数据分析思维公式化、业务化，思维技巧象限法、多维法

2018年9月9日星期日上午学习情况总结，做个阶段性总结还是非常不错的，这样可以防止自己囫囵吐枣

学习内容：数据分析思维公式化、业务化；思维技巧象限法、多维法

1数据分析思维之公式化

结构化公式化：结构化是分析的思维，但它不够数据，而且难让一切量化。公式化的核心就是让一切量化。

列举一些公式：

销售额=销售*客单价

利润=销售额收益-成本

销售额是单一维度么？不是。销售额是多个商品/SKU总和

地区销量=不同线下渠道的累加

销量可以细挖么？=人均销量+购买人数

其中“+”：不同类别的业务，叠加可以用加法；“-”：减法通常用来计算业务间逻辑关系；“*”“/”:乘法和除法是各种比例或者比率。

感悟：秦路老师在讲解这几个公式以及每个符号所代表的的意义之后，人后在思维导图重新分析昨天关于销售量下降的问题。前后两次不同的地方在于论点下面的细分论点像一个公式，比如：老客户消费人数=回头客+普通客+忠诚客，在思维导图分析的过程中还把相应的公式写到了思维导图中。而除了核心论点，分论点下面的公式自己不会写，不知道如何细分，就是自己不懂业务以及学习的内容太少。

附上秦路老师上课图片

图片发自App

图片发自App

图片发自App

图片发自App

图片发自App

2数据分为思维之业务化

数据分析思维结构化公式化缺点：道理懂了很多，但是离分析师的水平还差很多。论点是缺失的。

数据分析思维业务化缺点：为分析而分析，却没有深入了解业务，俗称不接地气，好的数据分析思维，本身也具备业务能力。

业务化应该从三个方面进行分析（自身+销售人员+客户）。比如我是数据分析师，我会设立呢些指标；我是业务部门我会如何思考；我是客户我会如何思考。

当然把数据分析完之后，还有一个非常重要的过程就是跟进，就像我们在学习某样东西的时候要跟进要反馈。

感悟：学习到这进入了解数据分析的大门。知道业务的熟悉对数据分析有很大的影响，也是区别一个数据分析师的关键点。自己现在只是知道要从什么方向进行努力，但是纵向的深数据入学习还需要看书、百度或者跟公司的业务部门多交流。最后把“跟进”这个词单独列出来，很重要。

按例附上ppt,如果有人看也可以方便学习

图片发自App

图片发自App

图片发自App

图片发自App

3数据分析思维技巧象限法（四个象限）

总共有7个数据分析思维技巧=象限法+对比法+多维法+二八法+指数法+漏斗法+假设法

象限法：、

优点：直观清晰、对数据进行人工的划分，划分结果可以直接用于策略

象限划分：可以按照中位数、也可以按照平均数、或者是经验划分。

核心：象限法是一种策略驱动的思维

应用范围：广、战略分析、市场分析、产品分析、客户管理、用户管理、商品管理

感悟：秦路老师举了案例，但是对于自己没有任何感悟。可能是因为案例和前面的案例不连贯的原因。看了案例学习之后才能举一反三，这里姑且就单纯把它当一种工具，而我就先熟悉并了解有这种工具就行了。

附上PPT

图片发自App

图片发自App

图片发自App

图片发自App

图片发自App

4数据分析思维技巧多维法（n个象限）

多违法其实就是象限法的扩充，象限法只有思维维度，多维法有n个维度

这里需要了解一个“辛普森悖论”，可以从法学院的录取来分析（见PPT），分别分析时男生录取率更高，但是合并时反而现实女生录取更有优势。

辛普森悖论

辛普森悖论（Simpson's Paradox）亦有人译为辛普森诡论，为英国统计学家E.H.辛普森（E.H.Simpson）于1951年提出的悖论，即在某个条件下的两组数据，分别讨论时都会满足某种性质，可是一旦合并考虑，却可能导致相反的结论。

当人们尝试探究两种变量是否具有相关性的时候，比如新生录取率与性别，报酬与性别等，会分别对之进行分组研究。辛普森悖论是在这种研究中，在某些前提下有时会产生的一种现象。即在分组比较中都占优势的一方，会在总评中反而是失势的一方。该现象于20世纪初就有人讨论，但一直到1951年E.H.辛普森在他发表的论文中，该现象才算正式被描述解释。后来就以他的名字命名该悖论。

为了避免辛普森悖论的出现，就需要斟酌各分组的权重，并乘以一定的系数去消除以分组数据基数差异而造成的影响。同时必需了解清楚情况，是否存在潜在因素，综合考虑。

今天晚上在学习，玩去了。图片还是总结如下。