前言
在這個大數據時代，數據在我們的工作中占據很大的作用，尤其是質量管理對數據都有一定的依賴性。數據思維不隻是數據知識和數據技能，數據思維是用數據提出問題和找到解決問題的辦法
什麼是數據思維？
數據思維就是使用數據來提出問題和解決問題的能力。面對一堆業務問題的時候，通過數據的方法做分析從而給出建議來解決業務問題。
其核心有兩個，一個是數據敏感度，一個是數據方法經驗。
數據敏感度：看到一個數字就能感知這個數字是否合理還是有異常，當數據異常的時候，大概能知道問題可能出在哪裡，並且能夠追溯到原因。總之，數據敏感度高就可以看到數據背後更多的信息。
數據方法經驗：能夠利用數據分析的方法來解決實際的問題。
- AARRR、RFM、帕累托、四象限等進行抽象，就得到了業務分析模型，用固化的結構來解釋數據表現；
- 聚類、分類、預測等進行抽象，就得到了算法模型，用數學公式來實現數據的演化；
- 對比、細分、結構、遞進進行抽象，就是數據分析方法，用技巧發現數據表達的內在含義；
- 數據地圖、固定報表、多維分析報告、大屏、A/B Test進行抽象，就是數據分析工具，用系統提升我們分析的效率。
用業務模型來解釋數據表現、用數據公式實現數據的演化、用技巧發現數據表達的含義、用工具提升我們數據分析的效率，本質都是為了通過數據把定性的事情轉變為定量，從而能夠更具象化、標準化，能橫縱對比，能細化放大，能把復雜的事情簡單化，然後解決問題。
數據思維應用的基本思路
數據思維能夠讓工作更加客觀、更加結構化和更具延展性，其存在價值就是了解需求，然後通過各種方法收集數據，再提取有價值的信息去優化業務線，從而改進決策，不斷迭代，降本提效，驅動增長，最終創造價值。概括起來，數據思維應用大致思路是：
▼[明確目標]
首先，數據波動，數據來源是哪裡，目標是誰？比如活躍用戶數波動，付費轉化用戶數據如何？
▼[理解數據]
其次，你得知道數據來源以及意義，數據是怎麼產生的？比如數據提升或者下降代表什麼？
▼[確認目的]
再次，要明確分析的目的？比如活躍用戶數同比、環比波動較大，是什麼原因呢？
▼[預期效果]
想通過分析達到什麼效果？比如通過分析會員付費用戶，找到問題，解決問題從而提升收入？
▼[需要什麼]
想做出分析，需要什麼維度的數據？如會員付費總額、付費企業數、客單價、會員付費次數、會員各等級占比？
▼[拆解指標]
我們需要找到核心數據指標進行拆解，為後續明確收集哪些數據，這裡可以采用結構化分解的方法“MECE法則”，即“相互獨立、完全窮盡”，也就是“不重疊，不遺漏”。
▼[數據采集]
拆解指標後，我們對數據進行采集，是直接數據庫調取或者提前讓技術埋點等。
▼[數據整理]
數據出來，如何整理用戶數據、各個渠道新增報表等？
▼[如何分析]
完成數據整理後，是如何對數據進行綜合分析，相關分析或者對比分析？還要考慮用什麼分析方法——5w2h分析法，4p分析法，杜邦分析法等？其他競對做的活動更具吸引力？產品付費功能是否出現問題？
▼[數據展現]
找到問題後，讓數據呈現出畫面感。如新增渠道的付費轉化率較低，那麼轉化率低代表什麼？此時我們就需要考慮用什麼圖表表現？是用柱狀圖還是趨勢圖等？
環狀圖用於展示各個數據在總數據中的占比，適用於看數據分佈的比例，如客戶投訴、不合格品的退貨率等。柱狀圖用於展示數據分佈，折線圖用於展示數據的變化趨勢。
不同的圖表有相應的表現形式，還有餅狀圖、推積圖、條形圖、面積圖等，這裡就不一一列舉了。
▼[輸出價值]
最後，找準問題，就要進行決策，需要我們考慮如何輸出？比如怎麼說技術？如何說服運營策劃？具體執行方案是什麼？預期達到的效果如何？最後通過不斷迭代，降本提效，驅動增長，最終創造價值。
如何建立數據思維？
技能容易掌握，但思維卻很難短時間內培養出來。擁有良好的數據思維，至少還需要有一定的數據基礎。
一、學會建立數據鏈條
但這不是一蹴而就的，需要建立對業務框架和細節的了解，再加上積累經驗，數據思維是可以學習並且通過不斷反復演練而強化的。
想要培養良好的數據思維，需要學會建立嚴密的數據鏈條。
梳理業務的時候，都會用業務流程圖表明各個模塊之間的關系，伴隨著業務流程產生的數據，就是數據流，各個數據指標之間也存在先後和關聯，這就是的數據鏈條。
舉例：電商行業最重要的數據指標GMV，以淘寶APP為例。
- 首先用戶打開淘寶APP（DAU，APP打開率），進入APP後，用戶可通過不同的入口觸達到商品。
- 目前淘寶的主要流量還是搜索，那從搜索切入，用戶在搜索框附近可點擊或者輸入，這裡面可以細分用戶進入的途徑，比如通過點擊熱搜詞進入的，點擊歷史搜索詞進入的，或者輸入新的搜索詞進入的。
- 因搜索引擎會給用戶返回商品列表，用戶會瀏覽或者點擊，此時可以觀察用戶的瀏覽或者點擊行為在序列上的分佈，從而了解到搜索詞的分發結構。
- 假設用戶點擊了排名第四位的搜索結果進入商品詳情頁（用戶點擊率、用戶流失率）。
- 用戶在商詳頁又可以進行各種操作，比如加關註，加入購物車，此時我們可以考察加購的比率。
- 用戶在加購之後可提交訂單，然後付款，直至最後成交。
從以上例子我們可以看到，看起來簡單的成交這個動作，可以拆解為不同的鏈條，每個鏈條上由於用戶的動作分支不同會伴隨產生不同的數據鏈條。
隻有了解數據是怎麼產生的，才能具備反向定位的能力。所以說，梳理業務邏輯，形成清晰的數據鏈條，是建立數據思維的重要一步。
二、養成對數據指標拆解的習慣
拆解能力決定了能否有效處理和解決復雜事務，簡單來說，就是把一個復雜問題拆解成一個個基礎元素，通過研究這些元素，控制和改變基本的元素進而解決復雜的問題。
結構化拆解
簡單地說，就是按照各不同維度進行拆分，定位當前問題，從問題核心出發拆解影響因素，最終確定驗證角度。再通過指標、公式、模型的方式找到驗證影響因素的量化標準。
流程化拆解
簡單地說，用戶行為路徑所要經過的核心流程步驟，用戶在流程的走向過程中會逐漸的減少。梳理各流程環節涉及復雜業務過程關鍵業務的節點，而漏鬥圖是對業務流程最直觀的一種表現形式，並且也最能說明問題的所在。
三、常用數據做多維度對比
“對比、細分、溯源“是數據分析的6字箴言，而對比雖然是最簡單的，卻是在培養數據思維中非常重要的一環。
所謂對比是指將兩個或兩個以上的數據（指標）進行比較，分析它們的差異，從而揭示這些數據所代表的事物發展變化情況和規律性。來判斷業務進展情況以及追蹤業務是否有問題。其特點：簡單、直觀、量化。即可以非常直觀的看出事物某方面的變化或差距，並且可以量化、準確地表示出這種變化或差距是多少。
對比分析思維的分為兩類類：靜態比較（和行業比）和動態比較（和自己比）。
靜態比較
即在同一時間條件下對不同總體指標的比較，如不同部門、不同地區、不同國傢的比較叫做橫向比較，簡稱橫比。
一般來說，同業的數據來源主要公開發表的數據，包括上市公司的財報、主動披露的數據等等，數據的信息源不同其準確性也會存在各種差異，但是通過仔細分析還是能得到一些自己想要的東西，取決於每個人數據思維能力的高低。
動態比較
即是在同一總體條件下對不同時期指標數值的比較，也叫縱向比較，簡稱縱比。
一般來說，會進行同比、環比等，通過趨勢圖觀察一段時間的走勢，這是常見的比較思路，但是註意不要忘記最初設定的目標。
在工作中會發現有個問題就是有時候我們會發現同比環比之後，指標都上漲了，營造出欣欣向榮的局面，但其實並沒有達到我們的目標，隻是基準值太低，這是一種典型的目標侵蝕。
總之，這2種方法既可單獨使用，也可結合使用。縱向的是因果，橫向的是相關。然而對比分析的時候要遵從以下原則：
- 對比對象要一致
- 對比時間屬性要一致
- 對比指標的定義和計算方法要一致
- 對比數據源要一致最後就是多比較
四、熟悉各種數據分析模型
數據模型其實是各種數據分析經驗的抽象集合，你擁有了更多的數據模型，也就擁有了更多的認知“數據”世界的工具。
1、漏鬥思維模型
漏鬥分析模型是一套流程式數據分析模型。反映用戶行為狀態，以及從起點到終點各階段指標。對於用戶行為分析、流量監控、目標動作轉化都很好用。
漏鬥思維前後關聯性極強，從首到尾是弱化和遞減。
常用漏鬥模型3種，AIDMA模型應用於品牌營銷占領用戶心智；AISAS模型幫助消費決策和分析購買路徑，AARRR模型分析用戶行為軌跡提高關鍵指標。
2、結構化拆解數據模型
拆解，源自結構化思維金字塔原理，兩個要點：相互獨立、無窮無盡。面對數據的時候，可以分析相關的模塊並拆解，研究不變的單一模塊。
舉個栗子：GMV=流量*轉化率*客單價*復購率。常應用於電商銷量的拆解，繼續拆流量=流量渠道1 流量渠道2 流量渠道3。
影響流量渠道1的來源有投放時間選擇、首頁視覺優化、文案優化、活動形式、產品體驗流暢度等，繼續拆解時間選擇是上午好？還是晚上好？繼續拆解直到最小顆粒度；此處拆解原則，可結合5WHY溯源原理和A/B測試模型。
結構化拆解，需要記住4個要點，很大程度上這4點和其他思維有共同之處。
核心論點：尋找金字塔的塔點。
結構拆解：自上而下將核心論點層層拆解成分論點，上下之間呈因果，依賴關系。
MECE：相互獨立，完全窮盡（免交叉重復）。
驗證：核心論點/分論點都是可量化、可驗證的，要用數據說話。類A/B測試。
3、事實數據≠主觀判斷模型
也許你聽過“事實”和“觀點”理論。事實。就是可視化數據，沒有對錯，不帶情感；而觀點是主觀的感受和判斷，觀點表達了個人的價值觀和興趣偏好。
我喜歡打籃球，以NBA籃球舉例。看表大師利拉德，總是奉獻各種神奇3分球。很多球迷都說，利拉德3分球真準、聯盟佼佼者。真的是這樣嗎？
這是球迷觀點，為什麼呢？因為，你腦海中總是他一次次不講理的3分球，峰終定律影響下被加深印象。但是事實和數據呢？本賽季利拉德3分球命中率38.5%，排名聯盟第74位。
從數據角度看，在400人 的NBA聯盟裡74的排名其實並不高，所以主觀判斷是錯誤。用事實數據做支撐，一定程度上可以避免臆想的主觀判斷。
4、量化指標 標準思維模型
凡事好不好都是相對，隻有建立標準，可用數據衡量的標準後，才能予以評判。標準就像一桿尺子，有刻度、能度量。
同樣拿NBA利拉德安利來舉例，38.5%的3分球命中率高嗎？
如果定義標準3分球命中率低於40%就算低，那麼他的命中率就不高；如果定義標準是超過38%是高，那麼利拉德命中率就算高。是高還是低？取決於手裡尺子的刻度值。
有了刻度，在生活和工作上怎樣能加強我們量化指標的意識呢？
繼續以籃球舉例。我每次訓練時候會對流程量化會高效很多，不至於無目標感。
比如：訓練時長1小時，做20分鐘對抗訓練，做10分鐘突破訓練，做10分鐘三分球訓練，做10分鐘罰球訓練，做10分鐘熱身訓練。
把隨意的一場打球，量化到各個指標用數據體現，然後刻意練習；同樣，對於3分球訓練我會10個一組，默認記錄數據標準，心裡的刻度是35%命中率，有了量化指標，更好的引導我們精進。
5、5WHY溯源模型
5WHY溯源分析，來自豐田企業管理，對於深度思考，看清事物的本質，找到數據背後隱藏的真像很有幫助。
5WHY分析法，又稱“5問法”，也就是對一個問題點連續以5個“為什麼”來自問，以追究其根本原因。這裡回顧一個經典案例，看清事物本質。
傑斐遜大廈墻有裂痕，為什麼？
因為墻面經常沖洗，被腐蝕了。
為什麼沖洗？沖洗是因為鳥糞多。
為什麼會有鳥糞？因為蜘蛛多，鳥過來覓食。
為什麼蜘蛛多？因為這裡陽光好利於繁殖。
怎麼解決墻面問題，不是用環保清洗劑，也不是用電網防蜘蛛，拉上窗簾就行。
生活中，常會出現抓不住問題本質的情況，隻是“膚淺”看到表面問題。
多一點深度思考，看看各個維度數據變化，總有撥雲見日的時候。
6、A/B測試思維模型
A/B測試在產品及技術上經常應用，指在產品迭代發佈之前，制定兩個（A/B）或多個（A/B/n）版本；在同一時間維度，分別讓特征相同（相似）的訪客群組（目標人群）隨機的訪問這些版本，並收集每個群組用戶的數據，最後通過分析數據，評估出最好版本去承載全部流量。
多組開花，找到數據最好的一組，予以選用。
A/B測試的理念和假設驗證思維模型類似，實操過程中，通常AB測試都是圍繞著某一個目標進行，比如：提升新用戶下單率。圍繞該目標，我們可以設置相應的運營動作。
PlanA設置優惠券A並全渠道觸發，PlanB設置優惠券B全渠道觸發，一個周期後分析A/B兩種運營動作下，目標數據（新用戶下單率）的變化；此處樣本數量要足夠大，測試周期要足夠長才有說服力，否則很大程度上是小概率事件。
7、RFM分析思維模型
RFM是3個指標的縮寫，最近一次消費時間間隔（Recency），消費頻率（Frequency），消費金額（Monetary），通過這3個指標對用戶分類。
RFM通過3個維度數據對用戶進行評估分類，從而實現精細化運營，根據不同用戶的屬性做不同營銷策略。
此處，也是淘寶千人千面、字節智能算法的前身，量身定制。RFM分析方法把用戶分為8類，這樣可對不同價值用戶使用不同的營銷決策。
馮侖講過：正常情況下，人一生交往的關系是三個數：10%、30%和60%。
這句話是什麼意思呢？
其實正好對應我們剛講的三種人脈關系，RFM模型裡的前三種重要價值、重要發展、重要保持用戶，對於3類用戶我們需要采取不同應對策略。
對於不同用戶類型，有對應不同運營策略。高價值享受VIP待遇，需挽留采用促活方案定時觸達。
1）重要價值關系：對你生活和工作非常有價值。他幾乎是你最親密的親戚、朋友、客戶。面對這些人，你應該經常聯系，彼此幫助，時不時約出來聊聊天。
2）重要發展關系：聯系比較多、一起做過點事，但聊天是有一句沒一句的，這種要重點發展關系。比如把你的困惑或者小秘密和他分享，產生情感連接。
3）重要保持的關系：所謂熟人，也就是打起電話來記得住這個人，而且也大概了解他的背景，可能很長時間都沒有見的那種“朋友”。要主動聯系，利用節假日登門拜訪、共同的朋友持續保持溝通。
8、北極星數據指標思維
北極星指標，也叫做唯一重要的指標，之所以叫做北極星指標是指這個指標一經制定，像北極星一樣，高高的閃耀在天空中，指引著團隊向同一個方向前進。
北極星指標，隨產品生命周期在動態變化，但是有兩個大前提不會變。第一，對規模的追求（用戶規模或收入規模）；第二，對用戶長期價值的考量。
我看來看常見產品的北極星指標，並做拆解：
滴滴北極星指標是月活躍用戶，分解目標：月活躍司機 月活躍乘客。北極星指標是風向標，能避免我們陷入數據陷阱。
與之對應，是虛榮性指標，盤點下常見產品虛榮型數據指標。
更多專業質量文章，請訪問QualityIn質量學院官網www.quality-in.com
One More Thing
「全價值鏈質量工具實操知識」明星傢族產品
每個人都值得擁有的質量知識寶典
隨時學習，指導工作！
▼▼▼
