Data - 數據思惟 - 上

1 - 概念與定義

若是分析思惟是一種結構化思考的體現，那麼數據分析思惟（簡稱數據思惟）則是以數據爲依託的結構化分析方式。
不一樣於「我以爲」、「之前是怎樣」、「其餘人如何」這些直覺化、經驗化、類比化的思考方式，數據思惟是以數據爲導向，依據嚴格的分析、統計和證實來指導具體的應用與操做。

首先，要對事物自己有一個全面和客觀的認識。

• 以辯證思惟來認識和看待事物，進行事物的分解和集成，全面客觀地以數聽說話，同時減小主觀偏頗見解，
• 結合外部環境、時間線、核心維度，全面的分析物的行爲特徵或動態展示
• 關注事物的外在交互關係、內部結構和銜接，分析事物相關的內外環境因素

而後，肯定事物自己的關鍵屬性、維度和分析評估體系。
分析事物各關鍵指標特性間的相互制約和促進力。
任何評估指標值的得出，必定有事物自己內在數據和運做機制進行支撐的，也就是說，將對事物分析後的數據映射到具體的可用的科學評價體系之上。

1.1 - 數據分析的目的

明確數據分析自己的目的，以終爲始。
數據分析是爲了能以量化的方式來分析業務問題並得出結論。
「從歷史數據中得到的洞察轉化爲可執行的決策或推薦的過程，將IT技術、管理科學和統計學結合以解決實際問題。」

1.2 - 數據分析的通常步驟

業務指導數據，數據驅動業務。
數據分析並非一個結果，只是過程，在這個過程當中是須要反饋和持續改進的。

1.3 - 數據分析的做用

數據分析的三大做用，主要是：現狀分析、緣由分析和預測分析。
何時開展什麼樣的數據分析，須要根據咱們的需求和目的來肯定。

• 數據分析的目的越明確，分析越有價值。
• 明確目的後，須要梳理思路，搭建分析框架，把分析目的分解成若干個不一樣的分析要點，而後針對每一個分析要點肯定分析方法和具體分析指標；
• 最後，確保分析框架的體系化（體系化，即先分析什麼，後分析什麼，使得各個分析點之間具備邏輯聯繫），使分析結果具備說服力。

1.4 - 數據常識（Data Common Sense）

對數據的變化保持敏感。
這裏的「變化」不只僅來自數值自己的變更，更多的而來自「當前的數據」不一樣於日常的認知和判斷。
而這種「日常的認知和判斷」，其實不只是長期數據觀察和分析所造成的「感受」，也是你的「經歷和經驗」，甚至是「當前的知識結構和能力樹」。
可以認識到「變化」的來源，能有效避免掉入「主觀判斷」的陷阱。

想要培養出數據敏感性和具有意識數據偏離的能力，這須要保持持久的觀察和分析，以及足夠的耐心和好奇心。
業務數據對應着業務流程，業務流程暗含着業務需求，業務需求來自實際運營，從實際應用中去理解數據的產生和流動，有助於準確保持數據分析的「方向」不偏離「正軌」。

• 造成查看關注數據的習慣，明確數值含義以及合理範圍
• 牢記核心數據、指標、報告和排名等，反覆推算合理性
• 抽離和規整數據，統一存放，方便查閱和分析

2 - 搭建框架

量化是爲了統一認知，而且確保路徑可回溯，可複製，避免「我感受」、「我猜想」等主觀判斷。
路徑可回溯、可複製：經過量化後的結果，許多優化的方法是能夠被找到緣由而且能夠被複制的。
要想作到量化，須要作到三點：創建量化體系，明確量化重點和保證數據準確性。

2.1 - 創建量化體系

若是不能衡量，那麼就不能有效增加和改進。
須要統一標準來定義和評價，這個標準就是指標。
具體的指標數值，能夠避免「我以爲」形成的認知陷阱，「模糊虛妄」的描述會將人帶入歧途。

2.2 - 明確量化重點

每一個階段，都應該明確當前的業務重點；量化體系須要根據業務階段，更改量化重點及方式。
這同時意味着：有更細節的指標及更大的監控和推廣力度。
每一個階段，都須要根據不一樣的業務狀況來判斷當前重點，從而圍繞該重點創建一套無死角的分析監控體系。

2.3 - 指標設計方法

孤立的指標發揮不出數據的價值，須要創建結構化的指標體系。
不一樣業務形態有不一樣的指標體系，沒有放之四海而皆準的模板。
指標能細分和拆解，應該根據具體的狀況選擇指標，

• 以準確和易懂爲準則，集合統計學和業務效果的方法論。
• 準確是指可以準確知足衡量目的，易懂是指標算法能直觀顯示好與壞，而且指標的算法也可以通俗易懂。
• 準確是必需要保證的。

一些用於指標設計的經常使用統計學工具

• 業務概況: 平均數、中位數、衆數
• 業務差別性：方差、標準差
• 業務分佈：頻數

一些Tips

• 比率指標：易於關注實際效果
• 伴生指標：防止單個「片面性指標」的反作用
• 防止壞指標：錯誤指標，虛榮指標（距離核心業務目標過遠），複雜指標（數據波動時，很難分析緣由）

指標維度字典（Dimension Dictionary）

• 指標維度字典，（Bus Matrix），必定程度上解決了對於指標定義不清或不統一的問題。
• 能夠對一些關鍵和經常使用的指標進行統一的維護。

明確指標的定義和解釋，要求制定者必須具有深刻了解業務和擁有極高的抽象能力。
尋找業界已有量化方法並在組織內推廣，將是件事半功倍的事情。

2.4 - 指標區分

「好指標」

• 不是全部的指標都是有效的，核心驅動指標纔是須要重點關注的「好指標」。
• 簡單來講，核心驅動指標和組織發展相關聯，是整個運營團隊、產品團隊乃至研發團隊在統一爲之努力的目標，是一個時期/階段內的重點方向。
• 不一樣業務的核心驅動指標也不同。
• "好指標"應該是在有效基數上的比率或者比例，易於衡量和對比。

「壞指標」

• 虛榮指標：沒有任何的實際意義，可以粉飾工做績效
• 後驗性指標：時效性差，實際上只是在描述已發生事件，很難經過措施挽回成本和彌補損失
• 複雜性指標：數據分析掉入「一堆隱藏變量指標」的陷阱中，無從下手

2.5 - 創建正確的指標結構

根據「指標設計方法」創建起圍繞業務的指標體系。
核心是根據業務特徵肯定核心指標，在覈心指標的基礎上以不一樣的角度進行拆解，而後再慢慢補充其餘業務的指標狀況。

和分析思惟的金字塔結構同樣，拆解的過程依照金字塔方法論的「逐層拆解，不重不漏（MECE）」，指標呈現樹狀結構，構建核心是以業務流程爲思路，以結構爲導向。
從流程的角度搭建指標框架，能夠全面的囊括用戶相關數據，無有遺漏。
列舉指標原則：須要有核心驅動指標。移除虛榮指標，適當的進行刪減，不要爲添加指標而添加指標。
若拆解出來或業務補充的指標過多，可借鑑數據倉庫的「域」概念來管理這些指標。

3 - 數據準確性

確保準確性的方法

• 採起可信來源：多來源交叉確認，採用新來源時需格外當心
• 確認加工方式：指標定義和加工算法
• Double Check：量級，計算邏輯和業務常識

Double Check 的技巧

• 量級 Check：邊界值，每一個數據有它的大概範圍
• 計算邏輯 Check：總數、中位數、平均數等
• 業務常識 Check：根據其餘經常使用數字推算出該業務範圍

數據產品已經有成熟的數據質量管理方法；涉及了數據源，指標計算和數據呈現等各個環節的監控。

4 - 溝通與反饋

4.1 - 站在業務方的角度

只有解決業務問題分析才能創造價值，包括我的價值和公司價值。
「憂其所慮，給其所欲」：精準理解對方需求。

4.2 - 主要環節

• 溝通充分：肯定業務方想要分析什麼，提出更合理專業的衡量和分析方式，明確所要數據背後的含義，同時作好節點同步，切忌一條路走到黑
• 結論簡明：在闡述分析結果上，要記得結論先行，逐層講解，再提供論據。論據上，圖 > 表 > 文字
• 提供信息量及可落地建議：從專業的角度，從已知邊界向未知邊界分析，提供給對方所未知的信息和可落地的建議
• 尋求反饋：持續改進的觸發點

5 - 方式與方法

5.1 - 數據分析方法論和數據分析法的區別

數據分析方法論主要是從宏觀角度指導如何進行數據分析，就像是一個數據分析的前期規劃，指導着後期數據分析工做的開展。

• 利用維度分析數據
• 使用統計學知識，例如數據分佈假設檢驗
• 使用機器學習

數據分析法主要從微觀角度指導如何進行數據分析，是指具體的分析方法，好比對比分析、交叉分析、相關分析、迴歸分析等。

5.2 - 維度分析法

維度是描述對象的參數，在具體分析中，能夠把它認爲是分析事物的角度。
有了維度後，就可以經過不一樣的維度組合，造成數據模型，一個多維的數據立方體。
數據模型將複雜的數據以結構化的形式有序的組織起來。
數據模型能夠從不一樣的角度和層面來觀察數據，這樣提升了分析的靈活性，知足不一樣的分析需求、這個過程叫作OLAP(聯機分析處理)。

5.3 - 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準。
維度是一個更大的範圍，不僅是數據，好比時間維度和城市維度，咱們就沒法用指標表示，而指標(留存率、跳出率、瀏覽時間等)卻能夠成爲維度。
經過業務創建和篩選出指標，將指標做爲維度，利用維度進行分析，通俗理解：維度>指標。
通常來講，指標均可以做爲維度使用。

6 - 數據分析的Why-What-How

7 - 「耍流氓」

對待藥物，拋開劑量談毒性；計算回報，拋開週期談金額； 閱讀書目，拋開難度談頁數；能力評估，拋開經歷談年限； 諸如此類，邏輯混亂，流氓至極！