数据分析的五大思维方式..docVIP

发现很多朋友不会处理数据，这个过程叫做数据清洗，中间可能涉及到编程，分析人员是应该学点编程的，后面抽时间给大家介绍一下，今天不讲这个。那今天讲什么呢？ 今天要讲数据分析的五大思维方式。 首先，我们要知道，什么叫数据分析。其实从数据到信息的这个过程，就是数据分析。数据本身并没有什么价值，有价值的是我们从数据中提取出来的信息。 然而，我们还要搞清楚数据分析的目的是什么？ 目的是解决我们现实中的某个问题或者满足现实中的某个需求。 那么，在这个从数据到信息的过程中，肯定是有一些固定的思路，或者称之为思维方式。下面零一给你一一介绍。（本文用到的指标和维度是同一个意思） 第一大思维【对照】 【对照】俗称对比，单独看一个数据是不会有感觉的，必需跟另一个数据做对比才会有感觉。比如下面的图a和图b。 图a毫无感觉 图b经过跟昨天的成交量对比，就会发现，今天跟昨天实则差了一大截。 这是最基本的思路，也是最重要的思路。在现实中的应用非常广，比如选款测款丶监控店铺数据等，这些过程就是在做【对照】，分析人员拿到数据后，如果数据是独立的，无法进行对比的话，就无法判断，等于无法从数据中读取有用的信息。 第二大思维【拆分】 分析这个词从字面上来理解，就是拆分和解析。因此可见，拆分在数据分析中的重要性。在派代上面也随处可见“拆分”一词，很多作者都会用这样的口吻：经过拆分后，我们就清晰了……。不过，我相信有很多朋友并没有弄清楚，拆分是怎么用的。 我们回到第一个思维【对比】上面来，当某个维度可以对比的时候，我们选择对比。再对比后发现问题需要找出原因的时候？或者根本就没有得对比。这个时候，【拆分】就闪亮登场了。 大家看下面一个场景。 运营小美，经过对比店铺的数据，发现今天的销售额只有昨天的50%，这个时候，我们再怎么对比销售额这个维度，已经没有意义了。这时需要对销售额这个维度做分解，拆分指标。 销售额=成交用户数*客单价，成交用户数又等于访客数*转化率。 详见图c和图d 图c是一个指标公式的拆解 图b是对流量的组成成分做的简单分解（还可以分很细很全） 拆分后的结果，相对于拆分前会清晰许多，便于分析，找细节。可见，拆分是分析人员必备的思维之一。 第三大思维【降维】 是否有面对一大堆维度的数据却促手无策的经历？当数据维度太多的时候，我们不可能每个维度都拿来分析，有一些有关联的指标，是可以从中筛选出代表的维度即可。如下表 这么多的维度，其实不必每个都分析。我们知道成交用户数访客数=转化率，当存在这种维度，是可以通过其他两个维度通过计算转化出来的时候，我们就可以【降维】. 成交用户数丶访客数和转化率，只要三选二即可。另外，成交用户数*客单价=销售额，这三个也可以三择二。 另外，我们一般只关心对我们有用的数据，当有某些维度的数据跟我们的分析无关时，我们就可以筛选掉，达到【降维】的目的。 第四大思维【增维】 增维和降维是对应的，有降必有增。当我们当前的维度不能很好地解释我们的问题时，我们就需要对数据做一个运算，增加多一个指标。请看下图。 我们发现一个搜索指数和一个宝贝数，这两个指标一个代表需求，一个代表竞争，有很多人把搜索指数宝贝数=倍数，用倍数来代表一个词的竞争度（仅供参考）。这种做法，就是在增维。增加的维度有一种叫法称之为【辅助列】。 【增维】和【降维】是必需对数据的意义有充分的了解后，为了方便我们进行分析，有目的的对数据进行转换运算。 第五大思维【假说】 当我们拿不准未来的时候，或者说是迷茫的时候。我们可以应用【假说】，假说是统计学的专业名词吧，俗称假设。当我们不知道结果，或者有几种选择的时候，那么我们就召唤【假说】，我们先假设有了结果，然后运用逆向思维。 从结果到原因，要有怎么样的因，才能产生这种结果。这有点寻根的味道。那么，我们可以知道，现在满足了多少因，还需要多少因。如果是多选的情况下，我们就可以通过这种方法来找到最佳路径（决策） 当然，【假说】的威力不仅仅如此。【假说】可是一匹天马（行空），除了结果可以假设，过程也是可以被假设的。 我们回到数据分析的目的，我们就会知道只有明确了问题和需求，我们才能选择分析的方法。 顺带给大家讲讲三大数据类型。这个属于偷换概念，其实就是时间序列的细分，不是真正意义上的数据类型，但这个却是在处理店铺数据时经常会碰到的事情。数据放在坐标轴上面分【过去】丶【现在】和【未来】。 第一大数据类型【过去】 【过去】的数据指历史数据，已经发生过的数据。 作用：用于总结丶对照和提炼知识 如：历史店铺运营数据，退款数据，订单数据 第二大数据类型【现在】 【现在】的概念比较模糊，当天，当月，今年这些都可以是现在的数据，看我们的时间单位而定。如果我们是以天作为单位，那么，今天的数据，就是现在的数据。现在的数据和过去的数据