Data - 数据思惟 - 上

1 - 概念与定义

若是分析思惟是一种结构化思考的体现，那么数据分析思惟（简称数据思惟）则是以数据为依托的结构化分析方式。
不一样于“我以为”、“之前是怎样”、“其余人如何”这些直觉化、经验化、类比化的思考方式，数据思惟是以数据为导向，依据严格的分析、统计和证实来指导具体的应用与操做。

首先，要对事物自己有一个全面和客观的认识。

• 以辩证思惟来认识和看待事物，进行事物的分解和集成，全面客观地以数听说话，同时减小主观偏颇见解，
• 结合外部环境、时间线、核心维度，全面的分析物的行为特征或动态展示
• 关注事物的外在交互关系、内部结构和衔接，分析事物相关的内外环境因素

而后，肯定事物自己的关键属性、维度和分析评估体系。
分析事物各关键指标特性间的相互制约和促进力。
任何评估指标值的得出，必定有事物自己内在数据和运做机制进行支撑的，也就是说，将对事物分析后的数据映射到具体的可用的科学评价体系之上。

1.1 - 数据分析的目的

明确数据分析自己的目的，以终为始。
数据分析是为了能以量化的方式来分析业务问题并得出结论。
“从历史数据中得到的洞察转化为可执行的决策或推荐的过程，将IT技术、管理科学和统计学结合以解决实际问题。”

1.2 - 数据分析的通常步骤

业务指导数据，数据驱动业务。
数据分析并非一个结果，只是过程，在这个过程当中是须要反馈和持续改进的。

1.3 - 数据分析的做用

数据分析的三大做用，主要是：现状分析、缘由分析和预测分析。
何时开展什么样的数据分析，须要根据咱们的需求和目的来肯定。

• 数据分析的目的越明确，分析越有价值。
• 明确目的后，须要梳理思路，搭建分析框架，把分析目的分解成若干个不一样的分析要点，而后针对每一个分析要点肯定分析方法和具体分析指标；
• 最后，确保分析框架的体系化（体系化，即先分析什么，后分析什么，使得各个分析点之间具备逻辑联系），使分析结果具备说服力。

1.4 - 数据常识（Data Common Sense）

对数据的变化保持敏感。
这里的“变化”不只仅来自数值自己的变更，更多的而来自“当前的数据”不一样于日常的认知和判断。
而这种“日常的认知和判断”，其实不只是长期数据观察和分析所造成的“感受”，也是你的“经历和经验”，甚至是“当前的知识结构和能力树”。
可以认识到“变化”的来源，能有效避免掉入“主观判断”的陷阱。

想要培养出数据敏感性和具有意识数据偏离的能力，这须要保持持久的观察和分析，以及足够的耐心和好奇心。
业务数据对应着业务流程，业务流程暗含着业务需求，业务需求来自实际运营，从实际应用中去理解数据的产生和流动，有助于准确保持数据分析的“方向”不偏离“正轨”。

• 造成查看关注数据的习惯，明确数值含义以及合理范围
• 牢记核心数据、指标、报告和排名等，反复推算合理性
• 抽离和规整数据，统一存放，方便查阅和分析

2 - 搭建框架

量化是为了统一认知，而且确保路径可回溯，可复制，避免“我感受”、“我猜想”等主观判断。
路径可回溯、可复制：经过量化后的结果，许多优化的方法是能够被找到缘由而且能够被复制的。
要想作到量化，须要作到三点：创建量化体系，明确量化重点和保证数据准确性。

2.1 - 创建量化体系

若是不能衡量，那么就不能有效增加和改进。
须要统一标准来定义和评价，这个标准就是指标。
具体的指标数值，能够避免“我以为”形成的认知陷阱，“模糊虚妄”的描述会将人带入歧途。

2.2 - 明确量化重点

每一个阶段，都应该明确当前的业务重点；量化体系须要根据业务阶段，更改量化重点及方式。
这同时意味着：有更细节的指标及更大的监控和推广力度。
每一个阶段，都须要根据不一样的业务状况来判断当前重点，从而围绕该重点创建一套无死角的分析监控体系。

2.3 - 指标设计方法

孤立的指标发挥不出数据的价值，须要创建结构化的指标体系。
不一样业务形态有不一样的指标体系，没有放之四海而皆准的模板。
指标能细分和拆解，应该根据具体的状况选择指标，

• 以准确和易懂为准则，集合统计学和业务效果的方法论。
• 准确是指可以准确知足衡量目的，易懂是指标算法能直观显示好与坏，而且指标的算法也可以通俗易懂。
• 准确是必需要保证的。

一些用于指标设计的经常使用统计学工具

• 业务概况: 平均数、中位数、众数
• 业务差别性：方差、标准差
• 业务分布：频数

一些Tips

• 比率指标：易于关注实际效果
• 伴生指标：防止单个“片面性指标”的反作用
• 防止坏指标：错误指标，虚荣指标（距离核心业务目标过远），复杂指标（数据波动时，很难分析缘由）

指标维度字典（Dimension Dictionary）

• 指标维度字典，（Bus Matrix），必定程度上解决了对于指标定义不清或不统一的问题。
• 能够对一些关键和经常使用的指标进行统一的维护。

明确指标的定义和解释，要求制定者必须具有深刻了解业务和拥有极高的抽象能力。
寻找业界已有量化方法并在组织内推广，将是件事半功倍的事情。

2.4 - 指标区分

“好指标”

• 不是全部的指标都是有效的，核心驱动指标才是须要重点关注的“好指标”。
• 简单来讲，核心驱动指标和组织发展相关联，是整个运营团队、产品团队乃至研发团队在统一为之努力的目标，是一个时期/阶段内的重点方向。
• 不一样业务的核心驱动指标也不同。
• "好指标"应该是在有效基数上的比率或者比例，易于衡量和对比。

“坏指标”

• 虚荣指标：没有任何的实际意义，可以粉饰工做绩效
• 后验性指标：时效性差，实际上只是在描述已发生事件，很难经过措施挽回成本和弥补损失
• 复杂性指标：数据分析掉入“一堆隐藏变量指标”的陷阱中，无从下手

2.5 - 创建正确的指标结构

根据“指标设计方法”创建起围绕业务的指标体系。
核心是根据业务特征肯定核心指标，在核心指标的基础上以不一样的角度进行拆解，而后再慢慢补充其余业务的指标状况。

和分析思惟的金字塔结构同样，拆解的过程依照金字塔方法论的“逐层拆解，不重不漏（MECE）”，指标呈现树状结构，构建核心是以业务流程为思路，以结构为导向。
从流程的角度搭建指标框架，能够全面的囊括用户相关数据，无有遗漏。
列举指标原则：须要有核心驱动指标。移除虚荣指标，适当的进行删减，不要为添加指标而添加指标。
若拆解出来或业务补充的指标过多，可借鉴数据仓库的“域”概念来管理这些指标。

3 - 数据准确性

确保准确性的方法

• 采起可信来源：多来源交叉确认，采用新来源时需格外当心
• 确认加工方式：指标定义和加工算法
• Double Check：量级，计算逻辑和业务常识

Double Check 的技巧

• 量级 Check：边界值，每一个数据有它的大概范围
• 计算逻辑 Check：总数、中位数、平均数等
• 业务常识 Check：根据其余经常使用数字推算出该业务范围

数据产品已经有成熟的数据质量管理方法；涉及了数据源，指标计算和数据呈现等各个环节的监控。

4 - 沟通与反馈

4.1 - 站在业务方的角度

只有解决业务问题分析才能创造价值，包括我的价值和公司价值。
“忧其所虑，给其所欲”：精准理解对方需求。

4.2 - 主要环节

• 沟通充分：肯定业务方想要分析什么，提出更合理专业的衡量和分析方式，明确所要数据背后的含义，同时作好节点同步，切忌一条路走到黑
• 结论简明：在阐述分析结果上，要记得结论先行，逐层讲解，再提供论据。论据上，图 > 表 > 文字
• 提供信息量及可落地建议：从专业的角度，从已知边界向未知边界分析，提供给对方所未知的信息和可落地的建议
• 寻求反馈：持续改进的触发点

5 - 方式与方法

5.1 - 数据分析方法论和数据分析法的区别

数据分析方法论主要是从宏观角度指导如何进行数据分析，就像是一个数据分析的前期规划，指导着后期数据分析工做的开展。

• 利用维度分析数据
• 使用统计学知识，例如数据分布假设检验
• 使用机器学习

数据分析法主要从微观角度指导如何进行数据分析，是指具体的分析方法，好比对比分析、交叉分析、相关分析、回归分析等。

5.2 - 维度分析法

维度是描述对象的参数，在具体分析中，能够把它认为是分析事物的角度。
有了维度后，就可以经过不一样的维度组合，造成数据模型，一个多维的数据立方体。
数据模型将复杂的数据以结构化的形式有序的组织起来。
数据模型能够从不一样的角度和层面来观察数据，这样提升了分析的灵活性，知足不一样的分析需求、这个过程叫作OLAP(联机分析处理)。

5.3 - 指标和维度有什么区别?

维度是说明和观察事物的角度，指标是衡量数据的标准。
维度是一个更大的范围，不仅是数据，好比时间维度和城市维度，咱们就没法用指标表示，而指标(留存率、跳出率、浏览时间等)却能够成为维度。
经过业务创建和筛选出指标，将指标做为维度，利用维度进行分析，通俗理解：维度>指标。
通常来讲，指标均可以做为维度使用。

6 - 数据分析的Why-What-How

7 - “耍流氓”

对待药物，抛开剂量谈毒性；计算回报，抛开周期谈金额； 阅读书目，抛开难度谈页数；能力评估，抛开经历谈年限； 诸如此类，逻辑混乱，流氓至极！