數(shù)據(jù)分析能力的核心是思維

1、在和團隊小伙伴的的時候，發(fā)現(xiàn)一個問題：我問，你怎么看數(shù)據(jù)分析能力？如何評價自己的數(shù)據(jù)分析能力？大家的回答主要是這樣的：運營是基于數(shù)據(jù)驅(qū)動的，但是拿著很多數(shù)據(jù)，不能分析下去，主要是對于excel 的一些陌生的公式、函數(shù)都不太會，我要專門去學一下 excel我感覺導致現(xiàn)在轉(zhuǎn)化率低低原因是，最近接觸到很多用戶都是這么反饋的，但還沒有找到好的分析方法產(chǎn)品的數(shù)據(jù)分析能力還是很重要，去學個 R，能夠去構(gòu)建量化模型以上，我覺得太在意數(shù)據(jù)分析方法和工具，我覺得都還沒有把握住一個業(yè)務人數(shù)據(jù)分析能力的。業(yè)務人考慮的最重要是，業(yè)務結(jié)果到底怎么樣，出現(xiàn)了什么問題，原因是什么，可能的解決方案是什么。數(shù)據(jù)分析只是，它的誤

2、區(qū)就是，太在意方法和工具。而最缺少的，恰恰是最重要的思維。數(shù)據(jù)分析的方法大多數(shù)人錯誤地理解了數(shù)據(jù)分析，把數(shù)據(jù)分析能力的關(guān)鍵放在了方法和工具；對于業(yè)務人而言，數(shù)據(jù)分析的思路是，得到兩個變量之間的量化關(guān)系，用以解釋現(xiàn)象；數(shù)據(jù)分析的步驟，感知問題、提出假說、選擇表征、收集數(shù)據(jù)、分析驗證；提出假說和選擇表征是很多業(yè)務人數(shù)據(jù)分析做不下去的原因。數(shù)據(jù)分析能力的是思維對于業(yè)務人，比如產(chǎn)品或運營，數(shù)據(jù)分析能力的不在方法和工具，而在于思維。本文 是圍繞數(shù)據(jù)分析進行展開。比如，做社群運營的同學，常常會想，到底什么 在影響用戶的活躍度。在實踐的過程中， 感覺到，不同的進入社群的時間點可能是活躍度比較關(guān)鍵的影響 。于

3、是，嘗試通過數(shù)據(jù)定義，確定 x=進群時間點與開群的時間差，y=第一月活躍率。我們將 x 變量按天為 氛圍不同類別，得到了以下的關(guān)系：數(shù)據(jù)統(tǒng)計利用數(shù)據(jù)體現(xiàn)現(xiàn)象，比如建立數(shù)據(jù)漏斗數(shù)據(jù)分析利用數(shù)據(jù)尋找現(xiàn)象關(guān)系，比如城市特征和活躍之間的關(guān)系數(shù)據(jù)分析最重要的思維就是，不斷確定業(yè)務中兩組變量之間的關(guān)系，用以解釋業(yè)務。收入、轉(zhuǎn)化、用戶規(guī)模、用戶活躍等，稱為現(xiàn)象。而只有通過數(shù)據(jù)量化的現(xiàn)象，才能精準感知。所以，數(shù)據(jù)是 現(xiàn)象的，是被量化的現(xiàn)象。這就是數(shù)據(jù)統(tǒng)計在干的事情，比如建立數(shù)據(jù)漏斗，嚴格意義上這就是數(shù)據(jù)統(tǒng)計。而數(shù)據(jù)分析，就是尋找這些被量化的現(xiàn)象之間的關(guān)系。這個關(guān)系就是 y=f（x）。找到兩個變量之間的關(guān)系，多

4、找到一種這樣關(guān)系，在實踐中，就多一種有效。所以，在數(shù)據(jù)處理層面，有這樣兩個方式：數(shù)據(jù)分析的本質(zhì)業(yè)務中數(shù)據(jù)分析的一般方法前面簡單說了數(shù)據(jù)分析的方法工具誤區(qū)和數(shù)據(jù)分析是要去尋找兩組變量之間的關(guān)系。*x 變量每類樣本 N50，且基本是同一時間的社群，排除了其他影響當?shù)玫揭陨蠄D示的關(guān)系其實足以指導的工作了做社群運營，盡量做到及時開群，不要讓用戶等待，消耗熱情。所以，數(shù)據(jù)分析最重要的思維就是，不斷去尋找可能與業(yè)務結(jié)果有關(guān)的變量，確定這兩個變量之間的關(guān)系。多確定了一種關(guān)系，就多了一種，少了一些瞎干。要做到這些，excel 的基礎(chǔ)功能，妥妥解決。通過統(tǒng)計學方法回歸分析出一個量化模型或論證其信效度。因為，對于

5、大部分業(yè)務而言，動作的精度有限，所以不需要分析的精度太高，同時，統(tǒng)計方法的量化模型無法用業(yè)務邏輯進行解釋，只能，對于類業(yè)務意義不 大。那在業(yè)務中，如何進行有效的數(shù)據(jù)分析。我將數(shù)據(jù)分析歸納為以下五個步驟：找到問題，下一步就是找方法解決。在管理界有個說法，叫作不要煮沸海洋。說的是，把所有的，可能導致問題的因素全部找出來分析一遍，那是低效也是不可能的。所以，這里就需要使用到假說的方法。哪些可能影響到收入？哪些會導致打開 app 的人不使用任何功能直接離開？找到以上問題可能的的過程，就是提出假說的過程。第二步，提出假說如果沒有問題，是不需要數(shù)據(jù)分析的。但是，那是不可能的。KPI 總是差點才達到，即使達

6、到了，還會問你，就不能做到更好嗎？在業(yè)務中有這樣兩種，一種是直接找最終結(jié)果，比如收入比不上競品， DAU 下降了 10%等；一種是環(huán)節(jié)上，拆解漏斗和業(yè)務環(huán)節(jié)，比如通過分析 app 數(shù)據(jù)漏斗，發(fā)現(xiàn)使用一次人數(shù)相對于打開人數(shù)相對于流失了 30%等。記住這樣一句話，但凡有差異，必有問題，但凡有問題，必要尋找原因。這一步的不是有沒有問題，差距、總是在那里。的是，能不能找到最重要，也就是最和業(yè)務結(jié)果相關(guān)，優(yōu)先級排序是關(guān)鍵。而排序的關(guān)鍵就是，基于最重要的結(jié)果或 KPI 的標準進行排序。不斷思考一件事，解決了這個問題能夠?qū)Y(jié)果有多大的改善？第一步，感知問題第一步，感知問題第二步，提出假說第三步，選擇表征第四

7、步，收集數(shù)據(jù)第五步，分析驗證互聯(lián)網(wǎng)的很大優(yōu)勢就是數(shù)據(jù)驅(qū)動的，數(shù)據(jù)往往是被有效收集的。但是，也存在數(shù)據(jù)沒有被 情況。支持產(chǎn)品功能的數(shù)據(jù)，會被 ，但是很多行為數(shù)據(jù)只能通過調(diào)取接口數(shù)據(jù)或埋點的方式進行 。這就需要業(yè)務人能夠提前規(guī)劃所需數(shù)據(jù)，讓工程師將數(shù)據(jù) 在庫。第四步，收集數(shù)據(jù)選擇的數(shù)據(jù)能夠充分代表假說中變量的內(nèi)涵；選擇的數(shù)據(jù)盡量是用戶客觀行為數(shù)據(jù)而非態(tài)度數(shù)據(jù)；選擇的數(shù)據(jù)是有被或容易獲取。不可被數(shù)據(jù)量化，就不能被改變。如前文所說，數(shù)據(jù)分析，需要將現(xiàn)象量化，得到可以分析的數(shù)據(jù)。所以，需要將假說中所選擇的變量，用數(shù)據(jù)來進行表征。在入群時間點對用戶活躍度影響的例子中， 入群時間點（x）定義為：入群時間與開

8、群時間差；將活躍度（y）定義為用戶從進入起一周的活躍率，即一月內(nèi)活躍天數(shù)的占比。在選擇數(shù)據(jù)表征元素的時候，需要把握的原則就是：第三步，選擇表征這里有兩個路徑用來提出假說，一個是歸納的方式，一個是演繹的方式：歸納式的，就是根據(jù)個案進行總結(jié)。比如在收入可能的影響 的時候，我會找所有相關(guān) 進行頭腦風暴，提出可能的 ；也會對分層的用戶進行抽樣深讀訪談，了解他們 或不 的原因及其他看法。演繹式的，就是根據(jù)模型進行推演。比如在 app 打開不使用直接離開， 可以根據(jù)對用戶行為模型的理解進行拆解，而拆解的有效與否，其實就是關(guān)于你模型多少、深度。結(jié)合歸納式和演繹式的方法，會得到非常多的可能與結(jié)果相關(guān)。進行整理

9、，并進行重要性排序。到這里，就找出很多可能、確定、量化的 y=f（x），也就是一對對可能有關(guān)系的變量。數(shù)據(jù)分析，是認識事物的重要方式之一，它的特點是定量的非定性的、過去的非未來的、相關(guān)的非因果的，有其適用范圍，但一定是所有業(yè)務人必須掌握的能力。對于業(yè)務人，不用太于方法和工具，首先需要錘煉分析思維，尋找兩個變量的關(guān)系，真正指導業(yè)務才是關(guān)鍵。而在分析的過程中，提出假說和選擇表征是關(guān)鍵所在，也是很多業(yè)務人沒有能夠作出有效分析的關(guān)鍵所在。本文由 個家發(fā)布于人人都是產(chǎn)品經(jīng)理。，。題圖來自 Pixabay，基于 CC0 協(xié)議數(shù)據(jù)分析，一種必備能力反倒是，分析驗證這個步驟變得不是那么的步驟。確定好了x 與 y 的含義和數(shù)據(jù)，剩下的分析就很簡單了。通過數(shù)據(jù)可視化的方式，表現(xiàn)