀角度指導如何進行數據分析，是指具體的分析方法，比如對比分析、交叉分析、相關分析、回歸分析等。

5.2 - 維度分析法

維度是描述對象的參數，在具體分析中，可以把它認為是分析事物的角度。
有了維度后，就能夠通過不同的維度組合，形成數據模型，一個多維的數據立方體。
數據模型將復雜的數據以結構化的形式有序的組織起來。
數據模型可以從不同的角度和層面來觀察數據，這樣提高了分析的靈活性，滿足不同的分析需求、這個過程叫做OLAP(聯機分析處理)。

5.3 - 指標和維度有什么區別?

維度是說明和觀察事物的角度，指標是衡量數據的標準。
維度是一個更大的范圍，不只是數據，比如時間維度和城市維度，我們就無法用指標表示，而指標(留存率、跳出率、瀏覽時間等)卻可以成為維度。
通過業務建立和篩選出指標，將指標作為維度，利用維度進行分析，通俗理解：維度>指標。
一般來說，指標都可以作為維度使用。

轉載于:https://www.cnblogs.com/anliven/p/6834083.html

總結

以上是生活随笔為你收集整理的Data - 数据思维 - 上篇的全部內容，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。