-内容很干｜建议收藏
今天我们来聊聊数据思维。
前阵子数据分析爆火，各大平台都在疯狂推送数据分析的课程。
的确是有贩卖焦虑的那种味道。
但事实上，数据思维的确应该是每一个人应该具备的底层思维。
任正非曾说：“数据是公司的核心资产，要像经营资本一样来经营数据。”
“拥有数据思维才能发现数据价值，企业数据的治理，“治”的不仅是数据，更是企业全员的思维模式！”这句话出自石秀峰的《谈数据》，
数据对于企业的重要性不言而喻，顺着思路想下来，对于个人更是重中之重。
对于项目经理来说，需要对项目进行统筹规划，做出相应的对策，而做出准确的对策的前提条件就是对项目的各项数据有着充分的了解和把握。
看到这你也一定会问，数据思维要怎么建立？今天给大家推荐13个数据思维工具，先做个了解，后期看大家的反馈，老原考虑要不要分享一下如何进行建立数据思维的内容
01
信度与效度思维
信度与效度的概念最早来源于调查分析，但现在我觉得可以引申到数据分析工作的各方面。
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！
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：
要衡量我身体的肥胖情况，我选择了穿衣的号码作为指标。
但是一方面，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。
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。
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？
以我的经验，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。
主管拍脑袋也可以分类，通过机器学习算法也可以分类，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。
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
矩阵化思维
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。
05
漏斗思维
这种思维方式已经普及：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。
但我要说，看上去越是普世越是容易理解的模型，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%）。
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。
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。
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。
07
远近度思维
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。
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。
这里把它变一变，使其更贴近数据分析，称为“下钻”和“上卷”。
所谓下钻，就是在分析指标的变化时，按一定的维度不断的分解。比如，按地区维度，从大区到省份，从省份到城市，从省市到区。
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。
举个简单的例子：
我们发现全国客户数量下降了，我们从地区和客户年龄层级两个维度先进行观察。
发现各个年龄段的客户都下降，而地区间有的下降有的升高；
那我们就按地区来拆分第一个逻辑树节点，拆分到大区后；
发现各省间的差别是显著的，那就继续拆分到城市，最终发现是浙江省杭州市大量客户且涵盖各个年龄段，被竞争对手的一波推广活动转化走了。
就此通过三个层级的逻辑树找到了原因。
09
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。
其实很多时候，我更愿意用时间维度的对比来分析问题，毕竟发展地看问题，也是“红色方法论”中的重要一环。
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）
10
队列分析思维
举个经常用的例子：假设5.17我们举办了一次促销活动，那么将这一天来的新用户作为一个观察样本，观察他们在5.18、5.19...之后每天的活跃情况。
队列分析中，指标其实就是时间序列，不同的是衡量样本。
队列分析中的衡量样本是在时间颗粒上变化的，而时间序列的样本则相对固定。
11
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。
但我觉得这种思考方式是非常必要的。
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。
12
测试/对比思维
AB test,大家肯定不陌生了。
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。
现在数据获取越来越方便，在保证数据质量的前提下，希望大家多做实验，多去发现规律。
13
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。
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。
以上就是今天的工具分享了。
当然，仅仅收藏这13个思维工具也不能代表你就掌握了「数据思维」。
工具只能帮助建立基本的模型和提高效率，真正的数据思维，除了还要掌握更多的方法论、过硬的项目实操能力，你还需要有敏锐的数据感知能力和敏感度。
同时，对公司业务未来的业务增长能够进行数据推演和预判，这都是数据思维需要养成的综合能力。
想要学习项目思维/数据思维
或报名PMP/NPDP认证的同学
可以直接找老原
素材整理于网络，如有侵权，请联系删除
1656
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
