業務分析指標思維方法

⑴ 數據分析師常用的數據分析思路

01 細分分析

細分分析是數據分析的基礎，單一維度下的指標數據信息價值很低。

細分分析法可以大致分為兩類，一類是逐步分析，如：來北京市的訪客可分為朝陽和海淀等區;另一類是維度交叉，如：來自付費SEM的新訪客。

02 對比分析

對比分析主要是把兩個有關聯的數據指標進行相互比較，從數量上說明和展現研究對象的規模大小，水平的高低，速度快慢等方面的相對值，然後通過在一樣的維度下的指標數據對比，可以發現，找出業務在不同階段的問題。

03 漏斗分析

轉化漏斗分析是數據分析師進行業務分析的基本模型，我們最經常見的就是把最終的轉化設置為某種目的的實現，最典型的就是完成交易。但也可以是其他任何目的的實現，比如一次使用app的時間超過10分鍾。

04 同期群分析

同期群(cohort)分析在數據分析運營領域相當重要，尤其是互聯網運營，特別需要仔細觀察留存的情況。通過對性質完全一樣的可對比群體的留存情況的比較，來分析哪些因素影響用戶的留存。

05 聚類分析

聚類分析具有簡單，直觀的特徵，網站分析中的聚類主要分為：用戶，頁面或內容，來源。

用戶聚類主要體現為用戶分群，用戶標簽法;頁面聚類則主要是相似，相關頁面分組法;來源聚類主要包括渠道，關鍵詞等。

06 AB測試

增長黑客的一個主要思想之一，是千萬不要做一個大又全的東西，相反是需要不斷做出能夠快速驗證的小而精的東西。快速驗證，那如何驗證呢?主要方法就是AB測試。

07 埋點分析

只有採集了足夠的基礎數據，才能通過各種分析方法得到需要的分析結果。

通過分析用戶行為，並細分為：瀏覽行為，輕度交互，重度交互，交易行為，對於瀏覽行為和輕度交互行為的點擊按鈕等事件，因其使用頻繁，數據簡單，採用無埋點技術實現自助埋點，即可以提高數據分析的實效性，需要的數據可立即提取，又大量減少技術人員的工作量，需要採集更豐富信息的行為。

08 來源分析

流量紅利消失，我們對獲客來源的重視度極高，如何有效的標注用戶來源，至關重要。

傳統分析工具，渠道分析僅有單一維度，要深入分析不同渠道不同階段效果，SEM付費搜索等來源渠道和用戶所在地區進行交叉分析，得出不同區域的獲客詳細信息，維度越細，分析結果也越有價值。

09 用戶分析

眾所周知，用戶分析是互聯網運營的核心環節，通常用到的分析方法有：活躍分析，留存分析，用戶分群，用戶畫像，用戶細查等。可將用戶活躍細分為瀏覽活躍，互動活躍，交易活躍等，通過活躍行為的細分，掌握關鍵行為指標。

10 表單分析

表單分析中的填寫表單，這個環節是每個平台與用戶交互的必有環節，一份完美的表單設計，對客戶轉化率的提升有至關重要的作用。

用戶進入表單頁面，這時候就已經產生了微漏斗，從進入的總共的人數到最後完成，並且成功提交表單人數，這個過程之中，有多少人開始填寫表單，填寫表單時，遇到了什麼困難導致無法完成表單，都影響最終的轉化效果。

有關數據分析師常用的數據分析思路的內容，青藤小編就和您分享到這里了。如果您對互聯網大數據有著濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於大數據、數據分析師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

⑵ 進行綜合指標分析的方法主要有哪幾種

綜合指標分析方法主要有杜邦財務分析體系和沃爾比重評分法。

1、邦財務分析體系

利用幾種主要的財務比率之間的關系來綜合地分析企業的財務狀況。具體來說，它是一種用來評價公司盈利能力和股東權益回報水平，從財務角度評價企業績效的一種經典方法。以凈資產收益率為核心，通過分析各分解指標的變動對凈資產收益率的影響來揭示企業獲利能力及其變動原因。

2、沃爾比重評分法

是指將選定的財務比率用線性關系結合起來，並分別給定各自的分數比重，然後通過與標准比率進行比較，確定各項指標的得分及總體指標的累計分數，從而對企業的信用水平作出評價的方法。沃爾比重評分法的公式為：實際分數=實際值÷標准值×權重。

(2)業務分析指標思維方法擴展閱讀：

杜邦分析方法在公司的運用

在國外很多公司已經採用經濟增加值（EVA）或現金回報率（CFROE）作為公司業績的衡量指標，有些外國公司也在廣泛的採用平衡積分卡或類似於積分卡的業績考核方法來進行公司業績考核。

實際上，合理運用凈資產回報率（ROE）進行企業管理在很多公司來說是一種非常便捷的手段，也能夠幫助公司的管理人員很好發現公司運營過程中存在的問題，並尋求改進方法。在企業咨詢實踐過程中，就有意識地使用這種方法來幫助特別是私營企業進行財務管理，並取得了良好的效果。

⑶ 財務分析一般會有哪些思路和方法

一、財務指標分析

為了壓庫存集團財務出過很多財務分析報告，很多都停留在這個層面，流動比率、速動比率，圖書分類，圖書庫齡，圖書種類，各種數據都有。大部分都是無用功，幾十頁紙的報告，主要結論就是圖書庫存大。

二、分析業務實質

財務是發現問題，造成問題的責任人還是業務，所以財務分析報告一定要分析業務。集團的財務人員當然也會從業務上找原因。大家認為圖書庫存的上漲的主要原因是印多了賣不掉！有可能是市場誤判。

三、分析人心

我分析了公司近三年的庫存結構，發現庫存商品總額變化並不大，雖然也有增長，但都是隨著營收同比增加的。只有發生商品，3個億的存貨增長，有2.2億是發出商品增長導致的，說明問題出在發出商品上面的。

財務分析是以會計核算和報表資料及其他相關資料為依據，採用一系列專門的分析技術和方法，對企業等經濟組織過去和現在有關籌資活動、投資活動、經營活動、分配活動的盈利能力、營運能力、償債能力和增長能力狀況等進行分析與評價的經濟管理活動。

⑷ 數據分析的五大思維方式

數據分析的五大思維方式

發現很多朋友不會處理數據，這個過程叫做數據清洗，中間可能涉及到編程，分析人員是應該學點編程的，後面抽時間給大家介紹一下，今天不講這個。

今天要講數據分析的五大思維方式。

首先，我們要知道，什麼叫數據分析。其實從數據到信息的這個過程，就是數據分析。數據本身並沒有什麼價值，有價值的是我們從數據中提取出來的信息。

然而，我們還要搞清楚數據分析的目的是什麼?

目的是解決我們現實中的某個問題或者滿足現實中的某個需求。

那麼，在這個從數據到信息的過程中，肯定是有一些固定的思路，或者稱之為思維方式。下面零一給你一一介紹。(本文用到的指標和維度是同一個意思)

第一大思維【對照】

【對照】俗稱對比，單獨看一個數據是不會有感覺的，必需跟另一個數據做對比才會有感覺。比如下面的圖a和圖b。

圖a毫無感覺

圖b經過跟昨天的成交量對比，就會發現，今天跟昨天實則差了一大截。

這是最基本的思路，也是最重要的思路。在現實中的應用非常廣，比如選款測款丶監控店鋪數據等，這些過程就是在做【對照】，分析人員拿到數據後，如果數據是獨立的，無法進行對比的話，就無法判斷，等於無法從數據中讀取有用的信息。

第二大思維【拆分】

分析這個詞從字面上來理解，就是拆分和解析。因此可見，拆分在數據分析中的重要性。在派代上面也隨處可見「拆分」一詞，很多作者都會用這樣的口吻：經過拆分後，我們就清晰了……。不過，我相信有很多朋友並沒有弄清楚，拆分是怎麼用的。

我們回到第一個思維【對比】上面來，當某個維度可以對比的時候，我們選擇對比。再對比後發現問題需要找出原因的時候?或者根本就沒有得對比。這個時候，【拆分】就閃亮登場了。

大家看下面一個場景。

運營小美，經過對比店鋪的數據，發現今天的銷售額只有昨天的50%，這個時候，我們再怎麼對比銷售額這個維度，已經沒有意義了。這時需要對銷售額這個維度做分解，拆分指標。

銷售額=成交用戶數*客單價，成交用戶數又等於訪客數*轉化率。

詳見圖c和圖d

圖c是一個指標公式的拆解

圖b是對流量的組成成分做的簡單分解(還可以分很細很全)

拆分後的結果，相對於拆分前會清晰許多，便於分析，找細節。可見，拆分是分析人員必備的思維之一。

第三大思維【降維】

是否有面對一大堆維度的數據卻促手無策的經歷?當數據維度太多的時候，我們不可能每個維度都拿來分析，有一些有關聯的指標，是可以從中篩選出代表的維度即可。如下表

這么多的維度，其實不必每個都分析。我們知道成交用戶數/訪客數=轉化率，當存在這種維度，是可以通過其他兩個維度通過計算轉化出來的時候，我們就可以【降維】.

成交用戶數丶訪客數和轉化率，只要三選二即可。另外，成交用戶數*客單價=銷售額，這三個也可以三擇二。

另外，我們一般只關心對我們有用的數據，當有某些維度的數據跟我們的分析無關時，我們就可以篩選掉，達到【降維】的目的。

第四大思維【增維】

增維和降維是對應的，有降必有增。當我們當前的維度不能很好地解釋我們的問題時，我們就需要對數據做一個運算，增加多一個指標。請看下圖。

我們發現一個搜索指數和一個寶貝數，這兩個指標一個代表需求，一個代表競爭，有很多人把搜索指數/寶貝數=倍數，用倍數來代表一個詞的競爭度(僅供參考)。這種做法，就是在增維。增加的維度有一種叫法稱之為【輔助列】。

【增維】和【降維】是必需對數據的意義有充分的了解後，為了方便我們進行分析，有目的的對數據進行轉換運算。

第五大思維【假說】

當我們拿不準未來的時候，或者說是迷茫的時候。我們可以應用【假說】，假說是統計學的專業名詞吧，俗稱假設。當我們不知道結果，或者有幾種選擇的時候，那麼我們就召喚【假說】，我們先假設有了結果，然後運用逆向思維。

從結果到原因，要有怎麼樣的因，才能產生這種結果。這有點尋根的味道。那麼，我們可以知道，現在滿足了多少因，還需要多少因。如果是多選的情況下，我們就可以通過這種方法來找到最佳路徑(決策)

當然，【假說】的威力不僅僅如此。【假說】可是一匹天馬(行空)，除了結果可以假設，過程也是可以被假設的。

我們回到數據分析的目的，我們就會知道只有明確了問題和需求，我們才能選擇分析的方法。

順帶給大家講講三大數據類型。這個屬於偷換概念，其實就是時間序列的細分，不是真正意義上的數據類型，但這個卻是在處理店鋪數據時經常會碰到的事情。數據放在坐標軸上面分【過去】丶【現在】和【未來】

第一大數據類型【過去】

【過去】的數據指歷史數據，已經發生過的數據。

作用：用於總結丶對照和提煉知識

如：歷史店鋪運營數據，退款數據，訂單數據

第二大數據類型【現在】

【現在】的概念比較模糊，當天，當月，今年這些都可以是現在的數據，看我們的時間單位而定。如果我們是以天作為單位，那麼，今天的數據，就是現在的數據。現在的數據和過去的數據做比較，才可以知道現在自己是在哪個位置，單有現在的數據，是沒什麼用處的。

作用：用於了解現況，發現問題

如：當天的店鋪數據

第三大數據類型【未來】

【未來】的數據指未發生的數據，通過預測得到。比如我們做得規劃，預算等，這些就是在時間點上還沒有到，但是卻已經有了數據。這個數據是作為參考的數據，預測沒有100%，總是有點兒出入的。

作用：用於預測

如：店鋪規劃，銷售計劃

三種數據是單向流動的，未來終究會變成現在，直到變成過去。

他人我不知道，但我自己非常喜歡把數據往坐標軸上面放，按時間段一劃分，每個數據的作用就非常清晰。

以上是小編為大家分享的關於數據分析的五大思維方式的相關內容，更多信息可以關注環球青藤分享更多干貨

⑸ 數據分析師常用的思維分析方式是什麼

1. 對比思維
對比這兩個字大家肯定都不陌生，比如買東西我們會貨比三家，其實生活中處處有對比。
比如說，小芳一直成績優異，但是末次考試發揮失常，數學只考了40分，班主任找到小芳談話，問她說：「你最近怎麼回事，上次你數學考了80分，全班前十，這次怎麼考的這么差？你看看你的同桌，這次都考了73分。」
從這個小故事中可以看出，對比一般有兩種方式，橫向對比和縱向對比。橫向對比也就是與同類對比，比如班主任拿小芳的成績跟她同桌的成績做對比。縱向對比是指同一類型不同時間的對比，比如班主任拿小芳這次的成績和上次的成績做對比。

2. 細分思維
細分思維很多人可能乍一聽不太明白，其實生活中很多小事都體現了細分思維。就比如我們人體是由九大系統構成的，系統又是由器官構成的，器官是由組織構成的、細胞又構成了組織，層層細分。
再拿剛剛的例子來說，還是我們的小芳同學，還是剛剛那場考試，班主任讓小芳對自己這考試的總成績做一個總結，小芳拿著成績單仔細研究，發現這次總成績不是很好，但是仔細一看，發現除了數學成績只考了40分以外，其他科目的成績都名列前茅，數學成績拉低了小芳的整體成績。
在這里我們就是把整體考試成績細分為具體的科目來總結歸因。在數據分析的工作中，細分的緯度主要包括時間、地區、渠道、產品、員工、客戶等。杜邦分析法、麥肯錫的 MECE 分析法本質上都屬於細分思維。

3. 溯源思維
前兩個思維能夠對應一部分數據分析工作要求，但是如果有一些數據不能用前兩種思維來處理怎麼辦呢？
那我們就可以用到另一種溯源思維。俗話說追根溯源，很多時候我們要想知道事物背後的邏輯原因，最好的方法可能是去探究事物發生的原因，來幫助我們分析。
繼續拿小芳舉例，她放學回家把成績單交給媽媽，媽媽通過對比、細分的思維方法知道了小芳這次考試的大概情況，也知道是數學失利了。但是小芳的數學一向是強項，媽媽還是無法理解為什麼會在這里出問題，於是媽媽找來小芳談心，詳細了解了考試時的情況，才發現是因為小芳考數學的那天中午吃壞了肚子，下午的數學考試剛好發作，疼痛難忍，以至於很多本來會做的題目都做錯了。媽媽也理解了小芳，並且向小芳表達了歉意，也會更注重小芳的飲食問題。
上面的例子里，小芳的媽媽無法從表面的數據上分析出事情發生的原因，於是採用了溯源思維，找到了真正的原因。如果數據分析師在工作中也能利用好溯源思維，那麼對數據的敏感和業務的理解也能逐步加深。

4. 相關思維
上面幾種思維是比較常用的思維方式，下面我們就來說說相關思維，這也是數據分析的核心思維能力。
很多人可能都知道著名的啤酒與尿布的故事，在業界是一個相關分析的經典案例。故事背景是20世紀90年代的美國沃爾瑪超市，當時沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠准確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常一起購買的商品有哪些。
沃爾瑪數據倉庫里集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。一個意外的發現是：跟尿布一起購買最多的商品竟是啤酒。
經過大量實際調查和分析，揭示了一個隱藏在「尿布與啤酒」後的美國人的一種行為模式：在美國，一些年輕的父親下班後經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產生這一現象的原因是：美國的妻子們常叮囑她們的丈夫下班後為小孩買尿布，而丈夫們在買尿布後又隨手帶回了他們喜歡的啤酒。
如果數據分析師能夠熟練靈活的將相關分析運用到工作中，就能從僅僅知道數據分析的結果是什麼進階到知道呈現這個結果的原因是為什麼。

5. 假設思維
之前的思維模式都是建立在我們有大量的已知數據可以進行分析論證的時候，那麼如果我們還沒有足夠的數據量或者證據來驗證這件事，我們應該怎麼辦呢？這種時候就可以用到我們的假設思維。先對大膽進行假設，然後再小心求證，最後去想辦法驗證假設是否成立。
比如，小芳想吃荔枝，於是下樓去買，跟賣荔枝的阿姨之間有這樣一段對話：
小芳：「阿姨，你這荔枝甜不甜？」
阿姨：「甜啊，我這有切好的，你先嘗一嘗試試。」
小芳：「好，那我嘗一個。」
小芳拿來一個荔枝，嘗了一口：「嗯，不錯，確實挺甜的，給我稱兩斤吧。」
上面這個看似簡單的小故事，其實就隱藏了簡單的假設檢驗。首先，小芳提出假設：荔枝是甜的；其次，隨機抽取一個樣本；然後，檢驗是否是甜的；最後，作出判斷，確認荔枝真的是甜的，所以就購買了。
在數據分析中，假設思維的專業術語叫假設檢驗，一般包括四個步驟，即：提出假設、抽取樣本、檢驗假設、作出判斷。數據分析師可以充分利用這一思維模式。

6. 逆向思維
逆向思維這個詞大家一定都不陌生，很多著名企業家的演講中就常常提到這個詞，他們都提倡打破常規的思維模式，從相反的方向來思考問題。
下面我們邀請小芳同學再次登場。
有一次，小芳去買辣椒，跟阿姨之間又有一段對話。
小芳：「阿姨，你這辣椒多少錢一斤？」
阿姨：「一塊五。」
小芳挑了 3 個放到秤盤：「阿姨，幫我稱一下。」
阿姨：「一斤半，兩 塊 2 毛。」
小芳去掉其中最大的辣椒：「做湯不用那麼多。」
攤主：「一斤二兩，一塊6毛。」
小芳拿起剛剛去掉的那個最大的辣椒，付了 6毛錢，笑著跟阿姨說了再見。
你看，運用逆向思維，有時可能會起到意想不到的效果。

7. 演繹思維
演繹思維相對於前面的幾種思維方式可能不是那麼好理解。
演繹思維的方向是由一般到個別，大家要記住這一點，後面我們還會提到。也就是說，演繹的前提是一般性的抽象知識，而結論是個別性的具體知識。演繹的主要形式是由大前提、小前提、結論三部分組成的三段論。
以物理學上一個常識為例。
大前提：金屬能導電。
小前提：銀鐵是金屬。
結論：銀能導電。
從這個例子中可以看出，大前提是已知的一般原理（金屬能導電），小前提是研究的特殊場合（鐵是金屬），結論是將特殊場合歸到一般原理之下得出的新知識（銀能導電）。

8. 歸納思維
歸納思維的方向與演繹正好相反，歸納的過程是從個別到一般。
還是以金屬能導電為例。
前提：金能導電，銀能導電，銅能導電，鋁能導電。
結論：金屬能導電。
數據分析的過程，往往是先接觸到個別事物，而後進行歸納總結，推及一般，再進行演繹推理，從一般推及個別，如此循環往復，不斷積累經驗。

總結
本文總結了數據分析的 8 種思維，分別是對比、細分、溯源、相關、假設、逆向、演繹、歸納。作為一名數據分析師，如果在工作中能充分運用好這些思維，是對個人能力極大地提升，就能夠在工作中創造更多的個人價值。

⑹ 教你如何建立數據分析思維

在數據分析中，建立一個數據分析思維是一個至關重要的事情，但是建立一個數據分析思維不是一個簡單的事情，需要不斷的學習，不斷的實踐才能夠驗證這種思維是不是一個合適的數據分析思維，下面就給大家介紹一種經過實踐過了的數據分析思維，希望能夠給大家帶來幫助。
如何建立數據分析思維呢？首先需要建立一個好的指標體系。了解和使用指標是數據分析思維的第一步，大家在建立數據分析的指標體系的時候應該能夠意識到孤立的指標發揮不出數據的價值。和分析思維一樣，指標也能結構化，也應該用結構化。上面提到的知識都是需要不同行業經驗和業務知識去學習掌握，同時還要總結通用的技巧和注意事項。
建立一個好的指標體系之後，還需要明確指標的好壞，那麼什麼是好指標呢？什麼是壞指標呢？行業人士說好指標應該是核心驅動指標。核心指標不只是寫在周報的數字，而是整個運營團隊、產品團隊乃至研發團隊都統一努力的目標。當然核心驅動指標和公司發展存在某種聯系，是公司在一個階段內的重點方向。記住是一個階段，不同時期的核心驅動指標不一樣。不同業務的核心驅動指標也不一樣。
上述說的是好指標，那麼壞指標有哪些呢？壞指標就是虛榮指標，它沒有任何的實際意義。虛榮指標是沒有意義的指標，往往看起來不錯，其實並沒有實際的意義。壞指標也是後驗性指標，它往往只能反應已經發生的事情。壞指標同樣也是復雜性指標，它能夠將數據分析拖進一堆指標的陷阱中。
其次就是建立正確的指標結構。建立正確的指標結構和分析思維的金字塔結構一樣，指標也有固有結構，呈現樹狀。指標結構的構建核心是以業務流程為思路，以結構為導向。從流程的角度搭建指標框架，可以全面的收集用戶相關數據，這樣可以毫無遺漏的保留出相關的數據。
以上的內容就是教給大家如何去建立自己的數據分析思維的方式了，大家在進行建立數據分析思維的時候一定要參考上面提到的步驟，首先就是建立一個好的指標體系，其次就是明確指標的好壞，最後就是建立正確的指標結構，希望這篇文章能夠給大家帶來幫助。

⑺ 如何提高業務分析能力

思維能力和分析判斷能力來源於實踐。 實踐之前要學習，學習是最直接的方法。 首先，明確你要提高哪方面的分析判斷能力。 第二，學習相關知識，你的分析判斷根據是什麼？就是理論。理論是什麼？所以需要學習相關知識。 第三、開始使用你學到的東西，來分析案例。案例是什麼?就是實際生活中的事情。如果不會分析。可以先學習、模仿別人怎麼做的。但模仿時候，不是照搬別人的。而是要有自己的心得。心得就是感受感想。 當你有了感受和感想。你的分析判斷能力就得到了鍛煉。 方法原理已經有了,具體要做好就得多練習實踐了， 成功就是簡單事情重復做。

⑻ 全面教你如何建立數據分析的思維框架

全面教你如何建立數據分析的思維框架
目前，還有一些人不會建立數據分析的思維框架，那麼今天課課家，就一步一步的教大家怎麼建立，大神路過還請繞道，當然還可以交流一下。有需要的小夥伴，可以參考一下。
曾經有人問過我，什麼是數據分析思維?如果分析思維是一種結構化的體現，那麼數據分析思維在它的基礎上再加一個准則：
不是我覺得，而是數據證明。
這是一道分水嶺，「我覺得」是一種直覺化經驗化的思維，工作不可能處處依賴自己的直覺，公司發展更不可能依賴於此。數據證明則是數據分析的最直接體現，它依託於數據導向型的思維，而不是技巧，前者是指導，後者只是應用。
作為個人，應該如何建立數據分析思維呢?
一、建立你的指標體系
在我們談論指標之前，先將時間倒推幾十年，現代管理學之父彼得·德魯克說過一句很經典的話：
如果你不能衡量它，那麼你就不能有效增長它。
所謂衡量，就是需要統一標准來定義和評價業務。這個標准就是指標。假設隔壁老王開了一家水果鋪子，你問他每天生意怎麼樣，他可以回答賣的不錯，很好，最近不景氣。這些都是很虛的詞，因為他認為賣的不錯也許是賣了50個，而你認為的賣的不錯，是賣了100。
這就是「我覺得」造成的認知陷阱。將案例放到公司時，會遇到更多的問題：若有一位運營和你說，產品表現不錯，因為每天都有很多人評價和稱贊，還給你看了幾個截圖。而另外一位運營說，產品有些問題，推的活動商品賣的不好，你應該相信誰呢?
其實誰都很難相信，這些眾口異詞的判斷都是因為缺乏數據分析思維造成的。
老王想要描述生意，他應該使用銷量，這就是他的指標，互聯網想要描述產品，也應該使用活躍率、使用率、轉化率等指標。
如果你不能用指標描述業務，那麼你就不能有效增長它。
了解和使用指標是數據分析思維的第一步，接下來你需要建立指標體系，孤立的指標發揮不出數據的價值。和分析思維一樣，指標也能結構化，也應該用結構化。
我們看一下互聯網的產品，一個用戶從開始使用到離開，都會經歷這些環節步驟。電商app還是內容平台，都是雷同的。想一想，你會需要用到哪些指標?
而下面這張圖，解釋了什麼是指標化，這就是有無數據分析思維的差異，也是典型的數據化運營，有空可以再深入講這塊。
標體系沒有放之四海而皆準的模板，不同業務形態有不同的指標體系。移動APP和網站不一樣，SaaS和電子商務不一樣，低頻消費和高頻消費不一樣。好比一款婚慶相關的APP，不需要考慮復購率指標;互聯網金融，必須要風控指標;電子商務，賣家和買家的指標各不一樣。
這些需要不同行業經驗和業務知識去學習掌握，那有沒有通用的技巧和注意事項呢?
二、明確好指標與壞指標
不是所有的指標都是好的。這是初出茅廬者常犯的錯誤。我們繼續回到老王的水果鋪子，來思考一下，銷量這個指標究竟是不是好的?
最近物價上漲，老王順應調高了水果價格，又不敢漲的提高，雖然水果銷量沒有大變化，但老王發現一個月下來沒賺多少，私房錢都不夠存。
老王這個月的各類水果銷量有2000，但最後還是虧本了，仔細研究後發現，雖然銷量高，但是水果庫存也高，每個月都有幾百單位的水果滯銷最後過期虧本。
這兩個例子都能說明只看銷量是一件多不靠譜的事情。銷量是一個衡量指標，但不是好指標。老王這種個體經營戶，應該以水果鋪子的利潤為核心要素。
好指標應該是核心驅動指標。雖然指標很重要，但是有些指標需要更重要。就像銷量和利潤，用戶數和活躍用戶數，後者都比前者重要。
核心指標不只是寫在周報的數字，而是整個運營團隊、產品團隊乃至研發團隊都統一努力的目標。
核心驅動指標和公司發展關聯，是公司在一個階段內的重點方向。記住是一個階段，不同時期的核心驅動指標不一樣。不同業務的核心驅動指標也不一樣。
互聯網公司常見的核心指標是用戶數和活躍率，用戶數代表市場的體量和佔有，活躍率代表產品的健康度，但這是發展階段的核心指標。在產品1.0期間，我們應把注意力放到打磨產品上，在大推廣前提高產品質量，這時留存率是一個核心指標。而在有一定用戶基數的產品後期，商業化比活躍重要，我們會關注錢相關的指標，比如廣告點擊率、利潤率等。
核心驅動指標一般是公司整體的目標，若從個人的崗位職責看，也可以找到自己的核心指標。比如內容運營可以關注閱讀數和閱讀時長。
核心驅動指標一定能給公司和個人帶來最大優勢和利益，記得二八法則么?20%的指標一定能帶來80%的效果，這20%的指標就是核心。
另外一方面，好的指標還有一個特性，它應該是比率或者比例。
拿活躍用戶數說明就懂了，我們活躍用戶有10萬，這能說明什麼呢?這說明不了什麼。如果產品本身有千萬級別的注冊用戶，那麼10萬用戶說明非常不健康，產品在衰退期。如果產品只擁有四五十萬用戶，那麼說明產品的粘性很高。
正因為單純的活躍用戶數沒有多大意義，所以運營和產品會更關注活躍率。這個指標就是一個比率，將活躍用戶數除以總用戶數所得。所以在設立指標時，我們都盡量想它能不能是比率。
認識和看待事物
這類常見的提問方式包括了一個知名人物或歷史事件如何評價？如何看待一個產品？你對某個事物是如何理解的？如何看待或分析一種行為或熱點等？
對於看待或分析事物類的思維，則是我們前面一篇思維的邏輯裡面講到的很多內容，即事物本身應該結合外部環境+時間線+事物核心維度進行全面的分析，事物的外在交互關系，事物的內部結構和銜接，事物本身動態展現的行為特徵等。這些首先分析清楚，即對事物本身有一個全面和客觀的認識。
這類思維的一個核心即辯證思維，在這里我不太喜歡用批評性思維這個詞，辯證思i維更加體現了這類思維的重點是全面，客觀，以數據說話同時減少主觀偏頗看法。對於這類問題你不一定要去表面自己的主觀感受，而更加重要的是把事實和道理講清楚，有理有據。
在真正分析清楚後，後續才過渡到這類問題的演進，即如何評估或評價一個事物，其前提仍然是分析清楚客觀數據，但是數據本身不是評價或評估指標，因此一談到評估自然會想到需要建立或參考一個評估體系。一個歷史帝王有政治，經濟，外交，軍事和民生各種評價體系。對一輛車可能有動力，舒適性，油耗，操控等各種評價體系。一個產品本身有功能滿足度，易用性，性能，價格等各種評價體系等。對於任何評估，則首先是找到現成可用的科學評價體系，然後將對事物分析後的數據映射到具體的評價體繫上，即任何評估指標值的得出一定有事物本身內在數據和運作機制進行支撐的。
這些都想清楚後，即這類思維的重點是事物的分解和集成分析，事物的行為或活動分析，事物相關的內外環境因素分析，事物本身的關鍵屬性維度分析和評估體系確定，事物各關鍵指標特性間的相互制約和促進力分析（類似系統思維中的正負循環）等。
壞指標有哪些呢?
其一是虛榮指標，它沒有任何的實際意義。
產品在應用商店有幾十萬的曝光量，有意義嗎?沒有，我需要的是實際下載。下載了意義大嗎?也不大，我希望用戶注冊成功。曝光量和下載量都是虛榮指標，只是虛榮程度不一樣。
新媒體都追求微信公眾號閱讀數，如果靠閱讀數做廣告，那麼閱讀數有意義，如果靠圖文賣商品，那麼更應該關注轉化率和商品銷量，畢竟一個誇張的標題就能帶來很高的閱讀量，此時的閱讀量是虛榮指標。可惜很多老闆還是孜孜不倦的追求10W+，哪怕刷量。
虛榮指標是沒有意義的指標，往往它會很好看，能夠粉飾運營和產品的工作績效，但我們要避免使用。
第二個壞指標是後驗性指標，它往往只能反應已經發生的事情。
比如我有一個流失用戶的定義：三個月沒有打開APP就算做流失。那麼運營每天統計的流失用戶數，都是很久沒有打開過的，以時效性看，已經發生很久了，也很難通過措施挽回。我知道曾經因為某個不好的運營手段傷害了用戶，可是還有用嗎?
活動運營的ROI(投資回報率)也是後驗性指標，一個活動付出成本後才能知道其收益。可是成本已經支出，活動的好與壞也註定了。活動周期長，還能有調整餘地。活動短期的話，這指標只能用作復盤，但不能驅動業務。
第三個壞指標是復雜性指標，它將數據分析陷於一堆指標造成的陷阱中。
指標能細分和拆解，比如活躍率可以細分成日活躍率、周活躍率、月活躍率、老用戶活躍率等。數據分析應該根據具體的情況選擇指標，如果是天氣類工具，可以選擇日活躍率，如果是社交APP，可以選擇周活躍率，更低頻的產品則是月活躍率。
每個產品都有適合它的幾個指標，不要一股腦的裝一堆指標上去，當你准備了二三十個指標用於分析，會發現無從下手。
三、建立正確的指標結構
既然指標太多太復雜不好，那麼應該如何正確的選擇指標呢?
和分析思維的金字塔結構一樣，指標也有固有結構，呈現樹狀。指標結構的構建核心是以業務流程為思路，以結構為導向。
假設你是內容運營，需要對現有的業務做一個分析，提高內容相關數據，你會怎麼做呢?
我們把金字塔思維轉換一下，就成了數據分析方法了。
從內容運營的流程開始，它是：內容收集—內容編輯發布—用戶瀏覽—用戶點擊—用戶閱讀—用戶評論或轉發—繼續下一篇瀏覽。
這是一個標準的流程，每個流程都有指標可以建立。內容收集可以建立熱點指數，看哪一篇內容比較火。用戶瀏覽用戶點擊則是標準的PV和UV統計，用戶閱讀是閱讀時長。
從流程的角度搭建指標框架，可以全面的囊括用戶相關數據，無有遺漏。
這套框架列舉的指標，依舊要遵循指標原則：需要有核心驅動指標。移除虛榮指標，適當的進行刪減，不要為添加指標而添加指標。
四、了解維度分析法
當你有了指標，可以著手進行分析，數據分析大體可以分三類：
利用維度分析數據
使用統計學知識如數據分布假設檢驗
使用機器學習
我們先了解一下維度分析法。
維度是描述對象的參數，在具體分析中，我們可以把它認為是分析事物的角度。銷量是一種角度、活躍率是一種角度，時間也是一種角度，所以它們都能算維度。
當我們有了維度後，就能夠通過不同的維度組合，形成數據模型。數據模型不是一個高深的概念，它就是一個數據立方體。
上圖就是三個維度組成的數據模型/數據立方體。分別是產品類型、時間、地區。我們既能獲得電子產品在上海地區的2010二季度的銷量，也能知道書籍在江蘇地區的2010一季度銷量。
數據模型將復雜的數據以結構化的形式有序的組織起來。我們之前談到的指標，都可以作為維度使用。下面是範例：
將用戶類型、活躍度、時間三個維度組合，觀察不同用戶群體在產品上的使用情況，是否A群體使用的時長更明顯?
將商品類型、訂單金額、地區三個維度組合，觀察不同地區的不同商品是否存在銷量差異?
數據模型可以從不同的角度和層面來觀察數據，這樣提高了分析的靈活性，滿足不同的分析需求、這個過程叫做OLAP(聯機分析處理)。當然它涉及到更復雜的數據建模和數據倉庫等，我們不用詳細知道。
數據模型還有幾種常見的技巧、叫做鑽取、上卷、切片。
選取就是將維度繼續細分。比如浙江省細分成杭州市、溫州市、寧波市等，2010年一季度變成1月、2月、3月。上卷則是鑽取的相反概念，將維度聚合，比如浙江、上海、江蘇聚合成浙江滬維度。切片是選中特定的維度，比如只選上海維度、或者只選2010年一季度維度。因為數據立方體是多維的，但我們觀察和比較數據只能在二維、即表格中進行。
上圖的樹狀結構代表鑽取(source和time的細分)，然後通過對Route的air切片獲得具體數據。
聰明的你可能已經想到，我們常用的數據透視表就是一種維度分析，將需要分析的維度放到行列組合進行求和、計數、平均值等計算。放一張曾經用到的案例圖片：用城市維度和工作年限維度，計算平均工資。
除了Excel、BI、R、Python都能用維度分析法。BI是相對最簡便的。
談到維度法，想要強調的是分析的核心思維之一：對比，不同維度的對比，這大概是對新人快速提高的最佳捷徑之一。比如過去和現在的時間趨勢對比，比如不同地區維度的對比，比如產品類型的區別對比，比如不同用戶的群體對比。單一的數據沒有分析意義，只有多個數據組合才能發揮出數據的最大價值。
我想要分析公司的利潤，利潤 = 銷售額 – 成本。那麼找出銷售額涉及的指標/維度，比如產品類型、地區、用戶群體等，通過不斷的組合和拆解，找出有問題或者表現良好的原因。成本也是同理。
這就是正確的數據分析思維。總結一下吧：我們通過業務建立和篩選出指標，將指標作為維度，利用維度進行分析。
很多人會問，指標和維度有什麼區別?
維度是說明和觀察事物的角度，指標是衡量數據的標准。維度是一個更大的范圍，不只是數據，比如時間維度和城市維度，我們就無法用指標表示，而指標(留存率、跳出率、瀏覽時間等)卻可以成為維度。通俗理解：維度>指標。
到這里，大家已經有一個數據分析的思維框架了。之所以是框架，因為還缺少具體的技巧，比如如何驗證某一個維度是影響數據的關鍵，比如如何用機器學習提高業務，這些涉及到數據和統計學知識，以後再講解。
這里我想強調，數據分析並不是一個結果，只是過程。還記得「如果你不能衡量它，那麼你就不能有效增長它」這句話嗎?數據分析的最終目的就是增長業務。如果數據分析需要績效指標，一定不會是分析的對錯，而是最終數據提升的結果。
數據分析是需要反饋的，當我分析出某項要素左右業務結果，那麼就去驗證它。告訴運營和產品人員，看看改進後的數據怎麼樣，一切以結果為准。如果結果並沒有改善，那麼就應該反思分析過程了。
這也是數據分析的要素，結果作導向。分析若只是當一份報告呈現上去，後續沒有任何跟進、改進的措施，那麼數據分析等與零。
業務指導數據，數據驅動業務。這才是不二法門。

⑼ 數據分析慣用的5種思維方法是什麼

對比法就是用兩組或兩組以上的數據進行比較，是最通用的方法。

我們知道孤立的數據沒有意義，有對比才有差異。一些直接描述事物的變數，如長度、數量、高度、寬度等。通過對比得到比率數據，增速、效率、效益等指標，這才是數據分析時常用的。

比如用於在時間維度上的同比和環比、增長率、定基比，與競爭對手的對比、類別之間的對比、特徵和屬性對比等。對比法可以發現數據變化規律，使用頻繁，經常和其他方法搭配使用。

二、象限法

通過對兩種及以上維度的劃分，運用坐標的方式表達出想要的價值。由價值直接轉變為策略，從而進行一些落地的推動。象限法是一種策略驅動的思維，常於產品分析、市場分析、客戶管理、商品管理等。

三、二八法/帕累托分析

二八法也可以叫帕累托法則，源於經典的二八法則。比如在個人財富上可以說世界上20%的人掌握著80%的財富。而在數據分析中，則可以理解為20%的數據產生了80%的效果需要圍繞這20%的數據進行挖掘。往往在使用二八法則的時候和排名有關系，排在前20%的才算是有效數據。二八法是抓重點分析，適用於任何行業。找到重點，發現其特徵，然後可以思考如何讓其餘的80%向這20%轉化，提高效果。

一般地，會用在產品分類上，去測量並構建ABC模型。比如某零售企業有500個SKU以及這些SKU對應的銷售額，那麼哪些SKU是重要的呢，這就是在業務運營中分清主次的問題。

常見的做法是將產品SKU作為維度，並將對應的銷售額作為基礎度量指標，將這些銷售額指標從大到小排列，並計算截止當前產品SKU的銷售額累計合計占總銷售額的百分比。

百分比在 70%(含)以內，劃分為 A 類。

百分比在 70~90%(含)以內，劃分為 B 類。

百分比在 90~100%(含)以內，劃分為 C 類。

以上百分比也可以根據自己的實際情況調整。

ABC分析模型，不光可以用來劃分產品和銷售額，還可以劃分客戶及客戶交易額等。比如給企業貢獻80%利潤的客戶是哪些，佔比多少。假設有20%，那麼在資源有限的情況下，就知道要重點維護這20%類客戶。

四、漏鬥法

漏鬥法即是漏斗圖，有點像倒金字塔，是一個流程化的思考方式，常用於像新用戶的開發、購物轉化率這些有變化和一定流程的分析中。

五、公式法

所謂公式法就是針對某個指標，用公式層層分解該指標的影響因素。

舉例：分析某產品的銷售額較低的原因，用公式法分解：

①某產品銷售額=銷售量 X 產品單價

②銷售量=渠道A銷售量 + 渠道B銷售量 + 渠道C銷售量 + …

③渠道銷售量=點擊用戶數 X 下單率

④點擊用戶數=曝光量 X 點擊率

第一層：找到產品銷售額的影響因素。某產品銷售額=銷售量 X 產品單價。是銷量過低還是價格設置不合理?

第二層：找到銷售量的影響因素。分析各渠道銷售量，對比以往，是哪些過低了。

第三層：分析影響渠道銷售量的因素。渠道銷售量=點擊用戶數X 下單率。是點擊用戶數低了，還是下單量過低。如果是下單量過低，需要看一下該渠道的廣告內容針對的人群和產品實際受眾符合度高不高。

第四層：分析影響點擊的因素。點擊用戶數=曝光量X點擊率。是曝光量不夠還是點擊率太低，點擊率低需要優化廣告創意，曝光量則和投放的渠道有關。

通過對銷售額的逐層拆解，細化評估以及分析的粒度。

公式拆解法是針對問題的層級式解析，在拆解時，對因素層層分解，層層剝盡。

⑽ 數據分析慣用的四種思維方式

一、對比思維

對比法就是用兩組或兩組以上的數據進行比較，是最通用的方法。我們知道孤立的數據沒有意義，有對比才有差異。一些直接描述事物的變數，如長度、數量、高度、寬度等，通過對比得到比率數據，增速、效率、效益等指標，這才是數據分析時常用的。比如：用於在時間維度上的同比和環比、增長率、定基比，與競爭對手的對比、類別之間的對比、特徵和屬性對比等。

二、象限思維

通過對兩種及以上維度的劃分，運用坐標的方式表達出想要的價值。由價值直接轉變為策略，從而進行一些落地的推動。象限法是一種策略驅動的思維，常於產品分析、市場分析、客戶管理、商品管理等。比如：下圖是一個廣告點擊的四象限分布，X軸從左到右表示從低到高，Y軸從下到上表示從低到高。

三、二八法/帕累托分析思維

二八法也可以叫帕累托法則，源於經典的二八法則。比如在個人財富上可以說世界上20%的人掌握著80%的財富。而在數據分析中，則可以理解為20%的數據產生了80%的效果需要圍繞這20%的數據進行挖掘。

往往在使用二八法則的時候和排名有關系，排在前20%的才算是有效數據。二八法是抓重點分析，適用於任何行業;找到重點，發現其特徵，然後可以思考如何讓其餘的80%向這20%轉化，提高效果。

四、漏斗思維

漏鬥法即是漏斗圖，有點像倒金字塔，是一個流程化的思考方式，常用於像新用戶的開發、購物轉化率這些有變化和一定流程的分析中。

關於數據分析慣用的5種思維方式的內容，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。