数据分析总是做不好？你可能需要这个思维框架

人人挂在嘴边的数据分析，到底包含哪些方面？学好 Python 真的就能做好数据分析吗?

数据分析，拆开来看其实是几个方面：

工具、理论、业务

工具，指的是我们从事数据分析所使用的具体工具，如 SQL、Excel、Python、R、SAS等；

理论，指的是我们从事数据分析时所依赖的理论基础，如概率论、统计学、机器学习及相关的建模和分析框架；

业务，指的是数据分析落地的具体场景，输入和输出以及要解决的具体问题。

工具和理论都是比较容易速成的，这也是为什么各类网课主要集中在这些领域。

业务是依赖于在行业的经验，因此，转行最好先在同行业里面转，可以借用之前对于行业的业务理解，快速上手。

以上三个方面固然重要，但并不是数据分析的全部。

数据玩家还想再加一个维度，就是思维模式。

也就是，我们除了数据分析的工具、理论以及业务知识，还需要具备数据分析的思维。

那么什么叫做数据分析思维呢？

我认为可以分为三个方面：

第一 定量思维

迪斯尼通过草坪规划道路的故事大家也许都听过：

在迪斯尼乐园提前开放的半年里，草地被踩出许多小道，这些踩出的小道有宽有窄，优雅自然。第二年，格罗培斯让人按这些踩出的痕迹铺设了人行道。1971年在伦敦国际园林建筑艺术研讨会上，迪斯尼乐园的路径设计被评为世界最佳设计。

后来，迪斯尼还推出了 MagicBand，这个手环可以在园内支付，可作为酒店房卡，可以用来当 FastPass，可以用来停车等等，通过这些环节收集的数据，就可以知道哪几个项目最热门，哪几个项目不太热门，什么位置餐厅人满为患，说明还需要增加配置，什么地方餐厅无人问津，可能要做优化……

等等，时间一长，积累的数据就有了各种价值，看起来无法测量的东西，通过巧妙的收集数据，都可以测量。

这就是数据思维第一条，定量思维：万物皆可测。

第二 相关思维

大数据时代，随着算力的不断加强，原来小样本的计算已经可以升级为全样本计算，并且可以发现变量间的相关关系，用来代替原来小样本中推导出的因果关系。

最经典的例子就是08年的 Google Flu：

Google流感趋势（Google Flu Trends，GFT）是Google于2008年推出的一款预测流感的产品。Google认为，某些搜索字词有助于了解流感疫情。Google流感趋势会根据汇总的Google搜索数据，近乎实时地对全球当前的流感疫情进行估测

一个搜索行为，和一个疾病的发生，看似不相关的两件事情，存在强相关，这在原来是不可想象的。

不过，尽信数据不如无数据，一定要找到业务含义。

就拿 Google Flu 来说，在研究成果公布以后，研究人员发现结果不再准确了。经过反复确认和调研，发现因为很多人得知了这项成果，抱着好奇的心态尝试搜索关键字——尽管他们周围并未出现相关病例，导致预测结果不再准确。

当你观测的对象知道你在观测他的时候，观测结果就不再准确了。

这是数据思维的第二条，相关思维：万物皆可连

第三 实验思维

告别拍脑袋决策，告别依赖个人审美决策，告别依赖个人经验决策，通过实际的数据表现来决策。同时，根据实验结果不断的迭代和优化模型。

当然，实验的前提是测量，必须先将所有实验的数据采集下来，才能根据实验数据进行决策，同时，根据数据分析的结果，可能某些人群针对某个方案更加有效，这又会用到相关思维，即某些要素的相关性决定了最后的数据表现。

这是数据思维的第三条，实验思维：万物皆可试

通过以上三个思维模式，我们可以将实际中的业务问题进行拆解，转化为数据分析问题。

举个栗子

这么说可能还是比较抽象，具体来看看如何应用。

在广告营销领域，有一个著名的说法：

这是相当长的一段时间，广告营销行业最大的痛点，蒙着眼睛放广告，来了客户也不知道是广告带来的，还是自己找上门来的，或者其他渠道推荐来的。

那么，用上数据分析思维的广告营销，会变成什么样子呢？

运用定量思维，那就是营销效果要可以度量。一个广告投出去，我需要知道到底带来了多少转化，每个渠道的转化率怎样，以及这些客户的后续活跃程度如何，是不是假量？是不是羊毛党？是不是僵尸户？等等。

那么如何度量呢？我们自然可以想到，要检测转化率，那就要对每个渠道进来的客户打标签，定期出报表，监控每个标签下客户的活跃情况等等，自然的就形成了客户分群经营，分群营销，分群活动投放等等策略。

运用相关思维，那就是通过相关性分析，使得广告的投放更加精准。减少无效的广告投放，在更相关的人群上投放他们感兴趣的广告，提升转化率，节省营销费用。

那么如何进行相关性分析呢？通过前期采集的数据，使用 Apriori 、Collaborative Filtering 等算法，找出用户特征、用户行为及其最终购买之前的相关关系，从而优化投放及推荐模型。

运用实验思维，那就是通过实验，判断哪个投放模型更优，哪个投放渠道更优，同时根据反馈不断迭代和优化模型。

那么如何进行实验呢？自然是通过 A/B Test 方法，随机均分流量到不同的投放模型上，同时采集客户的反馈，不断的根据反馈迭代和优化模型。

总的来说，做好数据分析，除了掌握工具、理论和业务，还需要具备数据分析的思维，有了数据分析的思维框架，更容易将业务、理论和工具贯通，形成自己的数据分析框架，更好、更有效的进行数据分析工作。