7周-数据分析1周-数据分析思维

part1.数据分析的结构层次

底层数据的收集/产品段收集

数据采集简称埋点，收集用户在网页端、产品端、客户端等终端的数据，也包括第三方外部数据。

即：用户行为--原始数据 （原始数据放在数据库里）

数据可视化/产品的表现如何？

有了数据指标，必须管理好指标。数据分析体系即数据指标体系，指标需要监控和衡量

即：加工数据--可视化数据/信息

数据决策和执行/怎么让产品更好

当从数据中获得洞察，就需要把洞察转换成策略。这也是包含分析得过程。执行即包含策略的制定，也包括优化和改进。这是持续的。

即：可视化数据/信息--数据决策

数据模型/产品开始自动化和系统化的运营

这是将策略制作成数据应用和产品，当你洞察到数据中蕴含的规律，什么样的用户喜欢，什么样的商品会被购买，什么样的活动形式更好，就尝试把这些做成系统。

即：数据决策--数据产品/应用

数据战略/指导未来

当积累了大量的数据，大量的模型，大量的数据应用时，公司级的数据体系已经具备雏形。它不只是数据分析，而是应该将数据变现。

即：数据工具--数据体系/战略

2.怎么学

80%的业务思维，60%的数据能力，40%的工具技巧。

part2：数据分析思维

What：三种核心思维；Why：数据分析的思维技巧；How：如何在业务时间锻炼分析能力

三种核心思维

结构化、公式化、业务化

结构化

将分析思维结构化：将论点归纳和整理；将论点递进和拆解；将论点完善和补充。

麦肯锡金字塔思维

key takeaway：核心论点。比如：销量下降；

main argument：论点。

结构化步骤

1.核心论点：寻找金字塔的塔顶，它可以是假设，是问题，是预测，是原因。

2.结构拆解：自上而下，将核心论点层层拆解成分论点，上下之间呈因果或依赖关系。

3.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。

4.验证：不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。

问题：

1.出现销量问题的原因（外部、内部，内部外部会有交叉部分）：

外部因素：市场竞争、市场容量、政策环境、政策风险等人为无法控制的因素。

内部因素：产品自身原因、消费者、地区、时间，都是一些分论点的思考方式。

注：如果假设是地区的因素，但是所有的地区都出现了下跌，则假设是错误的，需要重新假设。

如果是某一个地区下降其他地区正常，就挖掘销量下降是地区因素这个分论点，可以考虑这个地区有没有竞争对手、这个地区的单价有没有变化、这个地区的购买人数有没有变化。如果找到‘购买人数下降’的分论点，就挖掘购买人数下降的原因，可以考虑是不是出了新的商品、是不是有替代品、或者之前有什么外部的原因导致顾客的大量流失。如果发现是顾客的流失，继续发掘流失的原因。。。

金字塔思维帮助更加宏观地考虑，而不是一个点一个点分散的去分析。

结构化的核心是思维导图。（XMind 头脑风暴）总分分。。

结构化是分析的思维，是猜想（eg:外部、市场、调研报告），但它还不够数据，而且难免有发散的缺点。

思维导图

公式化

公式化的核心是把一切量化

特点：1.量化；2.有计算；3.最小不可分割

一切皆可公式

例1：销售额由什么组成？销量和客单价相乘

例2：利润由什么组成？销售额收益和成本相减

例3：销售额是单一的维度吗？不是，销售额是多个商品类目/SKU的总和

例4：地区的销售由什么组成？不同线下渠道的累加

例5：销量还能再细挖吗？可以往下深挖人均销量和购买人数

公式化的应用（四则运算的运用场景）

＋：不同类别的业务叠加，按业务来确定加法。

- ：常用来计算业务间的逻辑关系。

* / ：是各种比例或者比率，转化率的关系。

根据结构化分析公式化

案例：

思维导图

根据结构化的思维导图进一步分析公式化的思维导图

业务化（流程化）

业务化和结构化、公式化的比较

结构化和公式化似乎已经能解决大部分问题（80%），但是还是存在漏洞、逻辑缺失，由业务化来补充。

问题：

如何预估上海地区的共享单车投放量？

从结构化+公式化分析：

分析1.从城市流动人口计算。比如：常住人口有2000w，有600w的劳务年龄乘以转化率。

分析2.从人口密度计算。市区人口面密度高，郊区人口密度低；郊区有分为居住区和商业区。

分析3.从城市交通数据计算。比如哪条地铁的哪个站点的人流量多，重点投放。

分析4.保有自行车计算。网上公开数据*转化率。

思考：以上的分析看似全面，但是却没有考虑到转化率。

因此结构化+公式化+业务化：

如何使你的分析贴合业务？

1.有没有从业务方的角度思考？

2.真的分析出原因了吗？

3.能不能将分析结果落地？跟进、监控的习惯。

例题：

一家销售公司业绩没有起色，对它进行了分析

        1.销售人员的效率降低，因为士气低落。

        2.产品质量不佳，和同期竞争对手比没有优势。

        3.价格平平，顾客不喜欢。

        用结构化+公式化拆解的这三点看似是有效的分析论点，但不是一个靠谱的、可以落地的结论。首先‘士气低落’只是一个现象，不是真正的原因；‘产品质量不佳’也是一个现象，不是真正的原因；‘顾客不喜欢’也是一个现象，不是真正的原因。要考虑的是士气为什么低落，可能是提成不高、可能是跑业务太累；产品质量不佳的原因是什么，可能是原材料偷工减料、可能是用户变挑剔了；顾客不喜欢的原因是什么，因为顾客的要求千变万化，可能是嫌价格贵等等。所以这三点都不是结论。

用结构化思考+公式化拆解，获得的最终分析点，很多时候是现象。数据是某个结果的体现，但不代表原因。

如何培养业务思维？

1.多和业务方沟通；2.多从业务方思考；3.本身最好参与到业务里

三种核心思维总结

part3：数据分析的思维技巧

三种核心思想是框架型的指引，实际应用中也应该借助思维的技巧工具。

7种方法

二八法 漏斗法 对比法 象限法 指数法 假设法 多维法

象限法：

使用象限图来分析数据，如RFM模型。

RFM模型

象限法特点

核心：象限法是一种策略驱动的思维。

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、战略分析、产品分析、市场分析、客户管理、用户管理、商品管理等。

须知：象限划分可以按中位数，也可以按平均数，或者是经验。

多维法：

从多个维度交叉分析数据。

比如：

1.用户统计维度：性别、年龄…

2.用户行为维度：注册用户、用户偏好、用户兴趣、用户流失…

3.消费维度：消费金额、消费频率、消费水平…

4.商品维度：商品品类、商品品牌、商品属性…

多维度细分

辛普森悖论

辛普森悖论：单看‘学院’的女生录取率42%大于男生录取率21%；但是把学院细分后，商学院的女生录取率49%小于男生录取率75%，法学院的女生录取率5%小于男生录取率10%。

多维法特点

核心：是一种精细驱动的思维。

优点：处理大数据量，维度丰富且复杂的数据有较好的效果。但是 维度过多，会消耗不少时间。

应用：只要数据齐全且丰富，均可以应用。

须知：对不同维度进行交叉分析时，需要注意辛普森悖论。

假设法：

引例：现在，马上，公司要派你去贝宁出差，如果你只能携带一个背包，你会往里面装什么东西？你为什么要忘里面装它？ 答案可以有千百种，但是最恰当的回答是：虽然贝宁这个地方我不熟悉，但我假设它在非洲，那么现在我得考虑炎热的情况…

很多时候，数据分析是没有数据可明确参考的：比如新进入一个市场，公司开拓某样产品。老板让你预测一年后的销量，或者产品的数据基础非常糟糕，你拿不到数据。

在数据不足时通过假设进行推断。

案例：

案例1：公司在节日进行了一次营销活动，APP上的销量数据整体比上周上升了20%。因为统计失误问题，拿不到明细数据，也就是说，活动效果是一个黑盒。现在的问题是，销量本身就有可能因为节日而提高，那么怎么证明活动是有效或者无效的呢？

假设活动是有效的

1.思考一下，活动有效的话，会发生什么事情？

2.会有一定数量的用户购买，如果能证明这条，那么我们有理由相信活动是有效的。

3.用户通过活动购买商品，会发生什么可观测的行为呢？假设有一些用户会评论留言，那么可以统计提及活动的字眼。

4.当用户提及了这次营销活动，接下来的问题是，有效了多少？10%，20%？

5.假设参与活动的用户行为没有变化，那么通过历史数据的用户评论占比，反推购买人数。

案例2：你是自营电商的数据分析师，现在想商品提价后，收入会不会有变化？你会怎么做？

1.假设商品提价后，销量一定会下跌，问题是销量下跌多少？

2.首先假设流量不会有变化，流量和渠道营销正相关，商品价格影响转化率，那么现在确定转化率的波动。

3.找出平时的转化率（譬如为20%），预估提价后的转化率变化。假设各类型用户对价格敏感度不同，那么将用户划分忠诚用户、普通用户、羊毛用户…

4.不同用户层次数量不同，反应不同。忠诚用户转化率变化极低，羊毛几乎不会转化…这些数据可以凭借经验做出假设。最后汇总。

假设法特点：

核心：假设是一种启发思考驱动的思维。

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：它更多是一种思考方式，假设—验证—判断。

须知：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

思考以下问题？

1.中国今年的经济指标如何？

2.美国NBA最佳球星是谁？

3.竞争对手产品表现如何？

NBA比赛数据贡献值： (得分+篮板+助攻+抢断+封盖)-(出手次数-命中次数)-(罚球次数-罚球命中次数)-(失误次数/球员上场比赛的场次)

很多时候，我们有数据，但不知道怎么应用。就是因为缺乏了一个有效性的方向。这个方向可以成为目标指数。通过将数据加工成指数，达到聚焦的目的。

几个计算方法

1.线性加权； 2.反比例； 3.log

指数法的特点：

核心：指数法是一种目标驱动的思维

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：和假设法不同，假设法是缺乏有效的数据，指数法是无法利用数据而将其加工成可利用的。

须知：指数法没统一的标准，很多指数更依赖经验的加工。

二八法

1.数据中，20%的变量将直接产生80%的效果，数据分析更应该围绕这20%作文章。

2.持续关注Top N的数据，是一个很好的习惯，尤其在部分行业。

3.虽然指标很多，但往往某些指标更有价值，二八法则不仅分析数据，也能管理数据。

二八法特点

核心：二八法是一种只抓重点的思维

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：二八法则存在于几乎所有的领域，所以这种分析思维没有局限。

须知：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。

案例：

案例1：老王卖水果，今天卖了1000元水果，这个数据有分析价值么？ 老王卖水果，今天卖了1000元，昨天卖了800元，这个数据有分析价值么？ 老王卖水果，今天卖了1000元。隔壁的老马卖了2000元，这个数据分析有价值么？ 老王卖水果，今天卖了1000元，昨天卖了800元，隔壁的老马昨天卖了3000元，今天卖了2000元，这个数据分析有价值么？ 老王花了3000元的营销成本卖了1000元水果，这个数据分析价值么？ 老王其实是王健林，他有几百亿资产，他卖水果卖了1000元，这个数据分析有价值么？

这个案例的几个例子价值都不大。

案例2：节日大促，女生消费占比从60%变为70%，女生节日爱消费:？

1.这个结论是有问题的。

2.占比提高了，不代表绝对值提高了。某商品平时销售额100万女生占60万，节日销售额80万女生占56万，女生真的消费变高了？

3.谁说节日销售额会提高？别忘了竞争对手

4.孤数不证

几种对比法：

竞争对手对比、类别对比、特征和属性对比、时间同比环比、转化对比、前后变化对比

对比法的特点

核心：对比法是一种挖掘数据规律的思考方式。

优点：对比法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，是数据分析的牛角尖，一次合格的分析，一定要用到n次对比。

须知：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

漏斗法主要用于分析从潜在客户到实际客户的转化过程。这种方法的核心在于逐层剖析每一步的转化率，从而找出客户流失的原因和改进的空间。漏斗法对于电商、营销等领域尤为重要，因为它能够帮助公司优化客户获取和转化流程。

漏斗法的特点

核心：漏斗法是一种流程化思考方式。

优点：单一的漏斗分析没有用，转化率20%，但是能说明什么呢？ 它要和其他分析思维结合，比如多维，比如对比。

应用：涉及到变化和流程的都能用。

须知：单一的转化率没有，单一的转化率没有，单一的转化率没有。

Part4.如何在业务时间锻炼数据分析思维

01 好奇心多问自己为什么？ 好奇心 为什么啤酒不尿布是错的？买了尿布的人会买啤酒，但是买啤酒的人会买尿布么？ 怎么摆放啤酒？部分还是全部品类？ 数据呢？ 场景型的摆放是否比品类摆放更好？ 尿布旁边应该摆放其他东西么？啤酒是否是最好选择？

02 生活中的练习 这个夜市一天的人流量是多少？一年的 人流量又是多少？ 「现煮小卷」每天的营业额是多少？ 这个夜市，哪家店的利润是最高的？它 比最低的高出多少？原因是什么？ 如何从数据分析的角度提高最低店的营业额？ 夜店准备弄一次活劢，如何设计一套数据评估方案评估活劢效果？

02 生活中的练习 为什么领导戒者同事丌认同这次分析？ 原因是什么？ 如果我的职位比现在高两级，我会去怎么分析？ 让我再次分析一年前做的那个案例，我 会怎么去优化和改迚？ 我的历史分析，能用三种核心思维去优 化和迭代吗？