很多人都說會數據分析的人比别人聰明，實際上他們“聰明”在擁有分析思維，今天我們就來說說常見的數據分析思維。

以下10種數據分析思維可能不會瞬間升級你的思維模式，但說不定會為你以後的工作帶來“靈光一閃”的感覺，請耐心讀完。

一、分類思維

日常工作中，客戶分群、産品歸類、市場分級……許多事情都需要有分類的思維。關鍵在于，分類後的事物，需要在核心關鍵指标上能拉開距離！也就是說，分類後的結果必須是顯著的。

如圖，橫軸和縱軸往往是你運營當中關注的核心指标（當然不限于二維），而分類後的對象，你能看到他們的分布不是随機的，而是有顯著的集群的傾向。

打個比方，經典的RFM模型依托收費的3個核心指标構建用戶分群體系：最近一次消費時間（Recency）、消費頻率（Frequency）、消費金額（Monetary）。

在R/M/F三個指标上，我們通過經驗将實際的用戶劃分為以下8個區（如上圖），我們需要做的就是促進不同的用戶向更有價值的區域轉移。也就是将每個付費用戶根據消費行為數據，匹配到不同的用戶價值群體中，然後根據不同付費用戶群體的價值采用不同的策略。（如下表）

二、矩陣思維

分類思維的發展之一是矩陣思維，矩陣思維不再局限于用量化指标來進行分類。許多時候，我們沒有數據做為支持，隻能通過經驗做主觀的推斷時，是可以把某些重要因素組合成矩陣，大緻定義出好壞的方向，然後進行分析。大家可以百度經典的管理分析方法“波士頓矩陣”模型。

三、管道/漏鬥思維

這種思維方式已經比較普及了，漏鬥分析分為長漏鬥和短漏鬥。長漏鬥的特征是涉及環節較多，時間周期較長，常用的長漏鬥有渠道歸因模型，AARRR模型，用戶生命周期模型等等；短漏鬥是有明确的目的，時間短，如訂單轉化漏鬥和注冊漏鬥。

但是，看上去越是普适越是容易理解的模型，它的應用越得謹慎和小心。在漏鬥思維當中，我們尤其要注意漏鬥的長度。

漏鬥從哪裡開始到哪裡結束？漏鬥的環節不該超過5個，漏鬥中各環節的百分比數值，量級不要超過100倍（漏鬥第一環節100%開始，到最後一個環節的轉化率數值不要低于1%）。若超過了我說的這兩個數值标準，建議分為多個漏鬥進行觀察。

理由是什麼呢？超過5個環節，往往會出現多個重點環節，那麼在一個漏鬥模型中分析多個重要問題容易産生混亂。數值量級差距過大，數值間波動相互關系很難被察覺，容易遺漏信息。

四、相關思維

我們觀察指标，不僅要看單個指标的變化，還需要觀察指标間的相互關系。有正相關關系（圖中紅色實線）和負相關關系（藍色虛線），最好能時常計算指标間的相關系數，定期觀察變化。

相關思維的應用太廣了，往往是被大家忽略的。現在的很多企業管理層，面對的問題并不是沒有數據，而是數據太多，卻太少有有用的數據。相關思維的其中一個應用，就是能夠幫助我們找到最重要的數據，排除掉過多雜亂數據的幹擾。

如何執行呢？

你可以計算能收集到的多個指标間的相互關系，挑出與其他指标相關系數都相對較高的數據指标，分析它的産生邏輯，對應的問題，若都滿足标準，這個指标就能定位為核心指标。

建議大家養成一個習慣，經常計算指标間的相關系數，仔細思考相關系數背後的邏輯，有的是顯而易見的常識，比如訂單數和購買人數，有的或許就能給你帶來驚喜！另外，“沒有相關關系”，這往往也會成為驚喜的來源。

五、邏輯樹思維

一般說明邏輯樹的分叉時，都會提到“分解”和“彙總”的概念。我這裡把它變一變，使其更貼近數據分析，稱為“下鑽”和“上卷”。

下鑽，就是在分析指标的變化時，按一定的維度不斷的分解；而上卷是反方向的彙總。

下鑽和上卷并不是局限于一個維度的，往往是多維組合的節點，進行分叉。邏輯樹引申到算法領域就是決策樹。有個關鍵便是何時做出決策（判斷）。當進行分叉時，我們往往會選擇差别最大的一個維度進行拆分，若差别不夠大，則這個枝桠就不在細分。能夠産生顯著差别的節點會被保留，并繼續細分，直到分不出差别為止。經過這個過程，我們就能找出影響指标變化的因素。

六、時間序列思維

很多問題，我們是找不到橫向對比的方法和對象的，那麼，和曆史上的狀況比就将變得非常重要。其實很多時候用時間維度的對比來分析問題，便于排除掉一些外在的幹擾，尤其适合創新型的分析對象，比如一個新行業的公司，或者一款全新的産品。

時間序列的思維有三個關鍵點：

• 一是距今越近的時間點，越要重視（圖中的深淺度，越近期發生的事，越有可能再次發生）；
• 二是要做同比（圖中的連線指示，指标往往存在某些周期性，需要在周期中的同一階段進行對比，才有意義）；
• 三是異常值出現時，需要重視（比如出現了曆史最低值或曆史最高值，建議在時間序列作圖時，添加平均值線和平均值加減一倍或兩倍标準差線，便于觀察異常值）。

時間序列思維有一個子概念不得不提一下，就是“生命周期”的概念。産品生命周期理論（PLC模型）是由美國經濟學家Raymond Vernon提出的，即一種新産品從開始進入市場到被市場淘汰的整個過程。用戶、産品、人、事都存在生命周期。

七、隊列分析思維

随着計算機運算能力的提高，隊列分析（cohort analysis）這一方式逐漸展露頭腳。從經驗上看，隊列分析就是按一定的規則，在時間顆粒度上将觀察對象切片，組成一個觀察樣本，然後觀察這個樣本的某些指标随着時間的演進而産生的變化。目前使用得最多的場景就是留存分析。

隊列分析中，指标其實就是時間序列，不同的是衡量樣本。隊列分析中的衡量樣本是在時間顆粒上變化的，而時間序列的樣本則相對固定。

八、循環/閉環思維

循環／閉環的概念可以引申到很多場景中，比如業務流程的閉環、用戶生命周期閉環、産品功能使用閉環、市場推廣策略閉環等等。

業務流程的閉環是管理者比較容易定義出來的，列出公司所有業務環節，梳理出業務流程，然後定義各個環節之間相互影響的指标，跟蹤這些指标的變化，能從全局上把握公司的運行狀況，如脈脈的業務流程（如下圖）。有了循環思維的好處是，你能比較快的建立有邏輯關系的指标體系。

九、邏輯思維

邏輯思維即明白價值鍊、明白各項數據中的關系，也就是因果關系。

該方法的關鍵在于明白其中的關系要求你對這項工作要了解、熟悉，要細緻和慎密，要清楚充分性和必要性的關系。實際上也就是指：你需要哪些數據？如何獲得這些數據?數據之間的關系如何？這裡最常見的手段就是A/B test啦。

那麼如何細化一下這個概念？

• 一是在條件允許的情況下，決策前盡量做對比測試；
• 二是測試時，一定要注意參照組的選擇，建議任何實驗中，都要留有不進行任何變化的一組樣本，作為最基本的參照。

現在數據獲取越來越方便，在保證數據質量的前提下，希望大家多做實驗，多去發現規律，可以按如下表格來做實驗。

十、指數化思維

指數化思維是今天分享的10個思維當中最重要的。許多管理者面臨的問題是“數據太多，可用的太少”，這就需要“降維”了，即要把多個指标壓縮為單個指标。指數化思維就是将衡量一個問題的多個因素分别量化後，組合成一個綜合指數（降維），來持續追蹤的方式。

指數化的好處非常明顯：

• 一是減少了指标，使得管理者精力更為集中；
• 二是指數化的指标往往都提高了數據的可靠程度；
• 三是指數能長期使用且便于理解。

指數的設計是門大學問，這裡簡單提三個關鍵點：

• 一是要遵循獨立和窮盡的原則；
• 二是要注意各指标的單位，盡量做标準化來消除單位的影響；
• 三是權重和需要等于1。

PS：獨立窮盡原則，即你所定位的問題，在搜集衡量該問題的多個指标時，各個指标間盡量相互獨立，同時能衡量該問題的指标盡量窮盡（收集全）。例如當運營人員考慮是否需要将自己的内容分發到其他平台時，他可以采用指數化思維來整體評分。

總結

10種數據分析的思維方式我們分享完了，當然在我們的工作中不隻這10種，我們将會在以後的内容中分享給大家，除此之外如果大家有額外的好的數據分析思維方式，可以分享給我噢！

本文由 @DataHunter 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

,