数据分析第一周

数据分析的结构层次

底层数据的收集/产品端收集
数据采集简称埋点，收集用户在网页端，产品端，客户端等终端的数据，也包括第三方外部数据。
用户行为-原始数据
数据业务化/产品需要什么样的数据？
将收集的数据转换为可理解，可量化，可观察的业务指标。单纯的数据没有意义，只有和业务结合起来才能发挥价值。
原始数据-加工数据
数据可视化/产品的表现如何？
有了数据指标，必须管理好指标，数据分析体系即数据指标体系，指标需要监控和衡量。
加工数据-可视化数据/信息
数据决策和执行/怎样让产品更好
当从数据虫获得了洞察，就需要把洞察转换成策略。这也是包含分析的过程。执行既包含策略的制定，也包括优化和改进，这是持续的。
可视化数据/信息-数据决策
数据模型/产品开始自动化和系统化的运营
这是将决策制成数据应用和产品，当你洞察到数据中蕴含的规律，什么样的用户喜欢，什么样的商品会被购买，什么样的活动形式更好，就尝试把这些做成系统。
数据决策-数据产品/应用
数据战略/指导未来
当积累了大量数据，大量模型，大项数据应用时，公司级的数据体系已经具备雏形。它不只是数据分析，而是应该将数据变现。
数据工具-数据体系/战略

结构图

数据分析图，从下往上看。

数据分析思维

数据分析的三种核心思维

结构化
公式化
业务化

结构化

看一下在实践中遇到的问题

分析案例

错误的想法

结构化的清晰表示

结构化

结构化的思维来源于麦肯锡，大名鼎鼎的金字塔思维。

结构化的思考方式

核心论点：
寻找金字塔的顶层，它可以是假设，是问题，是预测，是原因。比如说上面的案例中的「8月份销售额度下降」
结构化拆解：
自上而下，将核心论点层层拆解成分论点，上下之间呈因果或依赖关系。
MECE
相互独立，完全穷尽。论点之间避免交叉和重复，分论点们要尽量完善。
验证：
不论核心论点还是分论点，都应该是可量化的，用数据说话。它们必然是可验证的。

上边案例的分析思路：

金字塔分析

在机构化思维中思维导图经常被用到，通常适合单兵作战：

xmind

但是结构化不是完美的。

公式化

结构化是分析的思维，但他还不够数据，而且难免有发散的缺点。

公式化

公式化不会用到统计学，数学的原理，通常只是加减乘除。
比如：

销售额由什么组成？
销量和客单价相乘。
利润由什么组成的？
销售额收益和成本相减
销售额是单一的维度吗？
不是，销售额是多个商品/SKU的总和
地区销量由什么组成？
不同线下渠道的累加
销量还能在细挖吗？
不妨想象成人均销量和购买人数

公式化的思维导图

公式化的应用场景

不同类别的业务叠加可以用加法
减法通常用来计算业务之间的逻辑关系
乘法和除法是各种比例和比率

获取用户的案例

获取用户

业务化

如何预估上海地区的共享单车投放量？

从城市流动人口计算
从人口密度计算
从城市交通数据计算
从保有自行车计算
从结构化和公式化分析会出现片面化的感觉，通常会有什么因素会被我们所遗忘。所有我们要综合三者来考虑问题。

三者对比

结构化 + 公式化
道理懂了很多，但里分析水平大成，总还是差了一些，不知道原因在哪里？
业务化
为分析而分析，却没有深入理解业务，俗称不接地气。好的数据分析思维，本身也是具备业务思维。

这个例子中数据分析得出了结论，这些结论看似是一个正确的结论，但都不是的。
比如说效率低的原因是什么，是最近奖金不多，还是夏天太累。产品质量不佳是因为原材料不好还是什么。
所以用结构思考 + 公式化解，获得的最终分论点。很多时候，是现象，数据是某个结果的体现，但并不代表原因。要想真正了解还需要加上业务思维深究一层。
但通常来说数据分析人员和业务方的交流不是太好，接触不是太频繁也是分析不到位的原因。这个时候就需要：
1、多和业务方沟通
2、多从业务方的角度看待问
3、最好能参与到业务中去

总结

结构化思维：捋顺思路
结构化数据：将其可视化
结构化业务数据：落地，贴合业务

数据分析的思维技巧

数据分析技巧

三种核心思想是框架型的指引，实际应用中也应该借助思维的技巧工具，达到四两拨千斤的效果。并且，他们应该足够简单和有效。

七种基础方法

象限法、对比法、二八法、漏斗法、指数法、假设法、多维法