数据分析师的思维方式
结构化思维
金字塔原理
MECE法则：相互独立，完全穷尽
如何使用结构化思维表达观点
重构四核：结论先行，以上统下，归类分组，逻辑递进–-论证类比。
结论先行：先明确观点，一次展示，最后总结观点。
以上统下：上下表达要一致
归类分组：快速归类，原则：MECE法则-相互独立，完全穷尽
比：逻辑递进。讲的顺序有方法。分类之后，对每个类别排序，时间，结构（总体与部分），重要性顺序，空间顺序，只能选其一。
再金字塔内部，论证一个观点可以使用两种方法，分别是演绎法和归纳法。
a、演绎法是三段论，一步接一步推演，大前提、小前提、结论。
b、归纳法是一个论点下面有一个个的思想共同支撑起来，每个思想要在一个逻辑范围内。
公式化思维：一切可量化
主要用到的就是加减乘除。
销售额由什么组成？销量和客单价
利润由什么构成？销售额-利润
业务思维：思考更全面
有没有从业务方的角度来思考？
我分析的原因是真正地原因吗？
能否将分析结果落地？
是否要落地很重要，比如一家销售公司业绩下滑，分析的结果是（1）销售人员的效率降低，因为士气下降；（2）产品质量不佳，和同期竞争对手比没有优势；（3）价格平平，顾客并不喜欢。这里面的因素，士气下降，产品质量不佳，顾客不喜欢都只是现象，不是因素。具体是因为什么产品的质量不佳呢？哪些原材料变了呢？这才是真正可以落地的分析结果。所以，数据是某个结果的体现，要找到真正的原因，必须要用业务思维找出真正落地的东西。
最主要的就是换位思考，如果我是业务方，我该怎么办？如果我是使用者，我该怎么办？多和业务方沟通，多从业务方思考，最好本身就参与到业务中。
数据分析的思维技巧
象限法
它的核心就是策略驱动的思维。能对分好类的人群直接使用不同的策略。适用的范围非常广，可以用于市场分析，产品分析，客户管理。且象限的划分可以根据平均数或者中位数。
多维法
用立方体思维展现多个维度。
用户的统计维度可以包含很多，比如年龄，性别，身高等。
用户行为维度：注册用户，用户偏好，用户兴趣，用户偏好
商品维度：商品品类，商品品牌和商品属性。
消费维度：消费金额，消费水平，消费额度等
但多维法会有一个陷阱，看第一个表格，是不是觉得是阴盛阳衰，或者男生的录取率一定比女生低了呢？
但细看表格，可以看出男生的录取率要远比女生高。因此，存在一种辛普森悖论：
- 两个分组的录取率相差很大，就是说法学院录取率很低，而商学院却很高。而同时两种性别的申请者分布比重相反。女性申请者的大部分分布在商学院，相反，男性申请者大部分分布于法学院。结果在数量上来说，录取率很高的商学院录取了很多女生，使得最后汇总的时候，女生在数量上反而占优。但实际情况的录取率是男生高于女生。
- 有潜在因素影响着录取情况。就是说，性别并非是录取率高低的唯一因素，甚至可能是毫无影响的。至于在学院中出现的比率差，可能是随机事件。又或者是其他因素作用，比如入学成绩，却刚好出现这种录取比例，使人误认为这是由性别差异而造成的。
解决辛普森悖论的主要手段就是钻取：将分组的数据细分，类似于结构化思维。将总的学院拆成商学院，法学院，还可以再往下分到班级。
多维法是一种精细驱动的思维，面对大数据量，维度复杂且丰富的时候有非常好的效果。但也比较费时间。
假设法
问题：马上，公司要派你去贝宁出差，如果你只能携带一个背包，你会往里面装什么东西？你为什么要往里面装它？
恰当的回答：贝宁这个地方我并不熟悉，但听名字，我先假设他在非洲，哪里天气炎热，需要—-，
所以假设法大多靠的是经验，因为拿不到真实数据，所以是一种启发式的思考。
指数法
用客户的购买次数的倒数作为它的忠诚指数的衡量：
指数法是一种目标驱动的思维，直观，简洁有效，对业务有一定的指导作用。但自己定义的指标有很大的主观性。
2/8法
- 20%的数据将直接决定80%的效用，数据分析更应该围绕这20来分析。比如销量下降，重点关注前20%的指标就好了
- TOP N 持续关注头部数据是比较好的习惯
- 关注重点指标
但数据分析依旧不能放弃全局思维，否则我们会变得非常狭隘。
对比法
- 好的数据分析一定是比例或者比率
- 好的数据分析一定会用到对比
不对比，真的看不到意义。
一般需要对比的是：
- 竞争对手对比
- 类别对比
- 特征与属性对比
- 时间同比环比
- 转化对比
- 前后对比
对比法，是一种挖掘数据规律的一种思考方式，且他能与任何的思维技巧结合起来使用。对比是一种习惯，一次合格的数据分析，一开会用到多次对比的。