• 精选
  • 会员

数据分析师必备的20种分析思维

2019年9月20日  来源:爱数据网 作者: 提供人:jingbi23......

作为新手数据分析师或数据运营,在面对数据异常的时候,好多小伙伴都会出现:

好像是A引起的” ,“好像也和B渠道有关”,“也可能是竞争对手C做了竞争动作”等主观臆测

面对数据报表,也不知道应该从产品维度、时间维度、地域维度还是渠道维度去拆分。

很显然,这样的思维是乱的,所以做数据分析很重要的一点是:要具备结构化的分析思维

最近读到一本书,书中讲到了数据化运营的思维方式,感觉受益匪浅。我又在此基础上加入了一些自己的理解,希望能与各位小伙伴一同探讨和学习,也希望这些内容能帮助我们在工作中迸发更多的灵感。

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。

「7000字干货」数据分析师必备的20种分析思维

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面。

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,薪资与效率关系,工作时长与错误率的关系等等。

「7000字干货」数据分析师必备的20种分析思维

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。

「7000字干货」数据分析师必备的20种分析思维

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。

如图,横轴和纵轴往往是你运营当中关注的核心指标(当然不限于二维),而分类后的对象,你能看到他们的分布不是随机的,而是有显著的集群的倾向。

举个例子,假设该图反映了某个消费者分群的结果,横轴代表购买频率,纵轴代表客单价,那么绿色的这群人,就是明显的“人傻钱多”的“剁手金牌客户”。

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。

「7000字干货」数据分析师必备的20种分析思维

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。

「7000字干货」数据分析师必备的20种分析思维

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,漏斗的环节不该超过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%)。

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个环节,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,漏斗前面环节从60%变到50%,让你感觉是天大的事情,而漏斗最后环节0.1%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

我们观察指标,不仅要看单个指标的变化,还需要观察指标间的相互关系!有正相关关系(图中红色实线)和负相关关系(蓝色虚线)。最好能时常计算指标间的相关系数,定期观察变化。

「7000字干货」数据分析师必备的20种分析思维

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,面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。相关思维的其中一个应用,就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。

「7000字干货」数据分析师必备的20种分析思维

这当然不是好现象,但如何避免呢?

  • 一是上文说的通过相关思维,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

如图的树状逻辑相信大家已经见过许多回了。一般说明逻辑树的分叉时,都会提到“分解”和“汇总”的概念。

「7000字干货」数据分析师必备的20种分析思维

我们这里把它变一变,使其更贴近数据分析,称为“下钻”和“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

举个简单的例子:比如我们发现有一个线下的销售产品,9月份销售额比去年同比下降了20%

按照结构化的思维我们就可以将问题拆分为:

「7000字干货」数据分析师必备的20种分析思维

09、公式化思维

上面学习了逻辑树思维,但它有个缺点: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。

我们将上图中结构化的思维导图再加上公式化,就变成下面这样子:

「7000字干货」数据分析师必备的20种分析思维

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?

因为墙面经常冲洗,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。

「7000字干货」数据分析师必备的20种分析思维

这是5Why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。

「7000字干货」数据分析师必备的20种分析思维

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,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、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。

「7000字干货」数据分析师必备的20种分析思维

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节,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?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)、Do(执行)、Check(检查)和Action(处理)的第一个字母。

  • P (plan) 计划: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PDCA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:成策略、推动落地、复盘效果,进入下一个PDCA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。

「7000字干货」数据分析师必备的20种分析思维

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。

14、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。

「7000字干货」数据分析师必备的20种分析思维

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个;

  • 二是把这一两个因素的影响放到最大。

例如,在思考竞争格局时,不妨将思考因素锁定为一个,并将它的影响设定为最大(如潜在进入者只有一家,它是全球最有钱的公司),然后想想我们自身的机会在哪里,该怎么做。

在数据分析中,多因素影响的窘境是经常遇到的。往往一个指标的变动受到太多因素的影响,根本分解不出来。这时,就会假设指标只受到与它相关性最高的那一个因素的影响,同时维度上也只挑选一个维度,然后去探查原因。

15、反向思维

反向思维一般应用在历史数据回顾这样的场景中。在回顾历史数据的需求产生时,往往会先列出一堆当前看来非常正常的事情,然后一项项地将当前正常的事情所对应的反常情况罗列出来,最后到历史数据中寻找反常事件出现的时间或者维度。

「7000字干货」数据分析师必备的20种分析思维

在运营中,我们可以采用这种思维方式观察数据,或者不自觉地采用这种思维方式观察数据。我们将自己认知的正常的数据表现(大部分情况下出现的)进行详细的罗列,然后列出它们所对应的反常情况。在追踪数据时,我们的注意力就着重放在这些反常情况上。反常情况一旦出现,我们就需要定位问题。

16、队列分析思维

随着数据运算能力的提高,队列分析(Cohort Analysis)的方式逐渐崭露头脚。

「7000字干货」数据分析师必备的20种分析思维

队列分析思维是按一定的规则,在某些维度上将观察对象切片,组成一个观察样本,然后观察这个样本的某些指标随着时间的演进而产生的变化。目前使用得最多的场景就是留存分析

举个例子:公司在5月17日举办了一次促销活动,将这一天来的新用户作为一个观察样本,观察他们之后每天的活跃情况。可以想象,若在5月17日、6月17日、7月17日都举办了活动,那么这三天来的新用户,在注册后一段时间的使用情况就像3条队伍一样向后延伸。

17、假设思维

假设思维是指当我们没有足够的数据和证明来证明某件事的时候,可以先做假设,再去分析数据,验证假设是否成立。

「7000字干货」数据分析师必备的20种分析思维

在数据分析中,假设思维的专业术语为假设检验,即根据问题提出假设-抽取数据-检验假设是否成立-验证结果。

18、归纳思维

归纳是从“具体到一般”的过程,也就是从一些事例中总结规律的过程。

「7000字干货」数据分析师必备的20种分析思维

比如我们知道铁、银、铜……能导电(具体),这三种物质都是金属,总结出金属能导电(一般)。

19、演绎思维

演绎是从“一般到特殊”的过程,也就是说基础原理推演出具体情况

「7000字干货」数据分析师必备的20种分析思维

比如我们知道金属能导电(一般),铁是金属。从而推理出铁是能导电的。

20、指数化思维

指数化思维,是指将衡量一个问题的多个因素分别量化后,组合成一个综合指数(降维),来持续追踪的方式把这个放在最后讨论,目的就是强调它的重要性。前文已经说过,许多管理者面临的问题是“数据太多,可用的太少”,这就需要“降维”了,即要把多个指标压缩为单个指标。

「7000字干货」数据分析师必备的20种分析思维

指数化的好处非常明显:

  • 一是减少了指标,使得管理者精力更为集中;

  • 二是指数化的指标往往都提高了数据的信度和效度;

  • 三是指数能长期使用且便于理解。

指数的设计是门大学问,这里简单提三个关键点:

  • 一是要遵循独立和穷尽的原则;

  • 二是要注意各指标的单位,尽量做标准化来消除单位的影响;

  • 三是权重和需要等于1。

独立穷尽(MECE)原则,即你所定位的问题,在搜集衡量该问题的多个指标时,各个指标间尽量相互独立,同时能衡量该问题的指标尽量穷尽(收集全)。

举个例子:我们设计某公司销售部门的指标体系时,目的是衡量销售部的绩效,确定了核心指标是销售额后,我们可以将绩效拆分为订单数、客单价、线索转化率、成单周期、续约率5个相互独立的指标,且这5个指标涵盖了销售绩效的各个方面(穷尽)。

最终我们设计的销售绩效综合指数=0.4*订单数+0.2*客单价+0.2*线索转化率+0.1*成单周期+0.1*续约率,各指标都采用max-min方法进行标准化。

总结:

各种思维方式的应用,没有孰好孰坏,是否启用也是比较随机的。总的来说,数据质量是数据分析最大的前提,动手前,一定要保证好数据质量!

还有最重要的一点是数据分析师一定要深入理解业务,如果不懂业务,数据分析师很可能就会成为一个没有业务Sense的“取数机器”,因为数据分析师分析的从来不是“数据”而是“业务”

请记得,能够通过数据驱动业务增长,是数据分析师最核心的价值。

End.

* 参考资料:【1】《数据化运营速成手册》 【2】搜狗百科

RECOMMEND推荐阅读

上期问题:

你是淘宝的数据分析师,现在需要你预估双十一的销量,你不能获得双十一当天和之前的所有数据。只能获得11月12日开始的数据,你应该如何预估?

答案解析:

因为是开放题,所以没有固定答案,大家的回答分为两类:

  • 一类是通过后续双十一的销量,判断16年,缺点是需要等一年,优点是简单到不像话。

  • 二类是通过11月12日之后的销量数据,往前预估,期间会考虑一些权重。缺点是双十一属于波峰,预估难度大,优点是可操作性好。

因为题目主要看的是分析思维,目的是找出可能的思路,所以有没有其他的方法呢?我们尝试把思维放开,因为销量能反应商品,有没有其他维度?

我们可能会想到:退换货率、和商品评价率。因为双十一的商品只能在12日后退换货和收货后评价,我们就能根据这两个指标平日的平均比率,以及双十一商品的后续退换和评价总数,预估卖出总量。退换货率肯定会虚高一些(毕竟双十一退货不少),那么商品评价率更准确。

还有其他方法么?当然有,比如会有不少人用蚂蚁花呗支付双十一,那么后续还款的比率能不能预估?

如果再将思路放开呢?虽然我不知道淘宝当天的数据,但是可以寻求外部数据,比如京东,京东的双十一销量是多少,是平时的多少倍,那么就用这个倍数去预估淘宝的。

整体的分析结构就分为:

外部数据:

  • 京东等其他平台双十一销量

内部数据

  • 商品数据-商品评价率、退换货率、商品销量

  • 支付数据-蚂蚁花呗支付比率等

分析 / 信息 / 指数化 / 演绎 / 归纳 / 假设 / 反向 / 极端化 / 对比测试 / 闭环思维 / 时间序列 / 溯源 / 公式化 / 逻辑树 / 远近度 / 相关思维 / 漏斗思维 / 分类 / 信度 / 效度

如涉及版权,请著作权人与本网站联系,删除或支付费用事宜。

0000