專注流量數據分析，就職過360和58。

“數據人創作者聯盟”成員

數據分析已成為很多不同崗位職場人的工作內容之一，無論是在數據驅動的互聯網行業還是在數字化轉型的傳統行業，對數據敏感、掌握常用的數據分析思維方法，可以幫助大家在處理具體問題時選對方法、提高效率、達成目標。

一些分析思維其實很簡單，不需要復雜的統計學原理，并且大家已經在實際工作中廣泛應用到了。這些應用是工作經驗積累中形成的潛在方法，但可能并沒有歸納總結過，所以在面對一些復雜問題時仍會手忙腳亂不知道該從何下手。本文結合實際的工作場景，為大家總結歸納5種工作中常用的數據分析思維。

01分類思維

用戶分層、項目管理、市場分級、績效評價等許多日常事務中都需要有分類的思維。分類思維是如何應用的呢？

例如，對用戶價值該如何界定從而制定不同的產品策略問題。用戶的價值可以簡單抽象為活躍度和付費能力兩大維度。

那么基于兩大維度，即可將用戶分為4類，可以針對不同價值用戶制定不同的產品策略：

高活躍高付費用戶：即為產品的核心種子用戶，細致的刻畫這類用戶特征，針對性推廣即可擴大核心用戶群提高產品的用戶質量

高活躍低付費用戶、低活躍高付費用戶：需要挖掘用戶行為，找出付費意愿低/用戶沉默的原因作為產品的優化方向

低活躍低付費用戶：非目標用戶可降低獲客成本縮減資源。

分類后的對象，分布不是隨機的，而是有顯著的集群的傾向。利用群體的傾向表征做差異化處理可以合理分配資源、提升最終效果。

02漏斗思維

這種思維方式已經比較普及了，廣告轉化鏈路、用戶行為、購買轉化、渠道管理等眾多的分析場景都會用到漏斗思維。但看上去越普通越容易理解的思維方法，越是要明確一些關鍵點，不可濫用。

需要注意的是：

（1）漏斗環節不可過多

（2）各環節間轉化率差異不易過大

原因是，環節過多容易產生多個關鍵節點，問題拆解不清晰不徹底，遇到這種情況需要事先把問題拆解，通過多個漏斗分析或疊加使用其他方法方才能清晰拆解問題理清脈絡。

轉化率差異過大，說明各環節的可比性比較差，可能中間存在環節遺漏，不能展現問題的全貌。比如前置環節的轉化率從80%—60%存在顯著下降，可是最終環節的轉化率從2%—1%，感覺前置環節的波動對最終結果的影響不大，可是最終1%的下降可能造成百萬甚至千萬的用戶流失。這就是漏斗分析的濫用可能引發的問題

03邏輯樹思維

樹狀圖的邏輯體現中，經常會提到“分解”和“匯總”的概念。在數據分析的日常工作中，這兩種概念又被稱為“下鉆”和“上卷”。

所謂下鉆，就是在分析指標的變化時，按一定的維度不斷的分解。上卷，就是反過來，按照一定的維度不斷聚合。隨著維度的下鉆和上卷，數據會不斷細分和匯總，在這個過程中，我們往往能找到問題的根源。

例如：我們發現公司某APP產品4月的廣告收入同比去年下降了10%，那么我們該如何定位問題呢？按照結構化的邏輯數思維我們就可以將問題分為下鉆、上卷兩個角度去全面的剖析收入下降的原因

04公式化思維

上面學習了邏輯樹思維，但它有個缺點：不夠公式化。沒有量化的表達出關聯關系。

公式化是利用簡單的加減乘除或復雜的函數公式來量化分析思維：將不同的業務指標通過計算邏輯相關連。當發生業務指標的波動時，方便快速的逐一排查定位影響。且單一結果指標可以拆解成多個公式，盡量多的列舉計算邏輯可以更全面的定位問題。

還拿廣告收入為例，收入可以拆解成如下公式，那么對于收入的下降即可逐一定位排查

05時間序列思維

很多問題，我們找不到橫向對比的方法和對象，那么歷史數據對比，就將變得非常重要。常用的時間維度的對比有：同比、環比、定基比。這種方式可以表現一個周期內的指標變換情況，方便明確一些波動問題及增長/下降趨勢，可以更為明確的展現出項目進展的節奏。

時間序列的思維有三個關鍵點：

（1）距離當前越近的時間點，越重要；

（2）要做同比，指標往往存在某些周期性，需要在周期中的同一階段進行對比，才有意義；

（3）異常值出現時，需要重視，建議在做時序圖時，添加平均值線或標準差線，便于觀察異常值及其抖動情況

各種思維方式的應用，沒有優劣之分，在不同的工作場景下使用恰當的處理方法找到最優解才是最關鍵的。大多數人都不是與生俱來的“對數據敏感”、“思維敏捷”、“擅長分析”，經驗的積累與沉淀是數據思維培養與提升的關鍵！