1 - 概念与定义
如果分析思维是一种结构化思考的体现，那么数据分析思维（简称数据思维）则是以数据为依托的结构化分析方式。
不同于“我觉得”、“以前是怎样”、“其他人如何”这些直觉化、经验化、类比化的思考方式，数据思维是以数据为导向，依据严格的分析、统计和证明来指导具体的应用与操作。
首先，要对事物本身有一个全面和客观的认识。
- 以辩证思维来认识和看待事物，进行事物的分解和集成，全面客观地以数据说话，同时减少主观偏颇看法，
- 结合外部环境、时间线、核心维度，全面的分析物的行为特征或动态展现
- 关注事物的外在交互关系、内部结构和衔接，分析事物相关的内外环境因素
然后，确定事物本身的关键属性、维度和分析评估体系。
分析事物各关键指标特性间的相互制约和促进力。
任何评估指标值的得出，一定有事物本身内在数据和运作机制进行支撑的，也就是说，将对事物分析后的数据映射到具体的可用的科学评价体系之上。
1.1 - 数据分析的目的
数据分析是为了能以量化的方式来分析业务问题并得出结论。
“从历史数据中获得的洞察转化为可执行的决策或推荐的过程，将IT技术、管理科学和统计学结合以解决实际问题。”
明确数据分析本身的目的，以终为始，也就是必须明确要解决的问题
- 问题背景
- 问题的具体含义
- 针对现有问题采取的行为和结果
1.2 - 数据分析的一般步骤
业务指导数据，数据驱动业务。
数据分析并不是一个结果，只是过程，在这个过程中是需要反馈和持续改进的。
1.3 - 数据分析的作用
数据分析的三大作用，主要是：现状分析、原因分析和预测分析。
什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。
- 数据分析的目的越明确，分析越有价值。
- 明确目的后，需要梳理思路，搭建分析框架，把分析目的分解成若干个不同的分析要点，然后针对每个分析要点确定分析方法和具体分析指标；
- 最后，确保分析框架的体系化（体系化，即先分析什么，后分析什么，使得各个分析点之间具有逻辑联系），使分析结果具有说服力。
1.4 - 数据常识（Data Common Sense）
对数据的变化保持敏感。
这里的“变化”不仅仅来自数值本身的变动，更多的而来自“当前的数据”不同于平常的认知和判断。
而这种“平常的认知和判断”，其实不仅是长期数据观察和分析所形成的“感觉”，也是你的“经历和经验”，甚至是“当前的知识结构和能力树”。
能够认识到“变化”的来源，能有效避免掉入“主观判断”的陷阱。
想要培养出数据敏感性和具备意识数据偏离的能力，这需要保持持久的观察和分析，以及足够的耐心和好奇心。
业务数据对应着业务流程，业务流程暗含着业务需求，业务需求来自实际运营，从实际应用中去理解数据的产生和流动，有助于准确保持数据分析的“方向”不偏离“正轨”。
- 形成查看关注数据的习惯，明确数值含义以及合理范围
- 牢记核心数据、指标、报告和排名等，反复推算合理性
- 抽离和规整数据，统一存放，方便查阅和分析
2 - 搭建框架
量化是为了统一认知，并且确保路径可回溯，可复制，避免“我感觉”、“我猜测”等主观判断。
路径可回溯、可复制：通过量化后的结果，许多优化的方法是可以被找到原因并且可以被复制的。
要想做到量化，需要做到三点：建立量化体系，明确量化重点和保证数据准确性。
2.1 - 建立量化体系
如果不能衡量，那么就不能有效增长和改进。
需要统一标准来定义和评价，这个标准就是指标。
具体的指标数值，可以避免“我觉得”造成的认知陷阱，“模糊虚妄”的描述会将人带入歧途。
2.2 - 明确量化重点
每个阶段，都应该明确当前的业务重点；量化体系需要根据业务阶段，更改量化重点及方式。
这同时意味着：有更细节的指标及更大的监控和推广力度。
每个阶段，都需要根据不同的业务情况来判断当前重点，从而围绕该重点建立一套无死角的分析监控体系。
2.3 - 指标设计方法
孤立的指标发挥不出数据的价值，需要建立结构化的指标体系。
不同业务形态有不同的指标体系，没有放之四海而皆准的模板。
指标的细分和拆解过程，其实对应着问题的拆分过程，应该根据具体的情况选择指标，只有选择合适的指标才能充分的反映问题。
- 以准确和易懂为准则，集合统计学和业务效果的方法论。
- 准确是指能够准确满足衡量目的，易懂是指标算法能直观显示好与坏，并且指标的算法也能够通俗易懂。
- 准确是必须要保证的。
一些用于指标设计的常用统计学工具
- 业务概况: 平均数、中位数、众数
- 业务差异性：方差、标准差
- 业务分布：频数
一些Tips
- 比率指标：易于关注实际效果
- 伴生指标：防止单个“片面性指标”的副作用
- 防止坏指标：错误指标，虚荣指标（距离核心业务目标过远），复杂指标（数据波动时，很难分析原因）
指标维度字典（Dimension Dictionary）
- 指标维度字典，（Bus Matrix），一定程度上解决了对于指标定义不清或不统一的问题。
- 可以对一些关键和常用的指标进行统一的维护。
明确指标的定义和解释，要求制定者必须具备深入了解业务和拥有极高的抽象能力。
寻找业界已有量化方法并在组织内推广，将是件事半功倍的事情。
2.4 - 指标区分
一个好的指标需要可量化、可测量、可以精准反馈。
只有基于对问题的了解和思考，才能发现有价值的结论。
“好指标”
- 不是所有的指标都是有效的，核心驱动指标才是需要重点关注的“好指标”。
- 简单来说，核心驱动指标和组织发展相关联，是整个运营团队、产品团队乃至研发团队在统一为之努力的目标，是一个时期/阶段内的重点方向。
- 不同业务的核心驱动指标也不一样。
- "好指标"应该是在有效基数上的比率或者比例，易于衡量和对比。
“坏指标”
- 虚荣指标：没有任何的实际意义，能够粉饰工作绩效
- 后验性指标：时效性差，实际上只是在描述已发生事件，很难通过措施挽回成本和弥补损失
- 复杂性指标：数据分析掉入“一堆隐藏变量指标”的陷阱中，无从下手
2.5 - 建立正确的指标结构
根据“指标设计方法”建立起围绕业务的指标体系。
核心是根据业务特征确定核心指标，在核心指标的基础上以不同的角度进行拆解，然后再慢慢补充其他业务的指标情况。
和分析思维的金字塔结构一样，拆解的过程依照金字塔方法论的“逐层拆解，不重不漏（MECE）”，指标呈现树状结构，构建核心是以业务流程为思路，以结构为导向。
从流程的角度搭建指标框架，可以全面的囊括用户相关数据，无有遗漏。
列举指标原则：需要有核心驱动指标。移除虚荣指标，适当的进行删减，不要为添加指标而添加指标。
若拆解出来或业务补充的指标过多，可借鉴数据仓库的“域”概念来管理这些指标。
3 - 数据准确性
确保准确性的方法
- 采取可信来源：多来源交叉确认，采用新来源时需格外小心
- 确认加工方式：指标定义和加工算法
- Double Check：量级，计算逻辑和业务常识
Double Check 的技巧
- 量级 Check：边界值，每个数据有它的大概范围
- 计算逻辑 Check：总数、中位数、平均数等
- 业务常识 Check：根据其他常用数字推算出该业务范围
数据产品已经有成熟的数据质量管理方法；涉及了数据源，指标计算和数据呈现等各个环节的监控。
4 - 沟通与反馈
4.1 - 站在业务方的角度
只有解决业务问题分析才能创造价值，包括个人价值和公司价值。
“忧其所虑，给其所欲”：精准理解对方需求。
4.2 - 主要环节
- 沟通充分：确定业务方想要分析什么，提出更合理专业的衡量和分析方式，明确所要数据背后的含义，同时做好节点同步，切忌一条路走到黑
- 结论简明：在阐述分析结果上，要记得结论先行，逐层讲解，再提供论据。论据上，图 > 表 > 文字
- 提供信息量及可落地建议：从专业的角度，从已知边界向未知边界分析，提供给对方所未知的信息和可落地的建议
- 寻求反馈：持续改进的触发点
5 - 方式与方法
5.1 - 数据分析方法论和数据分析法的区别
数据分析方法论主要是从宏观角度指导如何进行数据分析，就像是一个数据分析的前期规划，指导着后期数据分析工作的开展。
- 利用维度分析数据
- 使用统计学知识，例如数据分布假设检验
- 使用机器学习
数据分析法主要从微观角度指导如何进行数据分析，是指具体的分析方法，比如对比分析、交叉分析、相关分析、回归分析等。
5.2 - 维度分析法
维度是描述对象的参数，在具体分析中，可以把它认为是分析事物的角度。
有了维度后，就能够通过不同的维度组合，形成数据模型，一个多维的数据立方体。
数据模型将复杂的数据以结构化的形式有序的组织起来。
数据模型可以从不同的角度和层面来观察数据，这样提高了分析的灵活性，满足不同的分析需求、这个过程叫做OLAP(联机分析处理)。
5.3 - 指标和维度有什么区别?
维度是说明和观察事物的角度，指标是衡量数据的标准。
维度是一个更大的范围，不只是数据，比如时间维度和城市维度，我们就无法用指标表示，而指标(留存率、跳出率、浏览时间等)却可以成为维度。
通过业务建立和筛选出指标，将指标作为维度，利用维度进行分析，通俗理解：维度>指标。
一般来说，指标都可以作为维度使用。
