如何炼就数据分析的思维？

[hsipeng]

一、结构化思维

《金字塔原理》

具体的操作方式是：

A. 尽可能列出所有思考的要点

B. 找出关系，进行分类。

他的原则是论点之间相互独立，不重叠；论据穷尽划分，不遗漏。

二、假说演绎思维

假设先行就是以假设作为思考的起点，先提出问题，然后用MECE原则梳理关联因素间的结构关系

三、指标化思维

指标的设定有两个经验：

• A. “有总比没有强”。对于要监控的事物，能有指标的尽量要有指标。

• B. “一个好的指标应该是用来衡量具体且可量化的事物”。比如，用户访问量、停留时长、跳出率等。

指标体系

有指标是否就够了呢？指标按照结构化思维可以形成一个体系，如销售分析指标体系，生产指标体系，电商行业指标体系。

一家企业建立的数据分析体系通常细分到了具体可执行的部分，可以根据设定的某个指标异常变化，相应立即执行相应的方案，来保证运营的正常进行。

附上一张电商行业的指标体系，各运营模块的指标体系网上一搜一大把，可以参考着建立，后面我也会在我的文章里阐述。

建立指标体系的思路：

向上

可以按业务职能结构划分，映射出更多维度，比如渠道，运营，产品等相关模块，将相关指标映射到主要模块，通过简单快速的沟通，快速定位问题原因。

向下

可以按因果结构划分，也就是指标分解，利用公式的方法。比如营收=日活付费率arpu等指标因果关系进行划分，通过定位指标波动，定位最细指标，辅助维度下转，能够清楚的问题原因。

就像枝丫一样，从主干不断延伸，将业务用指标评价量化，逐渐形成一个健全的数据分析体系。

四、维度分析思维

我们可以将品牌作为维度，分析手机的销量情况，也可以将时间作为维度，分析每一年手机市场的份额情况。

多维分析操作包括：钻取（Drill-down）、上卷（Roll-up）、切片（Slice）、切块（Dice）以及旋转（Pivot）。

钻取（Drill-down）：在维的不同层次间的变化，从上层降到下一层，或者说是将汇总数据拆分到更细节的数据，比如通过对2018年华为的总销售数据进行钻取来查看各个手机型号的销售数据。

上卷（Roll-up）：钻取的逆操作，即从细粒度数据向高层的聚合。如将江苏省、上海市和浙江省的销售数据进行汇总来查看江浙沪地区的销售数据。

切片（Slice）：选择维中特定的值进行分析，比如只选择苹果手机的销售数据，或2017年的手机销售数据。

切块（Dice）：选择维中特定区间的数据进行分析，比如选择2016年2017年的销售数据。

旋转（Pivot）：即维的位置的互换，就像是二维表的行列转换，如图中通过旋转实现产品维和地域维的互换。

为什么这边花那么多笔墨去讲维度和度量呢，一者是我们在梳理分析思路时，常常会按照几个大的维度类去划分层级，多面分析，如时间维、地域维、产品维，帮助我们成为“多面分析手”。另一方面，BI商业智能在操作也基于维度一说，熟悉维度和数据模型的原理，能更好的理解这个工具。（没错，这玩意儿后面要学）