[[417845]]

前言

我們上篇內容，從廣泛的意義上出發，簡單梳理了數據思維在工作上基本應用范圍以及如何應用，不同行業有不同的情況或者屬性，且數據思維也可以說是一種底層的思維模式，所以，說白了就是如何讓數據創造價值的思考方式。那通常情況下，我們在面對數據分析問題時，一些想法以及思維是零散的， 需要我們逐步培養鍛煉自己數據敏感度以及分析思維，需要將零散的想法形成有條理的分析思路或者思維。

然而，數據思維并不是一日可形成，是需要我們結合日常工作生活來刻意練習，去實踐，發現問題、解決問題、總結問題的一個不斷積累經驗的過程。不過，剛剛入門數據分析還是可以通過一些方法和習慣去訓練思維，培養邏輯能力的。本文簡單梳理和分享一些數據思維該如何訓練，其目的主要給大家提供如何鍛煉數據思維的一些建議，以及在面對不同的業務時，如何快速掌握核心數據來指導制定業務策略，僅供參考！

一、提升對數據的敏感度

首先，養成對數據的深究，知道數據怎么來的？理解數據、理解業務是便于我們進行數據采集及分析溯源，對結論和成果有著一定的數據保證，同時也要判斷數據來源的可靠性。

其次，梳理數據指標有哪些維度？理解評估標準，不同業務有不同的關鍵業務指標，利用思維導圖積累相關業務的指標體系，多總結多問為什么；指標體系經常用于數據細分找原因，知道數據構成才能更快地拆分數據，找到異常原因。

最后，了解數據是如何說明業務？ 找到業務背后的基本邏輯 。 在數據的日常工作中帶入業務思維，從而要知道 數據指標在業務中的代表什么，業務數據正常水平是怎么樣的，受節假日或者活動營銷的影響的數據又是怎么樣的，要多對比，結合環比同比明白數據高低的意義。

二、養成對數據指標拆解習慣

拆解能力決定了能否有效處理和解決復雜事務，簡單來說，就是把一個復雜問題拆解成一個個基礎元素， 通過研究這些元素，控制和改變基本的元素進而解決復雜的問題。

（1）結構化拆解

簡單地說，就是按照各不同維度進行拆分，定位當前問題，從問題核心出發拆解影響因素，最終確定驗證角度。再通過指標、公式、模型的方式找到驗證影響因素的量化標準。比如銷售額下滑了，銷售額=銷售數據*單價，拆分后的結果比拆分前的清晰得多，就可以區分是線上銷售下降還是線上銷售下降，還可以進一步發現是具體某一個渠道下滑，這樣分析更具針對性。如圖：

（2）流程化拆解

簡單地說，用戶行為路徑所要經過的核心流程步驟，用戶在流程的走向過程中會逐漸的減少。梳理各流程環節涉及復雜業務過程關鍵業務的節點，而漏斗圖是對業務流程最直觀的一種表現形式，并且也最能說明問題的所在。比如獲客就是一個鏈路比較長的業務場景，涉及到活動曝光、客戶點擊、客戶意愿、填寫信息、客服回訪、客戶下載、激活、注冊、下單等一系列業務環節，通過漏斗圖可以很快發現業務流程中存在問題的環節，確定業務瓶頸。如圖：

三、常用數據做多維度對比

“對比、細分、溯源“ 是數據分析的6字箴言 ，而對比雖然是最簡單的，卻是在培養數據思維中非常重要的一環。所謂對比是指將兩個或兩個以上的數據（指標）進行比較，分析它們的差異，從而揭示這些數據所代表的事物發展變化情況和規律性。來判斷業務進展情況以及追蹤業務是否有問題。其特點：簡單、直觀、量化。即可以非常直觀的看出事物某方面的變化或差距，并且可以量化、準確地表示出這種變化或差距是多少。

對比分析思維的分為兩類類： 靜態比較（和行業比）和動態比較（和自己比）

（1）靜態比較

即在同一時間條件下對不同總體指標的比較，如不同部門、不同地區、不同國家的比較叫做橫向比較，簡稱橫比。

舉個例子：女友問你“你覺得我胖么？”你去拿全國女生體重平均值和女友體重做對比，這就是和行業比。

一般來說，同業的數據來源主要公開發表的數據，包括上市公司的財報、主動披露的數據等等，數據的信息源不同其準確性也會存在各種差異，但是通過仔細分析還是能得到一些自己想要的東西，取決于每個人數據思維能力的高低。

（2）動態比較

即是在同一總體條件下對不同時期指標數值的比較，也叫縱向比較，簡稱縱比。

再舉個例子：比如女友問“我比上個月胖么？”就是和自己比。

一般來說，會進行同比、環比等，通過趨勢圖觀察一段時間的走勢，這是常見的比較思路，但是注意不要忘記最初設定的目標。在工作中會發現有個問題就是有時候我們會發現同比環比之后，指標都上漲了，營造出欣欣向榮的局面，但其實并沒有達到我們的目標，只是基準值太低，這是一種典型的目標侵蝕。

總之，這2種方法既可單獨使用，也可結合使用。 縱向的是因果，橫向的是相關 。然而對比分析的時候要遵從以下原則：

①對比對象要一致

②對比時間屬性要一致

③對比指標的定義和計算方法要一致

④對比數據源要一致最后就是多比較

[[417848]]

四、多熟悉各種數據分析模型

數據模型其實是各種數據分析經驗的抽象集合，你擁有了更多的數據模型，也就擁有了更多的認知“數據”世界的工具。在斯科特·佩奇的《模型思維》一書中，提到了20多個思維模型，我們在數據分析過程中可能會經常用到的主要有：AARRR（海盜模型）、漏斗模型、Google’s HEART、金字塔模型、RFM模型、用戶生命周期模型、滑梯模型、消費者行為模型等等。

（1）AARRR模型

AARRR增長模型出自于增長黑客，又稱海盜模型，即獲客、激活、留存、變現、傳播推薦。

獲取用戶（Acquisition）、提高活躍度（Activation）、提高留存率（Retention）、獲取收入（Revenue）、用戶推薦（Refer），這個五個單詞的縮寫，分別對應用戶生命周期中的5個重要環節。

獲取用戶（Acquisition）：通過一定的方式讓產品在一些渠道上面得到展現，并使看到展現的用戶轉化成產品用戶。

提高活躍度（Activation）：提高產品的使用粘性，提升用戶使用產品的深度。

提高留存率（Retention）：如何讓用戶不斷的使用我們的產品，減少用戶的流失，提升用戶粘性。讓用戶無法離開產品。

獲取收入（Revenue）：通過一些手段和渠道從用戶那里獲取收益。

用戶推薦（Refer）：通過提升產品的競爭力，使用戶給他的朋友推薦我們的產品。

（2）Google’s HEART模型

Google’s HEART是一個用來評估以及提升用戶體驗的模型，它由五個維度組成：Engagement（參與度）、Adoption（接受度）、Retention（留存度）、Task Success（任務完成度）和Happiness（愉悅度）。

Engagement（參與度）：通常指的是用戶訪問產品的行為，相關的指標是和用戶訪問相關。包含用戶的活躍度（DAU/WAU/MAU）、UV、PV、人均訪問次數等，通過這些數據可以很好的反應整個產品的用戶訪問情況。

Adoption（接受度）：用戶在規定的時間內對產品的操作情況。接受度相關的指標主要和用戶的操作行為有關。包含點擊行為、點擊率、人均點擊次數、下單金額、支付情況和人均訂單數等等。

Retention（留存度）：留存度體現用戶人群對產品或者某個功能的粘性。留存度的相關指標主要和用戶再次訪問/操作的行為有關。包含留存用戶數、留存率、復購用戶數和復購率等。

Task Success（任務完成度）：任務完成度體現用戶各個流程的轉化率情況。任務完成度的相關指標主要和用戶各個流程節點的轉化率有關。包含各節點轉化率、平均停留時長、返回率、跳出率和退款率等。

Happiness（愉悅度）：愉悅度體現用戶使用完產品后的整體感受情況，是否有推薦給其他用戶的意愿。愉悅度的相關指標是NPS凈推薦值。

（3）波士頓矩陣模型

波士頓矩陣其實是利用二維四象限將產品分成了 明星、金牛、瘦狗和問題 四種類型。在電商運營中波士頓也具有很大的指導意義,我們可以根據波士頓矩陣的方式制定平臺的產品矩陣：引流款、利潤款、留存款。讓商城的產品更符合交易邏輯。通過波士頓矩陣模型，可以將我們面臨的問題進行輕重緩急排序，并針對性地部署相應的策略，把主要資源放在哪個區域。

·······

這里就不一一展開了， 簡單介紹幾個常見的，拋磚引玉，而更多的數據模型還需要我們在日常的工作中不斷的積 累。總之，大家可以找更多的資料深入學習數據模型，復用現有模型，更重要的是，需要我們通過熟悉主流的數據模型產出邏輯，并從中找到規律，培養自己的思維能力

五、其他建議

（1）具備一定的好奇心

美國心理學家布魯納認為好奇心是人類行為的原始動機之一。它常由人們所接觸的不明確的事物或未完成的事情引起。當事物尚未明確，事態尚未完成時，人們時常受好奇心的驅使去探索這些未知的行為過程或結果，并從中得到滿足。然而，在鍛煉數據思維時，一定是有好奇心的，有興趣去知道數據背后的邏輯的。

（2）說事實，而不是觀點

《原則》一書中舉的例子是：大部分人不是真正地尋找事實,而是尋找那些能證明自己觀點的事實。我們大部分人表達的事實，可能已經是帶有自己價值取向的觀點。因此，我們要注意自身的觀點，用事實說話。

（3）用客觀標準代替主觀判斷

主觀是指人的意識、思想、認識等；客觀是指人的意識之外的物質世界或認識對象。我們不能用主觀判斷數據的好壞，以符合實際業務場景的客觀事實的標準來判斷，可以根據競對數據，往期數據，目標數據等維度來制定準備。

（4）多看、多練、常總結

首先，我們可以多看寫權威、專業的數據分析報告，梳理以及了解人家的分析過程。去不同行看看不同數據報告，發現問題，總結經驗， 還可以多看自己業務的數據和每天的各種數據報表 ，整理出來，每天看走勢，發現異常及時分析。其次，還有多多去嘗試用同樣的分析方法去分析類似的數據。可以套用別人的分析思路去嘗試分析自己的業務問題，最后，總結分析過程中的問題以及經驗。 總之，就是多看，多練，嘗總結。

總之， 數據思維需要 結合日常工作生活來 不斷通過一些習慣和方法去培養，去實踐，發現問題、解決問題、總結問題積累經驗的 一個 過程 。 其核心價值在于是否指導了你的決策行為。我們在生活工作利用以上建議，從一個廣告數據、一個活動數據、一個產品數據、一組訪問數據、一個數據報告等進行培養和刻意練習。