需要大量的项目积累，才可谈思维

数据分析思维

如何理解数据收集？

谈谈指标体系的构建？

什么是一个好的指标？

学习方式

阶段式学习
- 不要妄想一口吃成一个胖子，明确现阶段学习重点，忌讳每天什么都学一点
- 现实中如果有各种压力，要沉下心来
解决问题
- 不要不带目的的学习
- 主动用学习到的内容，求解工作中的问题
- 量化学习的目标
温故知新
- 好记性不如烂笔头
输出
- 输出是一种高效的学习方式
- 能否准确无误的解释给他人听？能否用通俗易懂的方式解释

三种核心思维

结构化

实际问题：

想到一点是一点
做假设，乱做假设
一次性分析，没有复用性
没结果

将分析思维结构化

核心论点
- 将论点归纳和整理
- 寻找金字塔的塔顶，它可以是假设，是问题，是预测，是原因
结构拆解
- 将论点递进和拆解
- 自上而下，将核心论点层层拆解成分论点，上下关系呈因果或依赖关系
MECE
- 相互独立，完全穷尽
- 论点之间避免交叉和重复
- 分论点要尽量完善，将论点完善和补充
验证
- 不论核心论点还是分论点，都应该是可量化的
- 用数据说话，它们必然是可验证的

案例：现在有一个线下销售的产品，发现8月的销量骤降，和去年同比下降了20%

如何分析？

核心论点：销量

分论点：内部、外部

分论点完善

销量

内部
- 消费者
- 地区
  - 地区A
    - 销售单价
    - 销售率
  - 地区B
  - 地区C
- 时间
外部
- 市场竞争
- 市场容量
- 政策风险

我们可以对于每个子节点进行分析

结构化是分析的思维，但它还不够数据，每个子节点的产生，仍然有发散的缺点

公式化

上下互为计算
一切皆可量化
左右呈关联
最小不可分割

大部分的数据分析，围绕加减乘除就足够了

加法

不同类别的业务叠加

减法

计算业务间的逻辑关系

乘除法

各种比例或比率

业务化

如何预估上海地区的共享单车投放量

从城市流动人口计算
从人口密度计算
从城市交通数据计算
从保有自行车计算
单车是由损耗的，计算公式中应该考虑单车的消耗因素

是否贴合业务

有没有从业务放的角度思考
真的分析出原因了吗
能不能将分析结果落地

一家销售公司业绩没有起色，对它进行了分析

销售人员的效率降低，因为士气低落
产品质量不佳，和同期竞争对手比没有优势
价格平平，顾客不喜欢

上述看似是正确的结论，其实都不是结论

用结构化+公式化思考，获得的最终分析论点。很多时候，是现象。数据是某个结果的现象，但不代表原因。

业务思维

由我是数据分析师，我会设里哪些指标，转向如果我是参与其中的人，我会怎么考虑/哪些行为

多和业务方沟通，多从业务方的角度思考，最好能参与到业务中去

小结

练习：某一天，学院的课程学习人数下跌了，通过上述思维方式，进行假设分析

数据分析的思维技巧

上述讲解了思维整体框架，本节介绍一些常用的思维技巧

象限法

二象限

价值-流失

三象限

RFM
- R：最近一次消费
- F：消费频率
- M：消费金额

多元

核心

象限法是一种策略驱动的思维

应用

适用范围广、战略分析、产品分析、市场分析、客户管理、用户管理、商品管理等

优点

直观、清晰，对数据进行人工的划分。划分结果可以直接应用于策略

须知

象限划分可以按中位数，也可以按平均数，或者是经验

多维法

用户统计维度

性别
年龄

用户行为维度

注册用户
用户偏好
用户兴趣
用户流失

消费维度

消费金额
消费频率
消费水平

商品维度

商品品类
商品品牌
商品属性

通常会钻取，来获得更准确的分析

核心

多维法是一种精细驱动的思维

应用

只要数据齐全且丰富，均可以应用

优点

处理大数据量，维度丰富且复杂的数据有较好的效果。但是维度过多会消耗不少时间

须知

对不同维度进行交叉分析时，需要注意辛普森悖论

假设法

很多时候，数据分析是没有数据可明确参考的：

新进入一个市场
公司开拓某样产品
预测一年后的销量
产品的基础数据十分糟糕，拿不到数据

证明一个拿不到数据的问题，研判其效果好坏

场景：

公司在节日进行了一次营销活动，APP上的销量数据整体比上周上升了20%，因为统计失误问题，拿不到明细数据，也就是说，活动效果是一个黑盒。

现在的问题是，销量本身就有可能因为节日而提高，那么怎么证明活动是有效还是无效的呢？

你是自营电商的数据分析师，现在想知道商品提价后，收入会不会有变化？你会怎么做？

https://www.bilibili.com/video/BV1a7411f7Vi?p=9

指数法

旨在解决衡量的问题，制定一个统一的标准

中国今年的经济指标如何？
美国NBA最佳球星是谁？
竞争对手的产品表现如何？

线性加权

反比例

log

核心

指数法是一种目标驱动的思维

应用

和假设法不同，假设法是缺乏有效的数据，指数法是无法利用数据而将其加工成可利用的

优点

目标驱动力强，直观，简洁，有效。对业务具有一定的指导作用。一旦设立指数，不要频繁变动

须知

指数法没法统一标准，很多指数更依赖经验的加工

二八法

帕累托图

数据中，20%的变量将直接产生80%的效果，数据分析更应该围绕这20%作文章

持续关注TopN的数据，是一个非常好的习惯，尤其在部分行业

虽然指标很多，但往往某些指标更有价值，二八法则不仅能分析数据，也能管理数据

核心

二八法是一种只抓重点的思维

应用

二八法则存在于几乎所有的领域，所以这种分析思维没有局限

优点

和业务紧密相关，和KPI更紧密相关。几乎花费最少的精力就能达到不错的效果，性价比很优

须知

在条件允许的情况下，数据分析依旧不能放弃全局，否则会让思路变得狭隘

对比法

好的数据分析，一定是比例或者比率

好的数据分析，一定会用到对比

竞争对手对比
类别对比
特征和属性对比
时间同比环比
转化对比
前后变化对比

核心

对比法是一种挖掘数据规律的思维

应用

对比更多是一种习惯，是数据分析的牛角尖，一次合格的分析，一定会用到n次对比

优点

对比法可以发现很多数据间的规律，它可以与任何思维技巧结合，比如多维对比、象限对比、假设对比等

须知

在条件允许的情况下，数据分析依旧不能放弃全局，否则会让思路变得狭隘

漏斗法

核心

漏斗法是一种流程化的思维

应用

涉及到变化和流程的都能应用

优点

单一的漏斗分析没有用，转化率20%，但是能说明什么呢？要和其他分析思维结合，比如多维，比如对比

须知

单一的转化率没有，单一的转化率没有，单一的转化率没有

如何在业务中锻炼分析能力

好奇心
- 多问自己为什么，多思考
- 啤酒与尿布的故事，其实是杜撰的
多练习
- 生活中练习

业务

为什么业务重要

惟有理解业务，才能建立业务数据模型

经典的业务分析指标

指标：

模型未动，指标先行

如果你不能衡量它，你就无法增长它

市场营销指标

客户/用户生命周期

产品运营指标

用户行为指标

电子商务指标

流量指标

怎么生成指标

组合

如何建立业务分析框架

从指标角度
从业务角度
从流程角度
- 业务落地后的闭环

市场营销模型

AARRR模型

用户行为模型（内容平台）

电子商务模型

流量模型

如何应对各种业务场景

练习
熟悉业务
应用三种核心思维
归纳和整理出指标
画出框架
检查、应用、修正
应用和迭代

如果对整体框架感到吃力，可以先做一个模块

数据化管理业务

30%数据统计

70%数据管理

Excel

敏捷、快速、需要立即响应的需求

Excel
SQL

常规、频繁、可复用可工程化的需求

Python
BI
ETL

详细内容见Excel相关内容笔记

数据可视化

https://www.bilibili.com/video/BV1AE411P7hH

目的：让数据更加高效

让读者更高效阅读，而不单是自己使用

突出数据背后的规律

突出重要的因素

最后是美观

图表的基础概念

维度

描述分析的角度和属性、分类数据
时间、地理位置、产品类型等

度量

具体的参考数值，数值数据
元、销量、销售金额等

常见的图表类型和应用

散点图

散点图主要解释数据之间的规律

维度：0+，作为颜色

度量：2

气泡图

气泡图是散点图的变种，引入了第三个度量作为气泡的大小

维度：1+，作为颜色

度量：3，其中1个是气泡大小

单轴散点图

维度作Y轴，更倾向于洞察数据在不同类别下的数据规律

维度：1+，Y轴

度量：2

散点图一般用来分析：

客户消费维度

消费金额和消费次数的关系
消费金额和最后一次距今消费天数的关系
消费次数和最后一次距今消费天数的关系

客户其他消费维度

消费金额和消费折扣的关系
消费金额和会员积分的关系
消费次数和会员距离的关系

垂直领域消费维度

投资金额和投资次数的关系（金融）
最近一次距今消费和使用次数（Saas）

折线图

折线图经常用来观察数据随时间变化的趋势

折线图中的维度不宜过多，否则会非常混乱和复杂

维度：1+，可对比

度量：1+

时间维度：X轴

面积图

面积图是折线图的变种，面积图更注重数据类别之间，随时间趋势的变化关系

维度：1

度量：2

柱形图

柱形图是类别之间的关系

维度：2

度量：1+

直方图

柱形图的统计型变种

维度：0

度量：1

饼图

饼图可以理解为环状的柱形图，饼图的类别不宜过多

饼图除了ppt，分析时没啥用

维度：1

度量：1

漏斗图

漏斗图是对转化过程的直观展示，单一的漏斗图没啥用，也是面向ppt

漏斗图的转化步骤不应该超过七个

雷达图

适用于个体的数据和属性可视化，比较偏描述性数据，常见于CRM，用户画像

维度：1+

度量：1+

常见的高级图表和应用

树形图

适合数据量较大的情况，尤其类别较多

比如各类电商的SKU

维度：1+

度量：1

桑基图

桑基图是揭示数据复杂变化趋势的图表。面积图是线性维度，而桑基图可以一对多或者多对一。

维度：2 source target

度量：1

可以用来表示用户在网站上的行为轨迹、用户忠诚度变化

热力图

数据在空间上的变化规律。比如地理空间，网页浏览

维度：2

度量：1

热力图不一定是纯粹的空间，也可以是属性和维度的规律组合，比如把它变成星期表

可以揭示一些行业的时间规律，比如零售行业（周六、周日生意好，节假日生意好），仅仅用折线图不够

维度：1

度量：1

关系图

展现不同类别之间的数据关系，常见于各类社交社会媒体

维度：2 source target

度量：0+

箱线图

箱线图是统计用图标，用来研究和观察数据分布，也能对比数据分布。

维度：1+

度量：1

标靶图

也称为子弹图，是变种的条形图。常用于衡量业务销售情况。

维度：1+

度量：2

词云图

文本分析利器，ppt常客，卖弄大数据之必备图表

维度：1

度量：0

地理图

数据和空间之间的关系。地理图即可以通过经纬度的数据度量绘制，也能通过省市的类别维度绘制

维度：1（经纬或行政）

度量：1

一般都是省市，如果要精确到街道，需要写代码，掉地图api

数据库

见数据库相关文章笔记

统计学

见统计学相关文章笔记

Python

见python相关文章笔记