职场人的必备技能—数据分析思维

数据分析已成为很多不同岗位职场人的工作内容之一，无论是在数据驱动的互联网行业还是在数字化转型的传统行业，对数据敏感、掌握常用的数据分析思维方法，可以帮助大家在处理具体问题时选对方法、提高效率、达成目标。

一些分析思维其实很简单，不需要复杂的统计学原理，并且大家已经在实际工作中广泛应用到了。这些应用是工作经验积累中形成的潜在方法，但可能并没有归纳总结过，所以在面对一些复杂问题时仍会手忙脚乱不知道该从何下手。本文结合实际的工作场景，为大家总结归纳5种工作中常用的数据分析思维。

用户分层、项目管理、市场分级、绩效评价等许多日常事务中都需要有分类的思维。分类思维是如何应用的呢？

例如，对用户价值该如何界定从而制定不同的产品策略问题。用户的价值可以简单抽象为活跃度和付费能力两大维度。

那么基于两大维度，即可将用户分为4类，可以针对不同价值用户制定不同的产品策略：

高活跃高付费用户：即为产品的核心种子用户，细致的刻画这类用户特征，针对性推广即可扩大核心用户群提高产品的用户质量

高活跃低付费用户、低活跃高付费用户：需要挖掘用户行为，找出付费意愿低/用户沉默的原因作为产品的优化方向

低活跃低付费用户：非目标用户可降低获客成本缩减资源。

分类后的对象，分布不是随机的，而是有显著的集群的倾向。利用群体的倾向表征做差异化处理可以合理分配资源、提升最终效果。

这种思维方式已经比较普及了，广告转化链路、用户行为、购买转化、渠道管理等众多的分析场景都会用到漏斗思维。但看上去越普通越容易理解的思维方法，越是要明确一些关键点，不可滥用。

需要注意的是：

（1）漏斗环节不可过多

（2）各环节间转化率差异不易过大

原因是，环节过多容易产生多个关键节点，问题拆解不清晰不彻底，遇到这种情况需要事先把问题拆解，通过多个漏斗分析或叠加使用其他方法方才能清晰拆解问题理清脉络。

转化率差异过大，说明各环节的可比性比较差，可能中间存在环节遗漏，不能展现问题的全貌。比如前置环节的转化率从80%—60%存在显著下降，可是最终环节的转化率从2%—1%，感觉前置环节的波动对最终结果的影响不大，可是最终1%的下降可能造成百万甚至千万的用户流失。这就是漏斗分析的滥用可能引发的问题

树状图的逻辑体现中，经常会提到“分解”和“汇总”的概念。在数据分析的日常工作中，这两种概念又被称为“下钻”和“上卷”。

所谓下钻，就是在分析指标的变化时，按一定的维度不断的分解。上卷，就是反过来，按照一定的维度不断聚合。随着维度的下钻和上卷，数据会不断细分和汇总，在这个过程中，我们往往能找到问题的根源。

例如：我们发现公司某APP产品4月的广告收入同比去年下降了10%，那么我们该如何定位问题呢？按照结构化的逻辑数思维我们就可以将问题分为下钻、上卷两个角度去全面的剖析收入下降的原因

上面学习了逻辑树思维，但它有个缺点：不够公式化。没有量化的表达出关联关系。

公式化是利用简单的加减乘除或复杂的函数公式来量化分析思维：将不同的业务指标通过计算逻辑相关连。当发生业务指标的波动时，方便快速的逐一排查定位影响。且单一结果指标可以拆解成多个公式，尽量多的列举计算逻辑可以更全面的定位问题。

还拿广告收入为例，收入可以拆解成如下公式，那么对于收入的下降即可逐一定位排查

很多问题，我们找不到横向对比的方法和对象，那么历史数据对比，就将变得非常重要。常用的时间维度的对比有：同比、环比、定基比。这种方式可以表现一个周期内的指标变换情况，方便明确一些波动问题及增长/下降趋势，可以更为明确的展现出项目进展的节奏。

时间序列的思维有三个关键点：

（1）距离当前越近的时间点，越重要；

（2）要做同比，指标往往存在某些周期性，需要在周期中的同一阶段进行对比，才有意义；

（3）异常值出现时，需要重视，建议在做时序图时，添加平均值线或标准差线，便于观察异常值及其抖动情况

各种思维方式的应用，没有优劣之分，在不同的工作场景下使用恰当的处理方法找到最优解才是最关键的。大多数人都不是与生俱来的“对数据敏感”、“思维敏捷”、“擅长分析”，经验的积累与沉淀是数据思维培养与提升的关键！