三种核心思维
结构化
定义:
- 核心观点:寻找金字塔的塔顶,它可以是假设,是问题,是预测,是原因
- 结构拆解:自上而下,将核心论点层层拆解成分论点,上下之间呈因果戒依赖关系
- MECE:相互独立,完全穷尽。论点之间避免交叉和重复,分论点们要尽量完善。
- 验证:无论核心论点还是分论点,都应该是可量化的,用数据说话。它们必然是可验证的
例1:现在有一个线下销售的产品。我们发现8月的销售额度下降,和去年同比下降了20%。我想先观察时间趋势下的波劢,看是突然暴跌,还是逐渐下降。再按照不同地区的数据看一下差异,有没有地区性的因素影响。我也准备问几个销售员,看一下现在的市场环境怎么样,听说有几家竞争对手也缩水了,看一下是不是这个原因。顾客访谈也要做,但是往常一直找不出原因,这次我也不抱希望,姑且试试吧。要是还找不出原因,那我也很绝望啊
- 时间→时间【内部】
- 地区→地区【内部】
- 竞争对手也缩水了→市场竞争、市场容量【外部】
- 顾客访谈→客户【内部】
- 额外补充:政策风险【外部】;销售单价、销售率【内部】
方法:
- 思维导图【单人】:xmind,幕布……
例1:
- 结构卡片【多人】
- 查看资料及背景,将结论列成一张表/卡片
- 把表上的结论,依据主题分类
- 将同一类型的结论,按顺序区分
- 讨论同一级别的共通结论,将其结论放在上一段位置
缺点:发散思维
公式化
- 上下互为计算:一切结构皆可量化
- +:不同类别的业务叠加。
- -:计算业务间的逻辑关系。
- *,/:比例或者比率。
例1:
- 左右呈关联:最小不可分割
方法:思维导图
例1:
业务化
例2:如何预估上海地区的共享单车投放量?
- 从城市流劢人口计算
- 从人口密度计算
- 从城市交通数据计算
- 从保有自行车计算
单车是有损耗的,计算公式中应该考虑单车的消耗因素
是否贴合业务:
- 有没有从业务方的角度思考?
- 真的分析出原因了吗?
- 能不能将分析结果落地?
例3:一家销售公司业绩没有起色,对它进行了分析
- 销售人员的效率降低,因为士气低落→提成低、天气热……
- 产品质量不佳,和同期竞争对手比没有优势→偷工减料、用户挑剔……
- 价格平平,顾客不喜欢→价格贵……
办法:换位思考业务人员
数据分析的思维技巧
象限法
总结:
- 核心:策略驱动
- 优点:直观,清晰,对数据进行人工的划分。划分结果可以直接应用于策略
- 应用:适用范围广
- 象限划分:中位数、平均数、经验
多维法
操作:
- 钻取:维度细分
- 上卷:维度归纳
- 切片
- 切块
- 旋转
总结:
- 核心:精细驱动
- 优点:处理大数据量,维度丰富且复杂的数据有较好的效果。
- 应用:数据齐全且丰富
- 问题:维度过多,会消耗不少时间。容易产生辛普森悖论,即总体和分组看得出的结论不同,因为里面有混杂因子/潜在变量。
假设法
- 核心:启发思考驱动
- 优点:当没有直观数据或者线索能分析时,以假设先行的方式进行推断,这是一个论证的过程。
- 应用:缺乏有效的数据,它更多是一种思考方式,假设——验证——判断。
- 不止可以假设前提,也能假设概率或者比例,一切都能假设,只要自圆其说。
指数法
通过将数据加工成指数,达到聚焦的目的。
方法:线性加权,反比例(x/(x+1)使之收敛在0-1),log(避免特别夸张的数据造成的异常)
总结:
- 核心:目标驱动
- 优点:目标驱动力强,直观、简洁、有效。对业务有一定的指导作用。一旦设立指数,不易频繁变动。
- 应用:无法利用数据而将其加工成可利用的。
- 指数法没统一的标准,很多指数更依赖经验的加工。
二八法
- 核心:只抓重点
- 优点:和业务紧密相关,和KPI更紧密相关。几乎花费最少的精力就能达到不错的效果,性价比很优。
- 应用:几乎所有的领域
- 在条件允许的情况下,数据分析依旧不能放弃全局,否则会让思路变得狭隘
对比法
好的数据指标,一定是比例或者比率
好的数据分析,一定会用到对比
孤数不证
维度:
- 竞争对手对比
- 时间同比环比
- 类别对比
- 转化对比
- 特征和属性对比
- 前后变化对比
总结:
- 核心:挖掘数据规律
- 优点:可以发现很多数据间的规律,它可以和任何思维技巧结合,比如多维对比、象限对比、假设对比等
- 应用:对比更多是一种习惯
- 在条件允许的情况下,数据分析依旧不能放弃全局,否则会让思路变得狭隘
漏斗法
- 核心:流程化思考
- 优点:单一的漏斗分析没有用,要和其他分析思维结合
- 应用:涉及到变化和流程的都能用
- 单一的转化率没用