在数据分析中，我们需要掌握这4种思维模式

编辑导语：对很多产品经理而言，做数据分析好像就是数据采集然后进行分析这么简单；实际上，数据分析是一个严格的工作流程，数据分析思维可以有效地帮助我们优化账户，同时也能提高我们的工作效率。本文作者就教你数据分析的思维。

面对数据异常，我们经常会出现“好像是A原因引起的？”、“貌似和B原因也相关？”、“有可能是C操作不当”的主观臆测。

或者，拿到一个分析议题，分析“11月销售数据下降的原因”，是先从产品层面，还是渠道层面着手的茫然无措。

显然，这样的思维是乱的。

做数据分析，首先你得具备看待一个事物的逻辑化思维，其次用数据去证明他。

我们会经常听说两种推理模式，一种是归纳，一种是演绎；这是麦肯锡思维当中很经典的两个方法，工作中所有的问题，都可以用归纳或者演绎的形式进行拆分，我喜欢把这个过程称为“解构”。

这两种思维模式能够帮助数据分析师完成原始的业务逻辑积累，在此基础上快速定位业务问题，提升分析效率。

一、结构化思维

归纳其实就是把复杂问题分解成多种单一因素的过程，并且将这些因素加以归纳和整理，使之条理化、纲领化；这个过程犹如抽丝剥茧，将一团乱麻理地条条顺顺。

如何练习结构化思维，这其中会运用一个很重要工具，那就是金字塔模型。

根据《金字塔原理》：“任何事情都可以归纳出中心论点，由中心论点出发，可由三至七个论据支撑，每个一级论点可以衍生出其他的分论点。”如此发散开来，就可以形成以下的金字塔结构思考方式。

但是在你还没有掌握这种结构化思维方式时，直接用这种思考方式是有一定难度的。这时候就可以采用金字塔原理中的MECE法则去思考结构。

具体的操作方式是：

A. 尽可能列出所有思考的要点

B. 找出关系，进行分类。

他的原则是论点之间相互独立，不重叠；论据穷尽划分，不遗漏。

举个例子：现在有一个线下销售的产品，我们发现8月的销售额度下降，和去年同比下降了20%。我想先观察时间趋势下的波动，看是突然暴跌还是逐渐下降；再按照不同地区的数据看一下差异，有没有地区性的因素影响；我也准备问几个销售员，看一下现在的市场环境怎么样，听说有几家竞争对手也缩水了，是不是这个原因。

用结构化思维梳理，就是：

用这种方式思考，能确保思考的点成体系，逻辑严谨，要素相互之间不凌乱不打架，思考的点都穷尽。

长期练习这种方法，不仅更容易找到逻辑结构，也更容易培养你的结构化思维。

二、假说演绎思维

以情况为起点的推理方法是归纳推理，以规则为起点的推理方法可以称之为演绎推理。

比如：某自营电商网站，现在想将商品提价，让你分析下销售额会有怎样的变化？

首先可以确定销量会下降，那么下降多少？

这里就要假设商品流量情况，提价后转化率的变化情况，然后根据历史数据汇总出销量下降的情况，从而得出销售额的变化情况。

具体的变化情况都可以根据过往的数据来拟合，统计学上也有一些科学的预测模型，后面讲数理统计知识时会有涉及。

假设先行就是以假设作为思考的起点，先提出问题，然后用MECE原则梳理关联因素间的结构关系。

小结：归纳和演绎的思维是数据分析初期必备的，面试考察逻辑思维无非也是这两点。

实际情况中可针对不同的项目要求进行组合应用，在经过一定阶段的训练后，可以帮助提升业务熟悉程度；完成业务的初始积累后，后续的分析过程中就可以逐步减少拓展推理的层级及组合，逐步提升问题原因定位的效率。

三、指标化思维

上述的分析思维，帮助我们去定性问题，接下来我们要介入数据的方式，去定量分析，首要掌握指标化的思维。

假设有一家电商公司，我们想要了解网站运营的情况如何？运营人员向我们描述：我们的网站的流量很高啊，比淘宝差一点，比京东好一点，每天都有大量的新用户，老用户下单也很活跃啊。

那我就疑惑了，流量高是多少？大量的新用户怎么衡量？一个手机注册了算新用户还是新下单的用户？下单活跃又是怎么个活跃法？

这样的问题相信只能凭运营人员的经验来判断，而经验带来的“后果”往往是拍脑袋式的决策。

如果用指标化的思维，应该用PV和UV去衡量流量，新用户下单数和占比去评价网站的拉新，新老买家占比等指标去衡量用户活跃。

很明显，指标就是用来定义、评价和衡量业务的一个标准。

比如网站相关用户访问量、停留时长、跳出率等，销售相关销售量、销售额、客单价等，应该很好理解。

指标的设定有两个经验：

“有总比没有强”，对于要监控的事物，能有指标的尽量要有指标。

“一个好的指标应该是用来衡量具体且可量化的事物”，比如：用户访问量、停留时长、跳出率等。

下面这张图，解释了什么是指标化，这就是有无数据分析思维的差异，也是典型的数据化运营。

1. 指标体系

有指标是否就够了呢？

指标按照结构化思维可以形成一个体系，如销售分析指标体系、生产指标体系、电商行业指标体系。