我沒有分析思路，怎麼樣提高數據分析思維

• 2019 年 10 月 7 日
• 筆記

最近聽到大家說的最多的話就是，在工作中總是沒有數據分析思路，我應該怎麼辦呢？今天就來給大家分享一下，如何鍛煉自己的數據思維，還有實例模型講解哦~

大家去餐廳吃飯時，如果你仔細觀察的話，餐廳大致可以分為以下兩類付費模式：

1）使用大眾點評優惠吸引用戶結賬

2）直接使用微信或支付寶結賬

這兩類結賬方式，表面看是商家的促銷行為不同。但是，從長遠來看，第一類餐廳更容易勝出。

這是為什麼呢？

因為第一類餐廳的結賬模式是建立在互聯網產品基礎設施（大眾點評或者百度糯米）之上，通過與互聯網產品結合，可以積累用戶的消費資訊，例如消費評論。這就好比線下商店老闆比不過淘寶賣家一樣，因為淘寶賣家有自己客戶的詳細購物資訊，更了解自己的客戶。

更有遠見的餐廳老闆，會僱傭聰明的數據分析師，來整合挖掘餐廳線下軟體（訂餐管理軟體）和 線上用戶資訊（如大眾點評的評論），從而為制定餐廳未來的運營決策提供依據。

然而，很多傳統的公司並沒有意識去積累用戶的消費數據，更別說對數據進行分析來指導公司運營了。說到底，其根本原因是公司的負責人沒有數據分析思維。

那麼，什麼是數據分析思維呢？

數據分析思維是通過各種方法收集用戶的數據，了解用戶需求，然後改進你的個人決策，不斷迭代。

對於數據分析師來說，剛開始肯定是能做一些有趣的分析，但是長期做數據分析工作，想法總會枯竭，尋找分析思路就變得異常痛苦。可以這麼說，分析思路直接奠定了數據分析結論的準確性和實用性。因此，懂得如何尋找數據分析思路是每個數據分析師必須具備的能力。

面對一個業務場景，我們如何能夠尋找到正確的數據分析思路呢？在我看來，所謂正確的分析思路，本質上就是站在一定高度的業務思維邏輯，因此數據分析思路更多考量的還是一名數據分析師對業務的理解和眼界。今天給大家分享一些可以提升自己分析思路的5個方法，希望能給你們帶來幫助。

由淺至深分成4項：角色扮演、業務指標、現成模型、維度分析

01 角色扮演

比如，你可以把自己扮演成公司的銷售、投資人、運營、財務、客戶、供應商等，站在這些視角尋找有哪些有幫助的分析思路。

之前在一家公司，把自己放在銷售的角色上，發現公司對於潛在客戶的收集和分析非常缺失，這樣就影響了整個公司的銷售效果。於是從這個角度出發，專門去相關網站爬取數據，通過地域、規模、員工人數等方面去分析，找出最有可能購買我們服務的潛在客戶。最後這個分析結果得到銷售團隊的極度認可，提升了公司銷售業績。

用這種方法做角色扮演的時候大家一定要盡量貼近角色的日常生活，只有這樣才能發現最有價值的分析思路。

02 業務指標

在分析指標時有一點一定要注意，就是除了分析出原因外，還有就是要給出解決方案。比如分析發現客戶數近期有下降，那麼除了給出原因外，還要給出增加客戶數的方法以及這些方法背後的數據模型推理，形成一個完整的故事。

03 運用一些現成的模型

除了熟悉模型外，熟練的掌握數據分析的工具也能很大的幫助數據分析的驗證。數據分析思路是需要打磨的，特別是剛剛產出的分析思路更需要通過數據去驗證和調整。這個時候一個方便快速的數據分析工具會起到很重要的作用。下面就給大家分享一個具體的數據分析思維方法。

04 維度分析法

當我們有了維度後，就能夠通過不同的維度組合，形成數據模型。數據模型不是一個高深的概念，它就是一個數據立方體。

上圖就是三個維度組成的數據模型／數據立方體。分別是產品類型、時間、地區。我們既能獲得電子產品在上海地區的2010二季度的銷量，也能知道書籍在江蘇地區的2010一季度銷量。

數據模型將複雜的數據以結構化的形式有序的組織起來。我們之前談到的指標，都可以作為維度使用。下面是範例：

將用戶類型、活躍度、時間三個維度組合，觀察不同用戶群體在產品上的使用情況，是否A群體使用的時長更明顯？

將商品類型、訂單金額、地區三個維度組合，觀察不同地區的不同商品是否存在銷量差異？

數據模型可以從不同的角度和層面來觀察數據，這樣提高了分析的靈活性，滿足不同的分析需求、這個過程叫做OLAP（聯機分析處理）。當然它涉及到更複雜的數據建模和數據倉庫等，我們不用詳細知道。‍

數據模型還有幾種常見的技巧、叫做鑽取、上卷、切片。

• 選取就是將維度繼續細分。比如浙江省細分成杭州市、溫州市、寧波市等，2010年一季度變成1月、2月、3月。
• 上卷則是鑽取的相反概念，將維度聚合，比如浙江、上海、江蘇聚合成浙江滬維度。
• 切片是選中特定的維度，比如只選上海維度、或者只選2010年一季度維度。

上圖的樹狀結構代表鑽取（source和time的細分），然後通過對Route的air切片獲得具體數據。

聰明的你可能已經想到，我們常用的數據透視表就是一種維度分析，將需要分析的維度放到行列組合進行求和、計數、平均值等計算。放一張曾經用到的案例圖片：用城市維度和工作年限維度，計算平均工資。

除了Excel、BI、R、Python都能用維度分析法。BI是相對最簡便的。談到維度法，想要強調的是分析的核心思維之一：對比，不同維度的對比，這大概是對新人快速提高的最佳捷徑之一。

總結一下：我們通過業務建立和篩選出指標，將指標作為維度，利用維度進行分析。

這裡我想強調，數據分析並不是一個結果，只是過程。還記得「如果你不能衡量它，那麼你就不能有效增長它」這句話嗎？數據分析的最終目的就是增長業務。如果數據分析需要績效指標，一定不會是分析的對錯，而是最終數據提升的結果。

數據分析是需要回饋的，當我分析出某項要素左右業務結果，那麼就去驗證它。告訴運營和產品人員，看看改進後的數據怎麼樣，一切以結果為準。如果結果並沒有改善，那麼就應該反思分析過程了。

閃閃發光的數據分析思路永遠都只會來自你自己的頭腦，而非領導的指示。數據分析師不但是一名「實現者」更加是一名「思考者」，這也是為什麼數據分析師的薪資橫跨那麼大，特別是懂行業、有商業頭腦的數據分析師更是鳳毛麟角。

End.

文章整合自：

<怎麼才有數據分析思路？>

<如何建立數據分析的思維框架>

最後再給大家留一道開放性的數據分析思維題，大家可以在評論中，說出你的看法