很多人都说会数据分析的人比别人聪明，实际上他们“聪明”在拥有分析思维，今天我们就来说说常见的数据分析思维。我总结了十种数据分析思维，也许会为你带来“灵光一闪”的感觉。
日常工作中，客户分群、产品归类、市场分级……许多事情都需要有分类的思维。关键在于，分类后的事物，需要在核心关键指标上能拉开距离！也就是说，分类后的结果必须是显著的。
如图，横轴和纵轴往往是你运营当中关注的核心指标（当然不限于二维），而分类后的对象，你能看到他们的分布不是随机的，而是有显著的集群的倾向。
打个比方，经典的RFM模型依托收费的3个核心指标构建用户分群体系：最近一次消费时间（Recency）、消费频率（Frequency）、消费金额（Monetary）。
在R/M/F三个指标上，我们通过经验将实际的用户划分为以下8个区（如上图），我们需要做的就是促进不同的用户向更有价值的区域转移。也就是将每个付费用户根据消费行为数据，匹配到不同的用户价值群体中，然后根据不同付费用户群体的价值采用不同的策略（如下表）
分类思维的发展之一是矩阵思维，矩阵思维不再局限于用量化指标来进行分类。许多时候，我们没有数据做为支持，只能通过经验做主观的推断时，是可以把某些重要因素组合成矩阵，大致定义出好坏的方向，然后进行分析。大家可以百度经典的管理分析方法“波士顿矩阵”模型。
这种思维方式已经比较普及了，漏斗分析分为长漏斗和短漏斗。长漏斗的特征是涉及环节较多，时间周期较长，常用的长漏斗有渠道归因模型，AARRR模型，用户生命周期模型等等；短漏斗是有明确的目的，时间短，如订单转化漏斗和注册漏斗。
但是，看上去越是普适越是容易理解的模型，它的应用越得谨慎和小心。在漏斗思维当中，我们尤其要注意漏斗的长度。
漏斗从哪里开始到哪里结束？漏斗的环节不该超过5个，漏斗中各环节的百分比数值，量级不要超过100倍（漏斗第一环节100%开始，到最后一个环节的转化率数值不要低于1%）。若超过了我说的这两个数值标准，建议分为多个漏斗进行观察。
理由是什么呢？超过5个环节，往往会出现多个重点环节，那么在一个漏斗模型中分析多个重要问题容易产生混乱。数值量级差距过大，数值间波动相互关系很难被察觉，容易遗漏信息。
我们观察指标，不仅要看单个指标的变化，还需要观察指标间的相互关系。有正相关关系（图中红色实线）和负相关关系（蓝色虚线）。最好能时常计算指标间的相关系数，定期观察变化。
相关思维的应用太广了，往往是被大家忽略的。现在的很多企业管理层，面对的问题并不是没有数据，而是数据太多，却太少有有用的数据。相关思维的其中一个应用，就是能够帮助我们找到最重要的数据，排除掉过多杂乱数据的干扰。
如何执行呢？你可以计算能收集到的多个指标间的相互关系，挑出与其他指标相关系数都相对较高的数据指标，分析它的产生逻辑，对应的问题，若都满足标准，这个指标就能定位为核心指标。
建议大家养成一个习惯，经常计算指标间的相关系数，仔细思考相关系数背后的逻辑，有的是显而易见的常识，比如订单数和购买人数，有的或许就能给你带来惊喜！另外，“没有相关关系”，这往往也会成为惊喜的来源。
一般说明逻辑树的分叉时，都会提到“分解”和“汇总”的概念。我这里把它变一变，使其更贴近数据分析，称为“下钻”和“上卷”。
下钻，就是在分析指标的变化时，按一定的维度不断的分解；而上卷是反方向的汇总。
下钻和上卷并不是局限于一个维度的，往往是多维组合的节点，进行分叉。逻辑树引申到算法领域就是决策树。有个关键便是何时做出决策（判断）。当进行分叉时，我们往往会选择差别最大的一个维度进行拆分，若差别不够大，则这个枝桠就不在细分。能够产生显著差别的节点会被保留，并继续细分，直到分不出差别为止。经过这个过程，我们就能找出影响指标变化的因素。
很多问题，我们是找不到横向对比的方法和对象的，那么，和历史上的状况比就将变得非常重要。其实很多时候用时间维度的对比来分析问题，便于排除掉一些外在的干扰，尤其适合创新型的分析对象，比如一个新行业的公司，或者一款全新的产品。
时间序列的思维有三个关键点：
一是距今越近的时间点，越要重视（图中的深浅度，越近期发生的事，越有可能再次发生）；
二是要做同比（图中的连线指示，指标往往存在某些周期性，需要在周期中的同一阶段进行对比，才有意义）；
三是异常值出现时，需要重视（比如出现了历史最低值或历史最高值，建议在时间序列作图时，添加平均值线和平均值加减一倍或两倍标准差线，便于观察异常值）。
时间序列思维有一个子概念不得不提一下，就是“生命周期”的概念。产品生命周期理论（PLC模型）是由美国经济学家Raymond Vernon提出的，即一种新产品从开始进入市场到被市场淘汰的整个过程。用户、产品、人、事都存在生命周期。
随着计算机运算能力的提高，队列分析（cohort analysis）这一方式逐渐展露头脚。从经验上看，队列分析就是按一定的规则，在时间颗粒度上将观察对象切片，组成一个观察样本，然后观察这个样本的某些指标随着时间的演进而产生的变化。目前使用得最多的场景就是留存分析。
队列分析中，指标其实就是时间序列，不同的是衡量样本。队列分析中的衡量样本是在时间颗粒上变化的，而时间序列的样本则相对固定。
循环／闭环的概念可以引申到很多场景中，比如业务流程的闭环、用户生命周期闭环、产品功能使用闭环、市场推广策略闭环等等。
业务流程的闭环是管理者比较容易定义出来的，列出公司所有业务环节，梳理出业务流程，然后定义各个环节之间相互影响的指标，跟踪这些指标的变化，能从全局上把握公司的运行状况，如脉脉的业务流程（如下图）。有了循环思维的好处是，你能比较快的建立有逻辑关系的指标体系。
逻辑思维即明白价值链、明白各项数据中的关系，也就是因果关系。
该方法的关键在于明白其中的关系要求你对这项工作要了解、熟悉，要细致和慎密，要清楚充分性和必要性的关系。 实际上也就是指：你需要哪些数据？如何获得这些数据?数据之间的关系如何？这里最常见的手段就是A/B test啦。
那么如何细化一下这个概念？一是在条件允许的情况下，决策前尽量做对比测试；二是测试时，一定要注意参照组的选择，建议任何实验中，都要留有不进行任何变化的一组样本，作为最基本的参照。现在数据获取越来越方便，在保证数据质量的前提下，希望大家多做实验，多去发现规律，可以按如下表格来做实验。
指数化思维是今天分享的10个思维当中最重要的。许多管理者面临的问题是“数据太多，可用的太少”，这就需要“降维”了，即要把多个指标压缩为单个指标。指数化思维就是将衡量一个问题的多个因素分别量化后，组合成一个综合指数（降维），来持续追踪的方式。
指数化的好处非常明显：一是减少了指标，使得管理者精力更为集中；二是指数化的指标往往都提高了数据的可靠程度；三是指数能长期使用且便于理解。
指数的设计是门大学问，这里简单提三个关键点：一是要遵循独立和穷尽的原则；二是要注意各指标的单位，尽量做标准化来消除单位的影响；三是权重和需要等于1。
PS：独立穷尽原则，即你所定位的问题，在搜集衡量该问题的多个指标时，各个指标间尽量相互独立，同时能衡量该问题的指标尽量穷尽（收集全）。例如当运营人员考虑是否需要将自己的内容分发到其他平台时，他可以采用指数化思维来整体评分。
10种数据分析的思维方式我们分享完了，当然在我们的工作中不只这10种，我们将会在以后的内容中分享给大家，除此之外如果大家有额外的好的数据分析思维方式，可以分享给我噢！
来源：数猎天下DataHunter（ID：DataHunter01）
作者：罗志恒
本期编辑：Leeung
“好看”↓↓↓
本文分享自微信公众号 - spss学习乐园（spssxp2018）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
来源：oschina
链接：https://my.oschina.net/u/4600288/blog/4472299