数据分析必备十大思维（下）

最新推荐文章于 2024-08-10 19:00:00 发布

知了数据分析

最新推荐文章于 2024-08-10 19:00:00 发布

阅读量649

点赞数 1

文章标签：数据分析人工智能数据挖掘

本文链接：https://blog.csdn.net/super_SGX/article/details/127116121

版权

本文详细介绍了数据分析中的六大思维：分类思维用于客户分群，矩阵思维通过指标组合进行产品评估，漏斗思维分析用户行为路径，细分思维避免统计陷阱，费米思维则用于解决复杂问题的估算。通过实例解析了每个思维的应用，强调了在数据分析中思维的重要性，指出技术与思维结合才能提升分析质量。

摘要由CSDN通过智能技术生成

“在上一篇文章《数据分析必备十大思维（上）》中，我们总结了数据分析必备的前五大分析思维，今天这篇文章给大家带来后五大分析思维，和十大分析思维系列做个了断。”

六、分类思维

我们来看这样一个例子，假设我们有10个客户，每个客户能够统计到购买频率和客单价两个指标，接下来我们想要对这10个客户进行研究，看一看到底哪些客户好，哪些客户不够好，我们该如何分析呢？

这个时候我们就可以运用分类思维对客户进行分类或分群，分类之后就能够一目了然的看出不同群体的优良中差了。下图是我们实际的分类效果，横轴代表购买频率，纵轴代表客单价，那么位于右上方红色的这一群体就是高购买频率、高客单价的用户，传说中的“人傻钱多的剁手党”，对我们来说是大大的良民。

分类思维的关键点在于，分类后的事物，需要在核心关键指标上能拉开距离！也就是说分类后的结果，必须是显著的。大家平时耳熟能详的年终绩效评估、RFM用户分层模型等都是典型的分类思维的实际应用。

七、矩阵思维

矩阵思维是分类思维的拓展和演绎，它不再局限于用量化指标来进行分类。许多时候，我们没有详尽的数据可供精确分析，是可以通过选取某些重要指标组合成矩阵，大致可以将研究对象分成三六九等，然后指导我们进行下一步动作。

比较经典的矩阵思维当属“波士顿矩阵”。波士顿矩阵（BCG Matrix），又称市场增长率-相对市场份额矩阵，是由美国著名的管理学家、波士顿咨询公司创始人布鲁斯·亨德森于1970年创作。

波士顿矩阵其实就是通过决定产品结构的两个基本因素：销售增长率与市场占有率，将产品分成四种类型：

销售增长率和市场占有率“双高”的产品群（明星类产品）
销售增长率和市场占有率“双低”的产品群（瘦狗类产品）
销售增长率高、市场占有率低的产品群（问题类产品）
销售增长率低、市场占有率高的产品群（金牛类产品）

针对不同产品类型，合理分配企业资源，有针对性地制定战略对策。

八、漏斗思维

漏斗分析是一套基于提前定义好的行为事件的流程式分析，它能够科学反映用户行为路径或者从起点到终点各阶段用户转化率情况的分析模型。漏斗分析广泛应用于用户行为路径、流量监控和产品目标转化等场景中。

比如在电商行业中，我们想要直观展示用户从浏览到成功购买商品等各个环节的转化率，就可以应用漏斗图进行展示，通过漏斗图也可以很快发现业务流程中存在问题的环节。

除了常规的漏斗图，其实大名鼎鼎的AARRR海盗模型也是一种典型的漏斗分析模型，从开始的用户获取到最终的用户转化和推荐，通过提升每一个环节的转化率，从而最终达到用户爆发式增长的目的

九、细分思维

我们在实际工作可能会遇到这么一类问题：

某运营人员通过公众号推送自家公司的活动宣传页面，某天通过统计数据发现：相比昨天，男性用户点击率升高，女性用户点击率也在升高，但是当统计总体点击率时发现却在下降，于是他感到非常困惑，百思不得其解……

其实，这类问题就是典型的“辛普森悖论”现象。可能有人会问：到底什么是“辛普森悖论”现象呢？别着急，我们一起来看下面一段对话

这个小例子就是统计学上著名的“辛普森悖论(Simpson's Paradox)”。就上述例子来说，为什么会出现辛普森悖论现象呢？主要有以下两方面原因：

一方面，两分组的录取率相差很大，法学院（9.2%）很低，而商学院（53.3%）很高，但是两种性别的申请者分布比重却相反，女生偏爱申请商学院，相反男生偏爱申请法学院，故商学院女生申请比率（83.3%）远高于法学院女生比率（16.7%）。所以从结果上来说，录取率低的法学院，因为女生申请数少，所以不录取的女生相对很少；而录取率很高的商学院虽然录取了很多男生，但是申请者却不多。使得最后汇总的时候，女生在数量上反而占优势。

另一方面，性别并非是录取率高低的唯一因素，甚至可能是毫无影响的，至于在法、商学院中出现的比率差可能是属于随机事件，又或者是其他因素作用，譬如学生入学成绩，使人误认为这是由性别差异而造成的。

这让我想起了美国著名作家马克·吐温的一句名言

那我们如何才能避免“辛普森悖论”呢？

答案是…很难！不少统计学家认为，辛普森悖论的存在，让我们不可能光用统计数字来推导准确的因果关系。因此，这就给了我们一个很重要的提示，不能只看统计数字，必须要对数据进行细分、下钻，从而避免陷入统计数字的陷阱！至于如何对指标或数据进行细分，可以参考《数据分析必备十大思维（上）》中逻辑树思维、公式化思维等分析方法。