数据入门-培养数据分析思维

首先我们来思考一下为什么要培养数据分析思维？

举个栗子，工作中你遇到一个业务场景，如果你具备一定的分析思维，那么就知道如何去理解问题并且很快就会有解决问题的思路，反之你可能会很迷茫不知从何处下手，尽管你掌握了诸如python，tableau等一堆分析工具，由此可见其重要性。

今天我们就来聊聊常见的数据分析方法。

1、逻辑树分析方法：将复杂问题简单化

逻辑树分析方法是将一个抽象复杂的问题拆解成一系列具体简单的子问题进行分析，就像是从树干长出很多小树枝一样，帮助我们将复杂问题简单化而且不用进行重复和无关的思考。

在求职过程中，我们常常会被问到对于某项指标的估算问题，如估算一下一家麦当劳一天会卖出多少份薯条（滴滴面试题），这就是在考察我们是否会用逻辑树分析方法来思考问题。大家注意这种题目重点考察的是我们的分析思路而不是最后估算的值是否准确，需要跟面试官把思路一步一步说清楚，最好做一些前提假设体现出自己考虑问题较全面。

下面是我的解题思路：

薯条日销量 = 几台收银台 * 一台收银台交易多少次 * 交易一次卖多少份薯条

假设这是一个在上海陆家嘴的一家中等大的麦当劳店，不考虑极端天气、没有薯条促销活动

几台收银台：3台收银台 + 6自助售卖机 = 9

一台收银台交易多少次 = 总共交易时长分钟数/交易一次需要多少分钟

用餐高峰期：11:00-14:00,17:00-21:00，共7小时，再加上下午茶时间估计两小时，所以共9小时，约540min；交易一次估计需要2mins，所以一台收银台交易540 / 2 = 270次

交易一次卖出多少份薯条：很多是两个人结伴来吃饭，所以估计交易一次卖出两份薯条

薯条日销量 = 9台收银台 * 一台收银台交易270次 * 交易一次卖出两份薯条 = 4860份

2、PEST分析方法：行业分析

PESTEL通常作为行业分析的一种模型，从总体环境中的Politics政治、Economics经济、Social influences社会、Technological influences科技、Environmental stands环境、Legal法律六个因素帮助公司分析当前的宏观环境。

3、多维度拆解分析方法：多个角度思考

大家小时候应该都听说过盲人摸象的故事吧，几个盲人摸象，摸到尾巴的说像条绳子，摸到腹部的说像堵墙，摸到象鼻的说像条蛇，这个故事告诉我们不能只凭对事物的片面了解便妄加推断。

在统计学中，辛普森悖论也体现了这个道理。

字节跳动数据分析面试题分享：商店第一天给不同商品打折，总平均单价为a1，第二天不打折，总平均单价为a2，a1一定小于a2吗？

很多人一看这道题可能会觉得a1一定小于a2，但答案其实是不一定的，这就引出了辛普森悖论。

辛普森悖论是指当考察数据的整体和考察数据的不同部分时可能会得到完全相反的结论，是因为考虑整体时各组的权重不同会造成一定的影响。

为避免辛普森悖论的出现就需要斟酌各分组的权重，并乘以一定的系数去消除以分组数据基数而造成的影响。同时，我们必须清除了解情况，以综合考虑是否存在造成此悖论的潜在因素。

因此，在考虑问题的时候，我们要尽量从多个角度去分析，相互验证才能得到可靠的结论。

4、对比分析方法：对比

单看指标上涨或下跌的一个数值或百分比并不能说是好是坏，只有跟自己以前的指标对比或者行业的对比才能比较出好坏。因此，我们要注意不能因为表面的涨跌主观地认为事件是好的或不好的。

举个栗子，公司产品日活下降10%，该怎么去分析？（很多互联网公司面试题类型）

这就要用到对比思维了，首先，和行业比：行业6%<10%,说明是公司产品自身出问题了，再和自己比，和自己近期日活作比较，分析到底是哪里出问题了，是用户问题，产品问题还是竞品问题。

5、假设检验分析方法：如何解决业务问题，找出问题发生的原因

假设检验分析方法通常用来去寻找问题发生的原因。

（1）客观提出假设

方法一：从三个维度提出假设

方法二：从4C营销理论提出假设

4C分别指代Customer(顾客)、Cost(成本)、Convenience(便利)和Communication(沟通)

方法三：从业务流程提出假设

对业务流程节点留存率进行统计，并对留存率低的节点提出假设，收集证据，得出结论（用户流失原因）。

（2）收集证据

收集相关数据验证；调研，找相关部门同时了解情况

（3）得出结论

多问几个为什么，用数据验证，不断重复假设检验的过程

6、群组分析方法：留存和流失分析

群组分析方法是按某个特征，将数据分为不同的组进行比较。常用来分析用户留存率随时间会发生哪些变化，找出用户留下或离开的原因。可将数据可视化（折线图）进行对比，可直观看出每个组留存率的变化。找出留存率低或者留存率高的组后，再通过假设检验分析方法对用户流失或者用户留存的原因进行分析，从而进行产品优化。在金融行业里，群组分析方法可用来分析房贷后用户的还款情况。

笔试题分享：为了提高用户留存率，你对产品做了一系列改版，改版前称为1.0版本，改版后称为2.0版本，在验证改版是否有效时，你将1.0版本的新用户30日留存率和2.0版本的新用户30日留存率做对比，以下哪种说法代表改版后哦对提高留存有效果？

A.2.0版本的新用户30日留存曲线比1.0版本的新用户30日留存曲线更平缓；

B.2.0版本的新用户30日留存曲线比1.0版本的新用户30日留存曲线更陡峭；

C.这两个数据不具备可对比性。

答案：A

参考解析：留存曲线横轴是时间，纵轴是T=0时获取的新用户使用产品的活跃人数，是逐步递减的。留存率高，即相同时间长度中流失的用户数更少，即|△Y/△X|更小，也就是曲线的斜率更小，则留存率高的留存曲线应更平缓。

7.AARRR漏斗模型：用户行为分析/产品运营

8、RFM：用户价值分类

Recency：最近一次消费时间间隔。间隔时间越短，值越大，越高越好。

Frequency：消费频率，越高越好。

Monetary：消费金额，越高越好。

RFM可衡量用户行为上的忠诚度，RFM分析方法可将具有相似特点的用户进行分组，并对不同客户群体进行精细化运营，精准营销，增强用户体验，提高用户留存率。

9、杜邦分析方法：综合分析企业的财务状况

杜邦分析法的基本思想是将企业净资产收益率逐渐分解为多项财务比率乘积，这样有助于深入分析比较企业经营业绩。

数据入门-培养数据分析思维相关推荐

如何提升数据敏感度、数据分析思维、数据分析能力？
有朋友私信我怎么样才能提升自己的数据分析思维.分析能力呢?这个问题比较难回答,是一个很系统性的问题.对于这种很系统性的问题,我们往往就要找到一个切入点进行切入回答,再逐步形成互相有逻辑关联的框架,最后 ...
大数据常见的数据分析思维
数据思维具有框架性引导作用能够帮助确认分析角度.搭配分析方法.选择指标体系得出分析结论.但要知道数据思维不是一下子就学会了的需要长期的培养,日常生活中常用的数据分析思维技巧我们一起来学习一下. 数据分 ...
如何培养你的数据分析思维？
数据分析可以是一个职业,一份工作,也可以是一种思维方式.在专栏里,我们更多的是讲解了数据分析工具的使用.从 Python 爬虫到 Python 可视化,再到数据清洗.数据挖掘算法等,而在日常工作中,我 ...
如何培养数据分析的思维？
工具的运用都大同小异,思维的不同决定个体的差异.这一小节我们来探索数据分析的思维模式,如何培养数据分析的思维?这里列出5个数据分析中常见的思维模式供大家学习参考. 01 结构化思维结构化的思维是很重 ...
近期活动盘点：数据化思维困局和0.01突破讲座、极简大数据决策，培养数据化思维讲座...
想知道近期有什么最新活动?大数点为你整理的近期活动信息在此: 数据化思维.困局和0.01突破讲座 2019年6月12日顺应数字化变革,培养数据化思维是企业与个人的共识.但即使是顶级数据专家,面对复杂 ...
报名 | 极简大数据决策，培养数据化思维讲座
大数据挖掘是现在最受欢迎的职业技能之一,但即使是数据统计专业的同学,也常在步入职场后发现所谓的"Data scientist 的金色人生"很难实现.在数据时代,培养数据化思维变得越 ...
【在线SPSS】数据分析思维培养系列2：分析方法
目录第1点,数据类型第2点,基础描述第3点,数据质量第4点,差异关系第5点,影响关系第6点,深入影响关系总结在上篇文章中,我们一起学习了如何掌握正确的数据处理思维(文章链接:https ...
【在线SPSS】数据分析思维培养系列3：分析思路篇
目录第一部分把控数据思维第二部分问卷量表思维参考第三部分问卷非量表思维参考第四部分其它本文章为SPSSAU数据分析思维培养的第3期文章. 上文讲解如何选择正确的分析方法,除了有正确的 ...
如何培养真正的数据分析思维？附实践案例
这个问题要拆分成两方面来说.因为不同场景,对于数据分析的需要程度是不同的,需要的能力各不相同. 第一种: 有一部分人只是需要在一些工作中,分析部分数据,从而指导自己工作,为之后计划做支撑,这种类型的数 ...

数据入门-培养数据分析思维

数据入门-培养数据分析思维相关推荐

最新文章

热门文章