如何培养数据分析的思维？

工具的运用都大同小异，思维的不同决定个体的差异。这一小节我们来探索数据分析的思维模式，如何培养数据分析的思维？这里列出5个数据分析中常见的思维模式供大家学习参考。

01

结构化思维

结构化的思维是很重要且应用最为广泛的一种思维模式，不仅应用于数据分析，几乎所有的行业都会用到。结构化思维其实是一种分类汇总的思想，就是将看起来复杂凌乱的内容以某种结构呈现出来。你可能每时每刻都在用到，只是没有刻意去关注。

比如生活中的收纳大法：收纳鞋子的有鞋柜，收纳厨具的有橱柜，将杂乱无章的东西分门别类的归纳在一起，需要用的时候可以很方便就找出来；又比如写作的时候先列出大纲和目录，再填充内容，这都是结构化思维生活中的运用。

用在数据分析中也是一个道理，我们给数据表起名、给列赋予字段，这都是简单的结构化思维的应用，更深入一些的，可以给指标分层，如用户的姓名、性别、年龄这是用户基本信息数据，用户的关注率、点击率、浏览率，这是拉新阶段的数据信息。

例如一个微信公众号，它每时每刻可以产生无数的数据，那么在大量的数据背后，我们可以从拉新、促活、转化三个阶段来将数据分类，使之条理化、结构化，便于分析。

02

漏斗思维

漏斗思维是通过确定关键环节，进而完成一套流程式分析的思路，在各行各业都有相应的应用，如注册转化率的分析、用户浏览路径的分析、流量监控等。

以用户转化率的分析为例，一个网页从展示到下单运用结构化思维分析下来实际有五个关键步骤：曝光、点击、浏览、咨询、下单，假设该网站曝光给了100个用户，其中有80个用户点进了该网站，那么从曝光到点击这一步骤的转化率就为80%，又有50人浏览了整个页面，点击到浏览的转化率为62.5%，有30人咨询了网页客服，那么浏览到咨询的转化率为60%，有10人最终完成了订单交易，那么咨询到下单的转化率为33.3%。

这样统计每一步的用户数，得到相应的转化率，按照用户数来画图，步骤越往下，用户数越少，形状像是一个漏斗，因此这个图又叫做漏斗图，这种分析方式称为漏斗分析。运用漏斗分析时要注意确定关键的环节，并得到相应的数据。

03

矩阵思维

矩阵思维是通过两组指标的交叉结合来分析问题的思维方法。矩阵思维还可应用到平时工作生活中，如按事情重要紧急程度划分的四象限——任务分析矩阵，优先处理重要且紧急的事宜，其次处理紧急不重要的事宜，通常情况下重要不紧急的可能才是真正能提高技能的工作，而不紧急又不重要的可以暂缓去完成，按照这个象限法则我们可以平衡地处理工作生活中的琐事。

04

相关性思维

相关性思维是通过分析几个指标之间相互关系的方法，得到相应的规律，为企业的决策做支撑。说到相关性思维，不得不提大家耳熟能详的啤酒和尿布的故事。

20世纪90年代美国沃尔玛超市发现年轻的父亲在购买尿布的同时也会买啤酒，于是超市将啤酒和尿布两个看起来毫不相关的商品放在一起促销，结果反而提升了促销额，这个案例就是购物篮分析，通过分析顾客购物篮中的商品之间的关联，挖掘顾客的消费习惯，从而为卖方的营销做决策支撑。这就是相关性思维，在分析时，不仅要看单个指标的变化，还应关注两个甚至多个指标之间的相互关系，从而发现一些内在的规律。

需要注意的是，相关性并非因果性，相关性是指两个变量有着相同（或相反）的变化趋势，因果性是说一个变量的变化导致另一个变量也跟着变化，所以有相关关系的两个变量不一定存在因果关系，比如科学家经过统计发现，人的睡眠时间同收入呈反比，那我们可以得出睡眠时间越短，收入就越高的结论吗，显然不对，这两个变量只是在统计学上存在相关关系，而非因果关系。蝴蝶效应可以说是一种因果关系，因为蝴蝶扇动了翅膀，因此导致身边的空气系统发生变化，进而引发了龙卷风，但是蝴蝶效应更趋向于一种混沌现象，现实生活中，100%的因果关系很难找到。

05

降维思维

数据量大且多是大数据时代一个典型的特征，如何通过大量繁复的数据得到一个问题的解答，就要用到降维的思维。降维首先要有维度，将大量的数据拆解成各个维度，每个维度再赋予相应的权重，最后得到一个综合指数，将多个数据变成了一个指标，这就是降维，方便理解和分析。

举一个最简单的例子，如何评价学生的综合能力