数据说·思维季
真正成熟的人，看得清自己，做得出选择，付得起成本，担得起责任。
前言我们上篇内容，从广泛的意义上出发，简单梳理了数据思维在工作上基本应用范围以及如何应用，不同行业有不同的情况或者属性，且数据思维也可以说是一种底层的思维模式，所以，说白了就是如何让数据创造价值的思考方式。那通常情况下，我们在面对数据分析问题时，一些想法以及思维是零散的，需要我们逐步培养锻炼自己数据敏感度以及分析思维，需要将零散的想法形成有条理的分析思路或者思维。
然而，数据思维并不是一日可形成，是需要我们结合日常工作生活来刻意练习，去实践，发现问题、解决问题、总结问题的一个不断积累经验的过程。不过，刚刚入门数据分析还是可以通过一些方法和习惯去训练思维，培养逻辑能力的。本文简单梳理和分享一些数据思维该如何训练，其目的主要给大家提供如何锻炼数据思维的一些建议，以及在面对不同的业务时，如何快速掌握核心数据来指导制定业务策略，仅供参考！
首先，养成对数据的深究，知道数据怎么来的？理解数据、理解业务是便于我们进行数据采集及分析溯源，对结论和成果有着一定的数据保证，同时也要判断数据来源的可靠性。
其次，梳理数据指标有哪些维度？理解评估标准，不同业务有不同的关键业务指标，利用思维导图积累相关业务的指标体系，多总结多问为什么；指标体系经常用于数据细分找原因，知道数据构成才能更快地拆分数据，找到异常原因。
最后，了解数据是如何说明业务？找到业务背后的基本逻辑。在数据的日常工作中带入业务思维，从而要知道数据指标在业务中的代表什么，业务数据正常水平是怎么样的，受节假日或者活动营销的影响的数据又是怎么样的，要多对比，结合环比同比明白数据高低的意义。
拆解能力决定了能否有效处理和解决复杂事务，简单来说，就是把一个复杂问题拆解成一个个基础元素，通过研究这些元素，控制和改变基本的元素进而解决复杂的问题。
（1）结构化拆解简单地说，就是按照各不同维度进行拆分，定位当前问题，从问题核心出发拆解影响因素，最终确定验证角度。再通过指标、公式、模型的方式找到验证影响因素的量化标准。比如销售额下滑了，销售额=销售数据*单价，拆分后的结果比拆分前的清晰得多，就可以区分是线上销售下降还是线上销售下降，还可以进一步发现是具体某一个渠道下滑，这样分析更具针对性。如图：
简单地说，用户行为路径所要经过的核心流程步骤，用户在流程的走向过程中会逐渐的减少。梳理各流程环节涉及复杂业务过程关键业务的节点，而漏斗图是对业务流程最直观的一种表现形式，并且也最能说明问题的所在。比如获客就是一个链路比较长的业务场景，涉及到活动曝光、客户点击、客户意愿、填写信息、客服回访、客户下载、激活、注册、下单等一系列业务环节，通过漏斗图可以很快发现业务流程中存在问题的环节，确定业务瓶颈。如图：
“对比、细分、溯源“是数据分析的6字箴言，而对比虽然是最简单的，却是在培养数据思维中非常重要的一环。所谓对比是指将两个或两个以上的数据（指标）进行比较，分析它们的差异，从而揭示这些数据所代表的事物发展变化情况和规律性。来判断业务进展情况以及追踪业务是否有问题。其特点：简单、直观、量化。即可以非常直观的看出事物某方面的变化或差距，并且可以量化、准确地表示出这种变化或差距是多少。
对比分析思维的分为两类类：静态比较（和行业比）和动态比较（和自己比）
（1）静态比较即在同一时间条件下对不同总体指标的比较，如不同部门、不同地区、不同国家的比较叫做横向比较，简称横比。
举个例子：女友问你“你觉得我胖么？”你去拿全国女生体重平均值和女友体重做对比，这就是和行业比。
一般来说，同业的数据来源主要公开发表的数据，包括上市公司的财报、主动披露的数据等等，数据的信息源不同其准确性也会存在各种差异，但是通过仔细分析还是能得到一些自己想要的东西，取决于每个人数据思维能力的高低。
（2）动态比较即是在同一总体条件下对不同时期指标数值的比较，也叫纵向比较，简称纵比。
再举个例子：比如女友问“我比上个月胖么？”就是和自己比。
一般来说，会进行同比、环比等，通过趋势图观察一段时间的走势，这是常见的比较思路，但是注意不要忘记最初设定的目标。在工作中会发现有个问题就是有时候我们会发现同比环比之后，指标都上涨了，营造出欣欣向荣的局面，但其实并没有达到我们的目标，只是基准值太低，这是一种典型的目标侵蚀。
总之，这2种方法既可单独使用，也可结合使用。纵向的是因果，横向的是相关。然而对比分析的时候要遵从以下原则：
①对比对象要一致
②对比时间属性要一致
③对比指标的定义和计算方法要一致
④对比数据源要一致最后就是多比较
AARRR增长模型出自于增长黑客，又称海盗模型，即获客、激活、留存、变现、传播推荐。
获取用户（Acquisition）、提高活跃度（Activation）、提高留存率（Retention）、获取收入（Revenue）、用户推荐（Refer），这个五个单词的缩写，分别对应用户生命周期中的5个重要环节。
获取用户（Acquisition）：通过一定的方式让产品在一些渠道上面得到展现，并使看到展现的用户转化成产品用户。
提高活跃度（Activation）：提高产品的使用粘性，提升用户使用产品的深度。
提高留存率（Retention）：如何让用户不断的使用我们的产品，减少用户的流失，提升用户粘性。让用户无法离开产品。
获取收入（Revenue）：通过一些手段和渠道从用户那里获取收益。
用户推荐（Refer）：通过提升产品的竞争力，使用户给他的朋友推荐我们的产品。
（2）Google’s HEART模型Google’s HEART是一个用来评估以及提升用户体验的模型，它由五个维度组成：Engagement（参与度）、Adoption（接受度）、Retention（留存度）、Task Success（任务完成度）和Happiness（愉悦度）。
Engagement（参与度）：通常指的是用户访问产品的行为，相关的指标是和用户访问相关。包含用户的活跃度（DAU/WAU/MAU）、UV、PV、人均访问次数等，通过这些数据可以很好的反应整个产品的用户访问情况。
Adoption（接受度）：用户在规定的时间内对产品的操作情况。接受度相关的指标主要和用户的操作行为有关。包含点击行为、点击率、人均点击次数、下单金额、支付情况和人均订单数等等。
Retention（留存度）：留存度体现用户人群对产品或者某个功能的粘性。留存度的相关指标主要和用户再次访问/操作的行为有关。包含留存用户数、留存率、复购用户数和复购率等。
Task Success（任务完成度）：任务完成度体现用户各个流程的转化率情况。任务完成度的相关指标主要和用户各个流程节点的转化率有关。包含各节点转化率、平均停留时长、返回率、跳出率和退款率等。
Happiness（愉悦度）：愉悦度体现用户使用完产品后的整体感受情况，是否有推荐给其他用户的意愿。愉悦度的相关指标是NPS净推荐值。
（3）波士顿矩阵模型波士顿矩阵其实是利用二维四象限将产品分成了明星、金牛、瘦狗和问题四种类型。在电商运营中波士顿也具有很大的指导意义,我们可以根据波士顿矩阵的方式制定平台的产品矩阵：引流款、利润款、留存款。让商城的产品更符合交易逻辑。通过波士顿矩阵模型，可以将我们面临的问题进行轻重缓急排序，并针对性地部署相应的策略，把主要资源放在哪个区域。·······
这里就不一一展开了，简单介绍几个常见的，抛砖引玉，而更多的数据模型还需要我们在日常的工作中不断的积累。总之，大家可以找更多的资料深入学习数据模型，复用现有模型，更重要的是，需要我们通过熟悉主流的数据模型产出逻辑，并从中找到规律，培养自己的思维能力
五、其他建议（1）具备一定的好奇心美国心理学家布鲁纳认为好奇心是人类行为的原始动机之一。它常由人们所接触的不明确的事物或未完成的事情引起。当事物尚未明确，事态尚未完成时，人们时常受好奇心的驱使去探索这些未知的行为过程或结果，并从中得到满足。然而，在锻炼数据思维时，一定是有好奇心的，有兴趣去知道数据背后的逻辑的。
（2）说事实，而不是观点《原则》一书中举的例子是：大部分人不是真正地寻找事实,而是寻找那些能证明自己观点的事实。我们大部分人表达的事实，可能已经是带有自己价值取向的观点。因此，我们要注意自身的观点，用事实说话。
（3）用客观标准代替主观判断主观是指人的意识、思想、认识等；客观是指人的意识之外的物质世界或认识对象。我们不能用主观判断数据的好坏，以符合实际业务场景的客观事实的标准来判断，可以根据竞对数据，往期数据，目标数据等维度来制定准备。
（4）多看、多练、常总结首先，我们可以多看写权威、专业的数据分析报告，梳理以及了解人家的分析过程。去不同行看看不同数据报告，发现问题，总结经验，还可以多看自己业务的数据和每天的各种数据报表，整理出来，每天看走势，发现异常及时分析。其次，还有多多去尝试用同样的分析方法去分析类似的数据。可以套用别人的分析思路去尝试分析自己的业务问题，最后，总结分析过程中的问题以及经验。总之，就是多看，多练，尝总结。
总结以上是分享的一些培养数据思维的建议。具备数据思维的人来讲，要有数据敏感性，要能够合理怀疑，首要确认数据是否准确，对一些异常敏感的数据尤其如此，这就需要通过时间培养数据常识，只能刻意练习。总之，数据思维需要结合日常工作生活来不断通过一些习惯和方法去培养，去实践，发现问题、解决问题、总结问题积累经验的一个过程。其核心价值在于是否指导了你的决策行为。我们在生活工作利用以上建议，从一个广告数据、一个活动数据、一个产品数据、一组访问数据、一个数据报告等进行培养和刻意练习。
-END-
以上就是关于浅谈在探索数分之路上“数据思维”培养民工动漫全部的内容，关注我们，带您了解更多相关内容。
特别提示：本信息由相关用户自行提供，真实性未证实，仅供参考。请谨慎采用，风险自负。
