数据分析思维与方法（1）：数据分析三种核心思维（框架）
一、结构化（金字塔）
图1
-
四原则（或称四步骤）
（1）核心论点：寻找金字塔的塔顶，它可以是假设，是问题，是预测是原因；
（2）结构拆解：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；
（3）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；
（4）验证 ：不论是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。
图2
-
实例
图2为结构化的一个例子，分析前先罗列这个大纲，然后逐一进行原因排查（这样做有一个好处就是该大纲可重复利用），如果不是该原因则标红，如果是则标黄。由图中也可以看出，标黄部分可以提出新问题，然后再画一个大纲。
这里用到的是思维导图形式，适用于单人分析，以下是多人分析步骤：
（1）查看资料及背景，将结论列成一个表/卡片；
（2）把表上的结论，依据主题分类；
（3）将同一类型的结论，按顺序区分；
（4）讨论同一级别的共通结论，将其结论放在上一段位置。
二、公式化
结构化是分析的思维，但它还不够数据化，难免有发散的缺点，因此引入公式化。
-
实例
公式化大部分由加减乘除即可表示，比如销售额由什么组成？（是由销售和客单价相乘）地区的销量由什么组成？（是由不同线下渠道的累加）销量还能再细挖吗？（不妨想成人均销量和购买人数）等等，以下是具体实例：
图3
从这个角度来看，公式化更像是结构化的升级版。
之前也说过公式化由加减乘除表示，那么什么时候用加法，什么时候用乘法呢？
答：不同类别的业务叠加可用加法，减法常用来计算业务间的逻辑关系，乘法和除法是各种比例或者比率。比如下图所示。
图4
说了这么多，回到之前结构化的图2，该如何改进成公式化呢，请看下图：
图5
图中只改进了内部这一块，可以看到相比起图2，全部指标被替换成了可量化指标，不可量化的指标要么被砍掉了，要么被转化成了可量化指标。
注意：有些时候指标并不用分得太细，比如这里的掠夺性流失率，因为这里涉及到了对方公司的数据，是很难获取到的，因此如果细化的话，模型的准确度会下降，有时候反而需要主观给定一个数值。
三、业务化（/流程化）
-
引入
其实结构化和公式化还残存着一些逻辑的漏洞，可以说结构化和公式化能解决80%的问题，剩下的20%则是要借助业务化来解决。
下面举个例子：如何预估上海地区的共享单车投放量？
借助结构化和公式化可以从四个角度去拓展分论点：
（1）从城市流动人口计算：上海市人口为2000多万，流动人口为600多万，然后通过某些指标设置需要单车的转化率；
（2）从人口密度计算：上海有十几个区，有几个市中心区，市中心区人数多需求也大，而且区也可以细分成居住区等等；
（3）从城市交通数据计算：根据上海各个地铁站或者公交车站的人流量来进行预估；
（4）从保有自行车计算：比如上海市保有了100万辆自行车，那么根据各项指标获得转化率，换算成共享单车应该需要70万辆。
但是实际上单车是有损耗的，计算公式中应该考虑单车的消耗因素。因此原来由结构化和公式化得出的100万的投放量其实还不够，可能要投120万辆，甚至还要持续不断地投入。
从上面的例子可以看出结构化+公式化的缺点：为分析而分析，却没有深入理解业务。
下面再举一个例子：一家销售公司业绩没有起色，对它进行分析得出结论：
（1）销售人员的效率低落，因为士气低落;
（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。
上述三点其实还只是现象，即比较空泛的陈述，还没有分析到真正的原因。比如（1），士气为什么低落？有可能是降薪或者天气热跑得累了等等。比如（2），产品质量为什么不佳？可能是用户变挑剔了或者公司偷工减料了等等。
因此需要用结构化思考+业务化拆解，获得最终的分析论点。
-
业务化的概念与方法
是否业务化可以从三个角度来看：（评判标准）
（1）有没有从业务方的角度思考；
（2）真的分析出原因了吗；
（3）能不能将分析结果落地。（跟进和监控）
如何业务化呢：（方法论）
（1）多与业务方沟通；
（2）多从业务方的角度思考；
（3）本身最好能参与到业务中去。
四、总结
三大思维可总结如下：
（1）结构化思维（捋顺思路）；（2）结构化数据（将其可视化）；（3）结构化业务数据（落地，贴合业务）。
五、参考文献
天善智能系列课：《如何七周成为数据分析师》