Griffin Chow / 数据分析思维

Created Thu, 20 Jun 2024 00:00:00 +0000 Modified Thu, 06 Nov 2025 04:24:59 +0000
1615 Words

数据分析思维

数据分析思维是什么

具有使用数据分析技能解决问题的能力

什么岗位需要数据思维能力

普遍性认知误区:

  • 仅C-Level高管需要(如CEO/CFO/COO/CTO等战略决策层)
  • 仅数据分析岗位需要

实际应用范围:所有岗位都需要数据思维能力,贯穿企业各层级和职能部门

典型岗位应用:

  • 战略层:CEO需建立数据战略,理解数据对核心业务的意义
  • 财务层:CFO需评估数据资产价值
  • 业务层:运营通过数据优化业务流程;产品经理用数据指导产品设计
  • 市场层:BD需评估数据交换价值;销售需量化客户业务价值;营销需数据驱动精准投放

能力核心要素:

  • 业务理解:深刻把握业务本质和需求
  • 问题转化:将业务问题转化为可数据分析的问题

拥有数据思维的具体表现

业绩下降原因分析

无数据思维的典型问题

  • 答不对题型:
    • 仅呈现数字变化(如"苏州地区销售额下降5%")
    • 缺乏原因分析和有价值结论
  • 不分对错型:
    • 默认业绩下降就是坏事
    • 忽略业务已知原因(如投入减少导致的自然下降)
  • 缺少论证型:
    • 用无法验证的宏观原因解释(如"大环境不好")
    • 无法提供业务未知的新信息
  • 共同缺陷:
    • 停留在数字表面运算
    • 缺乏深入论证过程
    • 难以产出有价值的结论

有数据思维的分析框架

第一步:梳理事实

  • 时间维度:发生时间段,是否已结束
  • 变化幅度:从多少下降到多少
  • 事件类型:周期性/突发性/持续性
  • 关键作用: 为后续分析奠定基础,避免无用功

第二步:问题定性

正常下降情况:

  • 投入撤出/减少(自然结果)
  • 节假日效应(规律性波动)
  • 产品退市/清库存(计划内行为)
  • 有计划的系统更替(预期影响) 真正问题标准:计划外的,突发的,异常的 注意事项:
  • 需要提前掌握业务规律(如产品生命周期数据)
  • 不能仅凭表面数字下结论

第三步:衡量幅度

计划内标准:

  • 投入产出比/边际效益
  • 历史同期节假日降幅
  • 同类产品退市前业绩变化
  • 系统更替影响交易量 计划外评估:
  • 整体达标率
  • 跌破目标量
  • 下跌速度(突发/阴跌)
  • 影响范围(整体/局部) 分析技巧:
  • 先整体判断再细分
  • 避免过早陷入细节维度
  • 按"短期大幅>长期小步"确定优先级

第四步:区分问题

情况1(计划内轻微下跌):

  • 处理方式:确认为正常波动
  • 关键能力:敢于下结论的底气 情况2(计划外轻微下跌):
  • 处理方式:设置监控指标持续观察
  • 常见错误:急于求成导致误判 情况3(计划内剧烈下跌):
  • 处理方式:检查执行过程问题
  • 典型场景:促销调货延迟等操作问题 情况4(计划外剧烈下跌):
  • 处理方式:直接联系业务部门
  • 行动要点:获取第一手资料快速响应

第五步:区分内外部影响

外部因素特征:

  • 地震式/瘟疫式下跌
  • 多业务线同步下跌 内部因素分析:
  • 标杆对比法(展示优秀案例)
  • 聚焦可改进点而非归因比例 核心原则:内部没做好的就是没做好,避免过度归咎外部环境

第六步:深入外部问题

典型表现:

  • 政策响应型下跌
  • 长期阴跌不止
  • 促销效果递减
  • 全业务线同跌
  • 未跌业务有特殊支持 验证方法:
  • 竞品情报收集
  • 用户访谈调研 局限认知:
  • 仅靠内部数据难以确认
  • 需要市场部门配合

如何培养数分思维

如果你不衡量它,那么你就不能有效地增长它

逻辑思维类 金字塔原理核心:

  • MECE 法则:相互独立完全穷尽,要求要素拆解时做到不重复不遗漏
  • SCQ 表达法:背景 (Situation)-冲突 (Complication)-疑问 (Question) 的表达框架

数据分析类

产品思维类

借助工具加强逻辑思维能力:脑图等

从兴趣出发锻炼思维

实际工作中刻意练习

  • 陈述事实而非观点
  • 用客观标准代替主观判断
  • 不预设立场
  • 归纳而不是演绎
  • 找出底层的逻辑

数据分析师工作分类

数据全生命周期体系建设

  1. 埋点设计
  2. 指标设计
  3. 报表设计
  4. 可视化展示

基于业务的探索、分析

业务方各种需求

数据分析的通用流程

  1. 数据获取:从公司数据库提取,少数情况需爬虫采集
  2. 数据清洗
    • 重要性:整个分析过程的基石,耗时但关键
    • 目标:将杂乱数据转化为有序、无误的规整数据
  3. 分析实施
    • 方法选择:根据需求设计指标体系和选用分析方法
    • 模型应用:可能涉及预测性模型分析
  4. 结果交付
    • 报告撰写:最终产出数据分析报告作为决策依据
    • 价值体现:好的报告是职场价值的重要载体