业务分析指标思维方法

⑴ 数据分析师常用的数据分析思路

01 细分分析

细分分析是数据分析的基础，单一维度下的指标数据信息价值很低。

细分分析法可以大致分为两类，一类是逐步分析，如：来北京市的访客可分为朝阳和海淀等区;另一类是维度交叉，如：来自付费SEM的新访客。

02 对比分析

对比分析主要是把两个有关联的数据指标进行相互比较，从数量上说明和展现研究对象的规模大小，水平的高低，速度快慢等方面的相对值，然后通过在一样的维度下的指标数据对比，可以发现，找出业务在不同阶段的问题。

03 漏斗分析

转化漏斗分析是数据分析师进行业务分析的基本模型，我们最经常见的就是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

04 同期群分析

同期群(cohort)分析在数据分析运营领域相当重要，尤其是互联网运营，特别需要仔细观察留存的情况。通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。

05 聚类分析

聚类分析具有简单，直观的特征，网站分析中的聚类主要分为：用户，页面或内容，来源。

用户聚类主要体现为用户分群，用户标签法;页面聚类则主要是相似，相关页面分组法;来源聚类主要包括渠道，关键词等。

06 AB测试

增长黑客的一个主要思想之一，是千万不要做一个大又全的东西，相反是需要不断做出能够快速验证的小而精的东西。快速验证，那如何验证呢?主要方法就是AB测试。

07 埋点分析

只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。

通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。

08 来源分析

流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。

传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

09 用户分析

众所周知，用户分析是互联网运营的核心环节，通常用到的分析方法有：活跃分析，留存分析，用户分群，用户画像，用户细查等。可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标。

10 表单分析

表单分析中的填写表单，这个环节是每个平台与用户交互的必有环节，一份完美的表单设计，对客户转化率的提升有至关重要的作用。

用户进入表单页面，这时候就已经产生了微漏斗，从进入的总共的人数到最后完成，并且成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。

有关数据分析师常用的数据分析思路的内容，青藤小编就和您分享到这里了。如果您对互联网大数据有着浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于大数据、数据分析师的技巧及素材等内容，可以点击本站的其他文章进行学习。

⑵ 进行综合指标分析的方法主要有哪几种

综合指标分析方法主要有杜邦财务分析体系和沃尔比重评分法。

1、邦财务分析体系

利用几种主要的财务比率之间的关系来综合地分析企业的财务状况。具体来说，它是一种用来评价公司盈利能力和股东权益回报水平，从财务角度评价企业绩效的一种经典方法。以净资产收益率为核心，通过分析各分解指标的变动对净资产收益率的影响来揭示企业获利能力及其变动原因。

2、沃尔比重评分法

是指将选定的财务比率用线性关系结合起来，并分别给定各自的分数比重，然后通过与标准比率进行比较，确定各项指标的得分及总体指标的累计分数，从而对企业的信用水平作出评价的方法。沃尔比重评分法的公式为：实际分数=实际值÷标准值×权重。

(2)业务分析指标思维方法扩展阅读：

杜邦分析方法在公司的运用

在国外很多公司已经采用经济增加值（EVA）或现金回报率（CFROE）作为公司业绩的衡量指标，有些外国公司也在广泛的采用平衡积分卡或类似于积分卡的业绩考核方法来进行公司业绩考核。

实际上，合理运用净资产回报率（ROE）进行企业管理在很多公司来说是一种非常便捷的手段，也能够帮助公司的管理人员很好发现公司运营过程中存在的问题，并寻求改进方法。在企业咨询实践过程中，就有意识地使用这种方法来帮助特别是私营企业进行财务管理，并取得了良好的效果。

⑶ 财务分析一般会有哪些思路和方法

一、财务指标分析

为了压库存集团财务出过很多财务分析报告，很多都停留在这个层面，流动比率、速动比率，图书分类，图书库龄，图书种类，各种数据都有。大部分都是无用功，几十页纸的报告，主要结论就是图书库存大。

二、分析业务实质

财务是发现问题，造成问题的责任人还是业务，所以财务分析报告一定要分析业务。集团的财务人员当然也会从业务上找原因。大家认为图书库存的上涨的主要原因是印多了卖不掉！有可能是市场误判。

三、分析人心

我分析了公司近三年的库存结构，发现库存商品总额变化并不大，虽然也有增长，但都是随着营收同比增加的。只有发生商品，3个亿的存货增长，有2.2亿是发出商品增长导致的，说明问题出在发出商品上面的。

财务分析是以会计核算和报表资料及其他相关资料为依据，采用一系列专门的分析技术和方法，对企业等经济组织过去和现在有关筹资活动、投资活动、经营活动、分配活动的盈利能力、营运能力、偿债能力和增长能力状况等进行分析与评价的经济管理活动。

⑷ 数据分析的五大思维方式

数据分析的五大思维方式

发现很多朋友不会处理数据，这个过程叫做数据清洗，中间可能涉及到编程，分析人员是应该学点编程的，后面抽时间给大家介绍一下，今天不讲这个。

今天要讲数据分析的五大思维方式。

首先，我们要知道，什么叫数据分析。其实从数据到信息的这个过程，就是数据分析。数据本身并没有什么价值，有价值的是我们从数据中提取出来的信息。

然而，我们还要搞清楚数据分析的目的是什么?

目的是解决我们现实中的某个问题或者满足现实中的某个需求。

那么，在这个从数据到信息的过程中，肯定是有一些固定的思路，或者称之为思维方式。下面零一给你一一介绍。(本文用到的指标和维度是同一个意思)

第一大思维【对照】

【对照】俗称对比，单独看一个数据是不会有感觉的，必需跟另一个数据做对比才会有感觉。比如下面的图a和图b。

图a毫无感觉

图b经过跟昨天的成交量对比，就会发现，今天跟昨天实则差了一大截。

这是最基本的思路，也是最重要的思路。在现实中的应用非常广，比如选款测款丶监控店铺数据等，这些过程就是在做【对照】，分析人员拿到数据后，如果数据是独立的，无法进行对比的话，就无法判断，等于无法从数据中读取有用的信息。

第二大思维【拆分】

分析这个词从字面上来理解，就是拆分和解析。因此可见，拆分在数据分析中的重要性。在派代上面也随处可见“拆分”一词，很多作者都会用这样的口吻：经过拆分后，我们就清晰了……。不过，我相信有很多朋友并没有弄清楚，拆分是怎么用的。

我们回到第一个思维【对比】上面来，当某个维度可以对比的时候，我们选择对比。再对比后发现问题需要找出原因的时候?或者根本就没有得对比。这个时候，【拆分】就闪亮登场了。

大家看下面一个场景。

运营小美，经过对比店铺的数据，发现今天的销售额只有昨天的50%，这个时候，我们再怎么对比销售额这个维度，已经没有意义了。这时需要对销售额这个维度做分解，拆分指标。

销售额=成交用户数*客单价，成交用户数又等于访客数*转化率。

详见图c和图d

图c是一个指标公式的拆解

图b是对流量的组成成分做的简单分解(还可以分很细很全)

拆分后的结果，相对于拆分前会清晰许多，便于分析，找细节。可见，拆分是分析人员必备的思维之一。

第三大思维【降维】

是否有面对一大堆维度的数据却促手无策的经历?当数据维度太多的时候，我们不可能每个维度都拿来分析，有一些有关联的指标，是可以从中筛选出代表的维度即可。如下表

这么多的维度，其实不必每个都分析。我们知道成交用户数/访客数=转化率，当存在这种维度，是可以通过其他两个维度通过计算转化出来的时候，我们就可以【降维】.

成交用户数丶访客数和转化率，只要三选二即可。另外，成交用户数*客单价=销售额，这三个也可以三择二。

另外，我们一般只关心对我们有用的数据，当有某些维度的数据跟我们的分析无关时，我们就可以筛选掉，达到【降维】的目的。

第四大思维【增维】

增维和降维是对应的，有降必有增。当我们当前的维度不能很好地解释我们的问题时，我们就需要对数据做一个运算，增加多一个指标。请看下图。

我们发现一个搜索指数和一个宝贝数，这两个指标一个代表需求，一个代表竞争，有很多人把搜索指数/宝贝数=倍数，用倍数来代表一个词的竞争度(仅供参考)。这种做法，就是在增维。增加的维度有一种叫法称之为【辅助列】。

【增维】和【降维】是必需对数据的意义有充分的了解后，为了方便我们进行分析，有目的的对数据进行转换运算。

第五大思维【假说】

当我们拿不准未来的时候，或者说是迷茫的时候。我们可以应用【假说】，假说是统计学的专业名词吧，俗称假设。当我们不知道结果，或者有几种选择的时候，那么我们就召唤【假说】，我们先假设有了结果，然后运用逆向思维。

从结果到原因，要有怎么样的因，才能产生这种结果。这有点寻根的味道。那么，我们可以知道，现在满足了多少因，还需要多少因。如果是多选的情况下，我们就可以通过这种方法来找到最佳路径(决策)

当然，【假说】的威力不仅仅如此。【假说】可是一匹天马(行空)，除了结果可以假设，过程也是可以被假设的。

我们回到数据分析的目的，我们就会知道只有明确了问题和需求，我们才能选择分析的方法。

顺带给大家讲讲三大数据类型。这个属于偷换概念，其实就是时间序列的细分，不是真正意义上的数据类型，但这个却是在处理店铺数据时经常会碰到的事情。数据放在坐标轴上面分【过去】丶【现在】和【未来】

第一大数据类型【过去】

【过去】的数据指历史数据，已经发生过的数据。

作用：用于总结丶对照和提炼知识

如：历史店铺运营数据，退款数据，订单数据

第二大数据类型【现在】

【现在】的概念比较模糊，当天，当月，今年这些都可以是现在的数据，看我们的时间单位而定。如果我们是以天作为单位，那么，今天的数据，就是现在的数据。现在的数据和过去的数据做比较，才可以知道现在自己是在哪个位置，单有现在的数据，是没什么用处的。

作用：用于了解现况，发现问题

如：当天的店铺数据

第三大数据类型【未来】

【未来】的数据指未发生的数据，通过预测得到。比如我们做得规划，预算等，这些就是在时间点上还没有到，但是却已经有了数据。这个数据是作为参考的数据，预测没有100%，总是有点儿出入的。

作用：用于预测

如：店铺规划，销售计划

三种数据是单向流动的，未来终究会变成现在，直到变成过去。

他人我不知道，但我自己非常喜欢把数据往坐标轴上面放，按时间段一划分，每个数据的作用就非常清晰。

以上是小编为大家分享的关于数据分析的五大思维方式的相关内容，更多信息可以关注环球青藤分享更多干货

⑸ 数据分析师常用的思维分析方式是什么

1. 对比思维
对比这两个字大家肯定都不陌生，比如买东西我们会货比三家，其实生活中处处有对比。
比如说，小芳一直成绩优异，但是末次考试发挥失常，数学只考了40分，班主任找到小芳谈话，问她说：“你最近怎么回事，上次你数学考了80分，全班前十，这次怎么考的这么差？你看看你的同桌，这次都考了73分。”
从这个小故事中可以看出，对比一般有两种方式，横向对比和纵向对比。横向对比也就是与同类对比，比如班主任拿小芳的成绩跟她同桌的成绩做对比。纵向对比是指同一类型不同时间的对比，比如班主任拿小芳这次的成绩和上次的成绩做对比。

2. 细分思维
细分思维很多人可能乍一听不太明白，其实生活中很多小事都体现了细分思维。就比如我们人体是由九大系统构成的，系统又是由器官构成的，器官是由组织构成的、细胞又构成了组织，层层细分。
再拿刚刚的例子来说，还是我们的小芳同学，还是刚刚那场考试，班主任让小芳对自己这考试的总成绩做一个总结，小芳拿着成绩单仔细研究，发现这次总成绩不是很好，但是仔细一看，发现除了数学成绩只考了40分以外，其他科目的成绩都名列前茅，数学成绩拉低了小芳的整体成绩。
在这里我们就是把整体考试成绩细分为具体的科目来总结归因。在数据分析的工作中，细分的纬度主要包括时间、地区、渠道、产品、员工、客户等。杜邦分析法、麦肯锡的 MECE 分析法本质上都属于细分思维。

3. 溯源思维
前两个思维能够对应一部分数据分析工作要求，但是如果有一些数据不能用前两种思维来处理怎么办呢？
那我们就可以用到另一种溯源思维。俗话说追根溯源，很多时候我们要想知道事物背后的逻辑原因，最好的方法可能是去探究事物发生的原因，来帮助我们分析。
继续拿小芳举例，她放学回家把成绩单交给妈妈，妈妈通过对比、细分的思维方法知道了小芳这次考试的大概情况，也知道是数学失利了。但是小芳的数学一向是强项，妈妈还是无法理解为什么会在这里出问题，于是妈妈找来小芳谈心，详细了解了考试时的情况，才发现是因为小芳考数学的那天中午吃坏了肚子，下午的数学考试刚好发作，疼痛难忍，以至于很多本来会做的题目都做错了。妈妈也理解了小芳，并且向小芳表达了歉意，也会更注重小芳的饮食问题。
上面的例子里，小芳的妈妈无法从表面的数据上分析出事情发生的原因，于是采用了溯源思维，找到了真正的原因。如果数据分析师在工作中也能利用好溯源思维，那么对数据的敏感和业务的理解也能逐步加深。

4. 相关思维
上面几种思维是比较常用的思维方式，下面我们就来说说相关思维，这也是数据分析的核心思维能力。
很多人可能都知道着名的啤酒与尿布的故事，在业界是一个相关分析的经典案例。故事背景是20世纪90年代的美国沃尔玛超市，当时沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。
沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是：跟尿布一起购买最多的商品竟是啤酒。
经过大量实际调查和分析，揭示了一个隐藏在“尿布与啤酒”后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的妻子们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。
如果数据分析师能够熟练灵活的将相关分析运用到工作中，就能从仅仅知道数据分析的结果是什么进阶到知道呈现这个结果的原因是为什么。

5. 假设思维
之前的思维模式都是建立在我们有大量的已知数据可以进行分析论证的时候，那么如果我们还没有足够的数据量或者证据来验证这件事，我们应该怎么办呢？这种时候就可以用到我们的假设思维。先对大胆进行假设，然后再小心求证，最后去想办法验证假设是否成立。
比如，小芳想吃荔枝，于是下楼去买，跟卖荔枝的阿姨之间有这样一段对话：
小芳：“阿姨，你这荔枝甜不甜？”
阿姨：“甜啊，我这有切好的，你先尝一尝试试。”
小芳：“好，那我尝一个。”
小芳拿来一个荔枝，尝了一口：“嗯，不错，确实挺甜的，给我称两斤吧。”
上面这个看似简单的小故事，其实就隐藏了简单的假设检验。首先，小芳提出假设：荔枝是甜的；其次，随机抽取一个样本；然后，检验是否是甜的；最后，作出判断，确认荔枝真的是甜的，所以就购买了。
在数据分析中，假设思维的专业术语叫假设检验，一般包括四个步骤，即：提出假设、抽取样本、检验假设、作出判断。数据分析师可以充分利用这一思维模式。

6. 逆向思维
逆向思维这个词大家一定都不陌生，很多着名企业家的演讲中就常常提到这个词，他们都提倡打破常规的思维模式，从相反的方向来思考问题。
下面我们邀请小芳同学再次登场。
有一次，小芳去买辣椒，跟阿姨之间又有一段对话。
小芳：“阿姨，你这辣椒多少钱一斤？”
阿姨：“一块五。”
小芳挑了 3 个放到秤盘：“阿姨，帮我称一下。”
阿姨：“一斤半，两 块 2 毛。”
小芳去掉其中最大的辣椒：“做汤不用那么多。”
摊主：“一斤二两，一块6毛。”
小芳拿起刚刚去掉的那个最大的辣椒，付了 6毛钱，笑着跟阿姨说了再见。
你看，运用逆向思维，有时可能会起到意想不到的效果。

7. 演绎思维
演绎思维相对于前面的几种思维方式可能不是那么好理解。
演绎思维的方向是由一般到个别，大家要记住这一点，后面我们还会提到。也就是说，演绎的前提是一般性的抽象知识，而结论是个别性的具体知识。演绎的主要形式是由大前提、小前提、结论三部分组成的三段论。
以物理学上一个常识为例。
大前提：金属能导电。
小前提：银铁是金属。
结论：银能导电。
从这个例子中可以看出，大前提是已知的一般原理（金属能导电），小前提是研究的特殊场合（铁是金属），结论是将特殊场合归到一般原理之下得出的新知识（银能导电）。

8. 归纳思维
归纳思维的方向与演绎正好相反，归纳的过程是从个别到一般。
还是以金属能导电为例。
前提：金能导电，银能导电，铜能导电，铝能导电。
结论：金属能导电。
数据分析的过程，往往是先接触到个别事物，而后进行归纳总结，推及一般，再进行演绎推理，从一般推及个别，如此循环往复，不断积累经验。

总结
本文总结了数据分析的 8 种思维，分别是对比、细分、溯源、相关、假设、逆向、演绎、归纳。作为一名数据分析师，如果在工作中能充分运用好这些思维，是对个人能力极大地提升，就能够在工作中创造更多的个人价值。

⑹ 教你如何建立数据分析思维

在数据分析中，建立一个数据分析思维是一个至关重要的事情，但是建立一个数据分析思维不是一个简单的事情，需要不断的学习，不断的实践才能够验证这种思维是不是一个合适的数据分析思维，下面就给大家介绍一种经过实践过了的数据分析思维，希望能够给大家带来帮助。
如何建立数据分析思维呢？首先需要建立一个好的指标体系。了解和使用指标是数据分析思维的第一步，大家在建立数据分析的指标体系的时候应该能够意识到孤立的指标发挥不出数据的价值。和分析思维一样，指标也能结构化，也应该用结构化。上面提到的知识都是需要不同行业经验和业务知识去学习掌握，同时还要总结通用的技巧和注意事项。
建立一个好的指标体系之后，还需要明确指标的好坏，那么什么是好指标呢？什么是坏指标呢？行业人士说好指标应该是核心驱动指标。核心指标不只是写在周报的数字，而是整个运营团队、产品团队乃至研发团队都统一努力的目标。当然核心驱动指标和公司发展存在某种联系，是公司在一个阶段内的重点方向。记住是一个阶段，不同时期的核心驱动指标不一样。不同业务的核心驱动指标也不一样。
上述说的是好指标，那么坏指标有哪些呢？坏指标就是虚荣指标，它没有任何的实际意义。虚荣指标是没有意义的指标，往往看起来不错，其实并没有实际的意义。坏指标也是后验性指标，它往往只能反应已经发生的事情。坏指标同样也是复杂性指标，它能够将数据分析拖进一堆指标的陷阱中。
其次就是建立正确的指标结构。建立正确的指标结构和分析思维的金字塔结构一样，指标也有固有结构，呈现树状。指标结构的构建核心是以业务流程为思路，以结构为导向。从流程的角度搭建指标框架，可以全面的收集用户相关数据，这样可以毫无遗漏的保留出相关的数据。
以上的内容就是教给大家如何去建立自己的数据分析思维的方式了，大家在进行建立数据分析思维的时候一定要参考上面提到的步骤，首先就是建立一个好的指标体系，其次就是明确指标的好坏，最后就是建立正确的指标结构，希望这篇文章能够给大家带来帮助。

⑺ 如何提高业务分析能力

思维能力和分析判断能力来源于实践。 实践之前要学习，学习是最直接的方法。 首先，明确你要提高哪方面的分析判断能力。 第二，学习相关知识，你的分析判断根据是什么？就是理论。理论是什么？所以需要学习相关知识。 第三、开始使用你学到的东西，来分析案例。案例是什么?就是实际生活中的事情。如果不会分析。可以先学习、模仿别人怎么做的。但模仿时候，不是照搬别人的。而是要有自己的心得。心得就是感受感想。 当你有了感受和感想。你的分析判断能力就得到了锻炼。 方法原理已经有了,具体要做好就得多练习实践了， 成功就是简单事情重复做。

⑻ 全面教你如何建立数据分析的思维框架

全面教你如何建立数据分析的思维框架
目前，还有一些人不会建立数据分析的思维框架，那么今天课课家，就一步一步的教大家怎么建立，大神路过还请绕道，当然还可以交流一下。有需要的小伙伴，可以参考一下。
曾经有人问过我，什么是数据分析思维?如果分析思维是一种结构化的体现，那么数据分析思维在它的基础上再加一个准则：
不是我觉得，而是数据证明。
这是一道分水岭，“我觉得”是一种直觉化经验化的思维，工作不可能处处依赖自己的直觉，公司发展更不可能依赖于此。数据证明则是数据分析的最直接体现，它依托于数据导向型的思维，而不是技巧，前者是指导，后者只是应用。
作为个人，应该如何建立数据分析思维呢?
一、建立你的指标体系
在我们谈论指标之前，先将时间倒推几十年，现代管理学之父彼得·德鲁克说过一句很经典的话：
如果你不能衡量它，那么你就不能有效增长它。
所谓衡量，就是需要统一标准来定义和评价业务。这个标准就是指标。假设隔壁老王开了一家水果铺子，你问他每天生意怎么样，他可以回答卖的不错，很好，最近不景气。这些都是很虚的词，因为他认为卖的不错也许是卖了50个，而你认为的卖的不错，是卖了100。
这就是“我觉得”造成的认知陷阱。将案例放到公司时，会遇到更多的问题：若有一位运营和你说，产品表现不错，因为每天都有很多人评价和称赞，还给你看了几个截图。而另外一位运营说，产品有些问题，推的活动商品卖的不好，你应该相信谁呢?
其实谁都很难相信，这些众口异词的判断都是因为缺乏数据分析思维造成的。
老王想要描述生意，他应该使用销量，这就是他的指标，互联网想要描述产品，也应该使用活跃率、使用率、转化率等指标。
如果你不能用指标描述业务，那么你就不能有效增长它。
了解和使用指标是数据分析思维的第一步，接下来你需要建立指标体系，孤立的指标发挥不出数据的价值。和分析思维一样，指标也能结构化，也应该用结构化。
我们看一下互联网的产品，一个用户从开始使用到离开，都会经历这些环节步骤。电商app还是内容平台，都是雷同的。想一想，你会需要用到哪些指标?
而下面这张图，解释了什么是指标化，这就是有无数据分析思维的差异，也是典型的数据化运营，有空可以再深入讲这块。
标体系没有放之四海而皆准的模板，不同业务形态有不同的指标体系。移动APP和网站不一样，SaaS和电子商务不一样，低频消费和高频消费不一样。好比一款婚庆相关的APP，不需要考虑复购率指标;互联网金融，必须要风控指标;电子商务，卖家和买家的指标各不一样。
这些需要不同行业经验和业务知识去学习掌握，那有没有通用的技巧和注意事项呢?
二、明确好指标与坏指标
不是所有的指标都是好的。这是初出茅庐者常犯的错误。我们继续回到老王的水果铺子，来思考一下，销量这个指标究竟是不是好的?
最近物价上涨，老王顺应调高了水果价格，又不敢涨的提高，虽然水果销量没有大变化，但老王发现一个月下来没赚多少，私房钱都不够存。
老王这个月的各类水果销量有2000，但最后还是亏本了，仔细研究后发现，虽然销量高，但是水果库存也高，每个月都有几百单位的水果滞销最后过期亏本。
这两个例子都能说明只看销量是一件多不靠谱的事情。销量是一个衡量指标，但不是好指标。老王这种个体经营户，应该以水果铺子的利润为核心要素。
好指标应该是核心驱动指标。虽然指标很重要，但是有些指标需要更重要。就像销量和利润，用户数和活跃用户数，后者都比前者重要。
核心指标不只是写在周报的数字，而是整个运营团队、产品团队乃至研发团队都统一努力的目标。
核心驱动指标和公司发展关联，是公司在一个阶段内的重点方向。记住是一个阶段，不同时期的核心驱动指标不一样。不同业务的核心驱动指标也不一样。
互联网公司常见的核心指标是用户数和活跃率，用户数代表市场的体量和占有，活跃率代表产品的健康度，但这是发展阶段的核心指标。在产品1.0期间，我们应把注意力放到打磨产品上，在大推广前提高产品质量，这时留存率是一个核心指标。而在有一定用户基数的产品后期，商业化比活跃重要，我们会关注钱相关的指标，比如广告点击率、利润率等。
核心驱动指标一般是公司整体的目标，若从个人的岗位职责看，也可以找到自己的核心指标。比如内容运营可以关注阅读数和阅读时长。
核心驱动指标一定能给公司和个人带来最大优势和利益，记得二八法则么?20%的指标一定能带来80%的效果，这20%的指标就是核心。
另外一方面，好的指标还有一个特性，它应该是比率或者比例。
拿活跃用户数说明就懂了，我们活跃用户有10万，这能说明什么呢?这说明不了什么。如果产品本身有千万级别的注册用户，那么10万用户说明非常不健康，产品在衰退期。如果产品只拥有四五十万用户，那么说明产品的粘性很高。
正因为单纯的活跃用户数没有多大意义，所以运营和产品会更关注活跃率。这个指标就是一个比率，将活跃用户数除以总用户数所得。所以在设立指标时，我们都尽量想它能不能是比率。
认识和看待事物
这类常见的提问方式包括了一个知名人物或历史事件如何评价？如何看待一个产品？你对某个事物是如何理解的？如何看待或分析一种行为或热点等？
对于看待或分析事物类的思维，则是我们前面一篇思维的逻辑里面讲到的很多内容，即事物本身应该结合外部环境+时间线+事物核心维度进行全面的分析，事物的外在交互关系，事物的内部结构和衔接，事物本身动态展现的行为特征等。这些首先分析清楚，即对事物本身有一个全面和客观的认识。
这类思维的一个核心即辩证思维，在这里我不太喜欢用批评性思维这个词，辩证思i维更加体现了这类思维的重点是全面，客观，以数据说话同时减少主观偏颇看法。对于这类问题你不一定要去表面自己的主观感受，而更加重要的是把事实和道理讲清楚，有理有据。
在真正分析清楚后，后续才过渡到这类问题的演进，即如何评估或评价一个事物，其前提仍然是分析清楚客观数据，但是数据本身不是评价或评估指标，因此一谈到评估自然会想到需要建立或参考一个评估体系。一个历史帝王有政治，经济，外交，军事和民生各种评价体系。对一辆车可能有动力，舒适性，油耗，操控等各种评价体系。一个产品本身有功能满足度，易用性，性能，价格等各种评价体系等。对于任何评估，则首先是找到现成可用的科学评价体系，然后将对事物分析后的数据映射到具体的评价体系上，即任何评估指标值的得出一定有事物本身内在数据和运作机制进行支撑的。
这些都想清楚后，即这类思维的重点是事物的分解和集成分析，事物的行为或活动分析，事物相关的内外环境因素分析，事物本身的关键属性维度分析和评估体系确定，事物各关键指标特性间的相互制约和促进力分析（类似系统思维中的正负循环）等。
坏指标有哪些呢?
其一是虚荣指标，它没有任何的实际意义。
产品在应用商店有几十万的曝光量，有意义吗?没有，我需要的是实际下载。下载了意义大吗?也不大，我希望用户注册成功。曝光量和下载量都是虚荣指标，只是虚荣程度不一样。
新媒体都追求微信公众号阅读数，如果靠阅读数做广告，那么阅读数有意义，如果靠图文卖商品，那么更应该关注转化率和商品销量，毕竟一个夸张的标题就能带来很高的阅读量，此时的阅读量是虚荣指标。可惜很多老板还是孜孜不倦的追求10W+，哪怕刷量。
虚荣指标是没有意义的指标，往往它会很好看，能够粉饰运营和产品的工作绩效，但我们要避免使用。
第二个坏指标是后验性指标，它往往只能反应已经发生的事情。
比如我有一个流失用户的定义：三个月没有打开APP就算做流失。那么运营每天统计的流失用户数，都是很久没有打开过的，以时效性看，已经发生很久了，也很难通过措施挽回。我知道曾经因为某个不好的运营手段伤害了用户，可是还有用吗?
活动运营的ROI(投资回报率)也是后验性指标，一个活动付出成本后才能知道其收益。可是成本已经支出，活动的好与坏也注定了。活动周期长，还能有调整余地。活动短期的话，这指标只能用作复盘，但不能驱动业务。
第三个坏指标是复杂性指标，它将数据分析陷于一堆指标造成的陷阱中。
指标能细分和拆解，比如活跃率可以细分成日活跃率、周活跃率、月活跃率、老用户活跃率等。数据分析应该根据具体的情况选择指标，如果是天气类工具，可以选择日活跃率，如果是社交APP，可以选择周活跃率，更低频的产品则是月活跃率。
每个产品都有适合它的几个指标，不要一股脑的装一堆指标上去，当你准备了二三十个指标用于分析，会发现无从下手。
三、建立正确的指标结构
既然指标太多太复杂不好，那么应该如何正确的选择指标呢?
和分析思维的金字塔结构一样，指标也有固有结构，呈现树状。指标结构的构建核心是以业务流程为思路，以结构为导向。
假设你是内容运营，需要对现有的业务做一个分析，提高内容相关数据，你会怎么做呢?
我们把金字塔思维转换一下，就成了数据分析方法了。
从内容运营的流程开始，它是：内容收集—内容编辑发布—用户浏览—用户点击—用户阅读—用户评论或转发—继续下一篇浏览。
这是一个标准的流程，每个流程都有指标可以建立。内容收集可以建立热点指数，看哪一篇内容比较火。用户浏览用户点击则是标准的PV和UV统计，用户阅读是阅读时长。
从流程的角度搭建指标框架，可以全面的囊括用户相关数据，无有遗漏。
这套框架列举的指标，依旧要遵循指标原则：需要有核心驱动指标。移除虚荣指标，适当的进行删减，不要为添加指标而添加指标。
四、了解维度分析法
当你有了指标，可以着手进行分析，数据分析大体可以分三类：
利用维度分析数据
使用统计学知识如数据分布假设检验
使用机器学习
我们先了解一下维度分析法。
维度是描述对象的参数，在具体分析中，我们可以把它认为是分析事物的角度。销量是一种角度、活跃率是一种角度，时间也是一种角度，所以它们都能算维度。
当我们有了维度后，就能够通过不同的维度组合，形成数据模型。数据模型不是一个高深的概念，它就是一个数据立方体。
上图就是三个维度组成的数据模型/数据立方体。分别是产品类型、时间、地区。我们既能获得电子产品在上海地区的2010二季度的销量，也能知道书籍在江苏地区的2010一季度销量。
数据模型将复杂的数据以结构化的形式有序的组织起来。我们之前谈到的指标，都可以作为维度使用。下面是范例：
将用户类型、活跃度、时间三个维度组合，观察不同用户群体在产品上的使用情况，是否A群体使用的时长更明显?
将商品类型、订单金额、地区三个维度组合，观察不同地区的不同商品是否存在销量差异?
数据模型可以从不同的角度和层面来观察数据，这样提高了分析的灵活性，满足不同的分析需求、这个过程叫做OLAP(联机分析处理)。当然它涉及到更复杂的数据建模和数据仓库等，我们不用详细知道。
数据模型还有几种常见的技巧、叫做钻取、上卷、切片。
选取就是将维度继续细分。比如浙江省细分成杭州市、温州市、宁波市等，2010年一季度变成1月、2月、3月。上卷则是钻取的相反概念，将维度聚合，比如浙江、上海、江苏聚合成浙江沪维度。切片是选中特定的维度，比如只选上海维度、或者只选2010年一季度维度。因为数据立方体是多维的，但我们观察和比较数据只能在二维、即表格中进行。
上图的树状结构代表钻取(source和time的细分)，然后通过对Route的air切片获得具体数据。
聪明的你可能已经想到，我们常用的数据透视表就是一种维度分析，将需要分析的维度放到行列组合进行求和、计数、平均值等计算。放一张曾经用到的案例图片：用城市维度和工作年限维度，计算平均工资。
除了Excel、BI、R、Python都能用维度分析法。BI是相对最简便的。
谈到维度法，想要强调的是分析的核心思维之一：对比，不同维度的对比，这大概是对新人快速提高的最佳捷径之一。比如过去和现在的时间趋势对比，比如不同地区维度的对比，比如产品类型的区别对比，比如不同用户的群体对比。单一的数据没有分析意义，只有多个数据组合才能发挥出数据的最大价值。
我想要分析公司的利润，利润 = 销售额 – 成本。那么找出销售额涉及的指标/维度，比如产品类型、地区、用户群体等，通过不断的组合和拆解，找出有问题或者表现良好的原因。成本也是同理。
这就是正确的数据分析思维。总结一下吧：我们通过业务建立和筛选出指标，将指标作为维度，利用维度进行分析。
很多人会问，指标和维度有什么区别?
维度是说明和观察事物的角度，指标是衡量数据的标准。维度是一个更大的范围，不只是数据，比如时间维度和城市维度，我们就无法用指标表示，而指标(留存率、跳出率、浏览时间等)却可以成为维度。通俗理解：维度>指标。
到这里，大家已经有一个数据分析的思维框架了。之所以是框架，因为还缺少具体的技巧，比如如何验证某一个维度是影响数据的关键，比如如何用机器学习提高业务，这些涉及到数据和统计学知识，以后再讲解。
这里我想强调，数据分析并不是一个结果，只是过程。还记得“如果你不能衡量它，那么你就不能有效增长它”这句话吗?数据分析的最终目的就是增长业务。如果数据分析需要绩效指标，一定不会是分析的对错，而是最终数据提升的结果。
数据分析是需要反馈的，当我分析出某项要素左右业务结果，那么就去验证它。告诉运营和产品人员，看看改进后的数据怎么样，一切以结果为准。如果结果并没有改善，那么就应该反思分析过程了。
这也是数据分析的要素，结果作导向。分析若只是当一份报告呈现上去，后续没有任何跟进、改进的措施，那么数据分析等与零。
业务指导数据，数据驱动业务。这才是不二法门。

⑼ 数据分析惯用的5种思维方法是什么

对比法就是用两组或两组以上的数据进行比较，是最通用的方法。

我们知道孤立的数据没有意义，有对比才有差异。一些直接描述事物的变量，如长度、数量、高度、宽度等。通过对比得到比率数据，增速、效率、效益等指标，这才是数据分析时常用的。

比如用于在时间维度上的同比和环比、增长率、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法可以发现数据变化规律，使用频繁，经常和其他方法搭配使用。

二、象限法

通过对两种及以上维度的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常于产品分析、市场分析、客户管理、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则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。

一般地，会用在产品分类上，去测量并构建ABC模型。比如某零售企业有500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢，这就是在业务运营中分清主次的问题。

常见的做法是将产品SKU作为维度，并将对应的销售额作为基础度量指标，将这些销售额指标从大到小排列，并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。

百分比在 70%(含)以内，划分为 A 类。

百分比在 70~90%(含)以内，划分为 B 类。

百分比在 90~100%(含)以内，划分为 C 类。

以上百分比也可以根据自己的实际情况调整。

ABC分析模型，不光可以用来划分产品和销售额，还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些，占比多少。假设有20%，那么在资源有限的情况下，就知道要重点维护这20%类客户。

四、漏斗法

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。

五、公式法

所谓公式法就是针对某个指标，用公式层层分解该指标的影响因素。

举例：分析某产品的销售额较低的原因，用公式法分解：

①某产品销售额=销售量 X 产品单价

②销售量=渠道A销售量 + 渠道B销售量 + 渠道C销售量 + …

③渠道销售量=点击用户数 X 下单率

④点击用户数=曝光量 X 点击率

第一层：找到产品销售额的影响因素。某产品销售额=销售量 X 产品单价。是销量过低还是价格设置不合理?

第二层：找到销售量的影响因素。分析各渠道销售量，对比以往，是哪些过低了。

第三层：分析影响渠道销售量的因素。渠道销售量=点击用户数X 下单率。是点击用户数低了，还是下单量过低。如果是下单量过低，需要看一下该渠道的广告内容针对的人群和产品实际受众符合度高不高。

第四层：分析影响点击的因素。点击用户数=曝光量X点击率。是曝光量不够还是点击率太低，点击率低需要优化广告创意，曝光量则和投放的渠道有关。

通过对销售额的逐层拆解，细化评估以及分析的粒度。

公式拆解法是针对问题的层级式解析，在拆解时，对因素层层分解，层层剥尽。

⑽ 数据分析惯用的四种思维方式

一、对比思维

对比法就是用两组或两组以上的数据进行比较，是最通用的方法。我们知道孤立的数据没有意义，有对比才有差异。一些直接描述事物的变量，如长度、数量、高度、宽度等，通过对比得到比率数据，增速、效率、效益等指标，这才是数据分析时常用的。比如：用于在时间维度上的同比和环比、增长率、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。

二、象限思维

通过对两种及以上维度的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常于产品分析、市场分析、客户管理、商品管理等。比如：下图是一个广告点击的四象限分布，X轴从左到右表示从低到高，Y轴从下到上表示从低到高。

三、二八法/帕累托分析思维

二八法也可以叫帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。

往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业;找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。

四、漏斗思维

漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。

关于数据分析惯用的5种思维方式的内容，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。