数据分析思维模式（上）

我们知道做数据分析，或者说不管是做什么工作，一个人的思维往往起着非常重要的作用，它就像一种武器可以让你在“战场”上驰骋沙场！
一、分类思想

所谓分类思想，那就是分类处之，其关键点在于通过分类，事物在核心关键指标上能拉开距离！换而言之，分类后的结果是显著的。举个例子，如果该图反映了消费者分群的结果，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“金牌剁手豪党“。

二、矩阵思维

在百度百科中，矩阵更多是一种数学概念，而在数据分析中，它更多的是代表一种营销思维。矩阵思维是分类思维的深化，在我们没有数据作为支撑，只能通过经验做主观的推断时，是可以把某些重要因素组合成矩阵。比如说，安索夫矩阵思维，根据产品和市场将思维分为四种：市场渗透、市场开发、产品延伸、多元化经营。
还有更为老生常谈的”波士顿矩形“，具体的定义我们也不用太过钻研，我们只要明白波士顿矩阵关注的核心就是两个维度——市场增长率与市场占有率。波士顿矩阵中的市场增长率代表着某个产品/业务的市场引力，是否具有扩大市场、不断增长的潜力。而市场占有率则是代表着产品/业务的实力，是否占据了现有市场的绝大部分份额。我们将这两个维度作为横纵坐标轴分为四个象限，将产品或者服务分为下面四种类型：

我们如此分类的目的正是要根据波士顿矩阵，将一些没有发展前景和市场潜力的产品尽快淘汰掉，保证明星产品和现金牛产品的份额，从而搭配好产品或者业务的整个市场布局。

三、管道/漏斗思维

这种思维方式已经比较普及了，但是很多人难以理解，其实生活中很多工作都渗透着这种思维。比如，客户营销转化的流程，平台的广告展现-点击-访问-咨询-成交这个过程中，其实每个流程都伴随着流失和跳出，如果每一层之间的跳出和流失越少，转化的订单就越多。其实根据当前实际工作流，描绘出整体的行为路径；识别出行为路径上的关键节点，定义转化分层；分析转化中遇到的障碍，定位问题原因；根据原因，制定有效的解决方案，予以落地处理；现实世界遇到的问题非常复杂，我们只能通过有效的思维模型，去除那些信息杂音，做出正确的抉择，提高我们对事物的认知效率。

四、相关思维

当我们观察指标的时候，不能单看一个指标，还需要观察指标间的相互关系。图中正相关关系和负相关关系，最好能计算指标间的相关系数，定期观察变化，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。现在的很多企业管理层，不是没有数据数据太多，而是缺少有用的数据。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。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。

五、逻辑树思维

一旦提到逻辑树的分叉，我们都会提到“分解”和“汇总”的概念。逻辑树引申到算法领域就是决策树，如果从数据分析角度来看可以称为“下钻”和“上卷”。上卷是沿着自维的层次向上聚集汇总数据。下探（钻）上卷的逆操作，它是沿着维的层次向下，查看更详细的数据。当进行分叉时，我们往往会选择差别最大的一个维度进行拆分，若差别不够大，则不再细分。能够产生显著差别的节点会被保留，并继续细分，直到分不出差别为止。通过这个过程，我们就能找出影响指标变化的因素。

六、平衡思维

在数据分析的过程中，我们需要去寻找事情的平衡关系，平衡关系可以成为一个企业运转的大问题。关键点在于寻找能否展示出平衡状态的指标，比如图中的红色框，通过寻找一个准确的指标，来观察天平的倾斜程度。主要方法是先找双向型的问题，即高也不低的问题，然后进行量化为指标并计算成某个比率，通过长期跟踪后观察它的信度和效度得到最后的平衡指标。