第一章 数据思维

1、什么是数据思维—三种核心思维

1.结构化

• 确定核心论点
  • 寻找金字塔的塔顶，可以是假设，是问题，是预测等等依据性质的推测或者，无依据形式的猜测。
• 进行结构拆解
  • 自上而下，将核心论点层层拆解成为论点，上下之间因果关系或者依赖关系进行关联；
• MECE（Mutually Exclusive Collectively Exhaustive）
  • 相互独立，且完全穷尽。论点之前避免交叉和重复，分论点要尽量完善。
• 有效验证
  • 不论核心论点还是分论点，都应该量化，用数据说话。必然是可验证论证。

    结构化思维完全可以次啊用思维导图形式进行分析，作出金字塔结构的拆解分析；同时采用不同的分析方法进行论证；例如stwo分析，内外两个角度，内部从优劣形式进行阐述，外部需要查看市场、政策、竞争等等；

2.公式化

基础的公式计算法则；例如电商平台的销售额=曝光率转化率客单价等等相关知识储备基础；

3.业务化

从业务专业的角度进行代入；例如上海市哈喽单车的投放地点和投放数量的数据分析方法；同时也需要从实际运营的角度去分析，是否中间数据可能会有缺点。比如折损率以及损耗原因等方面数据；

业务化的真实探究，需要参与到业务的工作日常以及工作处理方式等；

结构化+公式化 单从这两方面进行开展可能会导致部分遗漏和缺失的数据模型和原因。

业务化 为了分析而分析，没有深入理解业务。好的数据分析思维，本身也是具备业务思维。

本节重点：结构化思维+结构化数据+机构话业务数据

2、为什么要有数据思维—数据分析的思维技巧

1.象限法

简介：根据数据信息划分数据维度，并根据维度来展示象限的优先程度；例如某电商可以根据消费金额、消费时间、消费频率进行划分用户群体，得出重要且忠诚的客户群体、重要不忠诚、不重要不忠诚、等等多个维度的数据角色或者画像

核心：象限法是一种精细驱动的思维方法；
应用：适用范围广、战略分析、产品分析、市场分析、客户管理、用户管理等等
优点：直观、清晰、对数据直接人工的划分、划分结果可以直接用于策略分析参照；
须知：象限划分一般根据中位数进行为标准，也可以根据平均值或者经验等；

2.多维法

简介：根据多个维度进行将数据集中性处理展示，（展示可以做数据透视查看）同时展示的维度和数据比较全面给分析提供一定的帮助，仍需要细致分析确认。

核心：象限法是一种精细驱动的思维方法；
应用：数据类型齐全；
有点：处理大量数据，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。
须知：对不同维度进行交叉分析时，需要注意辛普森悖论；

辛普森悖论为英国统计学家E.H.辛普森(E.H.Simpson)于1951年提出，指的是在某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论。

3.假设法

简介：对于无法确定的条件情况下，需要采取经验性质的假设进行作为自己条件的补充，并为方案的制定进行提供方向和支持；举例：公司派你到一个陌生的地方出差，你只能带一个背包，你会带什么，说明为什么这样做？所以只能假设猜测，比如这个地方是一个炎热物资匮乏地方，你需要基本衣物之外，更需要简单的医药品以及食物等储备；
核心：假设法是一只启发思考驱动的思维；
应用：它更多是一种思考方式，假设-验证-判断；
优点：当没有直观数据或者颜色能分析时候，以假设先行的方式进行推断，这是一个论证过程；
须知：不知可以假设前提，可以假设比例概率等，一切可能假设只要自圆其说；

4.植数法

线性加权
反比例
log

5.二八法

6.对比法

7.漏斗法

3、如何在业务时间锻炼分析能力