为什么思维重要？
不知道问题发生没
不知道问题在哪
不知道为什么
不确定分析对不对
不确定执行结果
不知道老板给不给加薪
一.What：三种核心思维
1.结构化
①核心论点
它可以是假设，是问题，是预测，是原因
②结构拆解
自上而下，将核心论点层层拆解成分论点，上下之间呈因果或依赖关系
③MECE
相互独立，完全穷尽。论点之间避免交叉和重复，分论点们要尽量完善
④验证
不论核心论点还是分论点，都应该是可量化的，用数据说话。它们必然是可验证的
【例1】现在有一个线下销售的产品。我们发现8月的销售额度下降，和去年同比下降了20%。我想先观察时间趋势下的波动，看是突然暴跌，还是逐渐下降。再按照不同地区的数据看一下差异，有没有地区性的因素影响。我也准备问几个销售员，看一下现在的市场环境怎么样，听说有几家竞争对手也缩水了，看一下是不是这个原因。顾客访谈也要做，但是往常一直找不到原因，这次我也不抱希望，姑且试试吧。要是还找不出原因，我也很绝望啊。
将论点归纳和整理 → 将论点递进和拆解 → 将论点完善和补充
2.公式化
①上下互为计算
②左右呈关联
③一切结构皆可量化
④最小不可分割
结构化是分析的思维，但它还不够数据，而且难免有发散的缺点
销售额有什么组成的？销量和客单价相乘
利润有什么组成？销售额收益和成本相减
销售额是单一的维度吗？不是，销售额是多个商品/SKU的总和
地区的销量由什么组成？是不同线下渠道的累加
销量还能再细挖吗？不妨想成人均销量和购买人数
不同类别的业务叠加可以用加法
减法常用来计算业务间的逻辑关系
乘法和除法是各种比例或者比率
3.业务化
用结构化思考+公式化拆解，获得的最终分析论点，很多时候，是现象。数据是某个结果的体现，但不代表原因
①有没有从业务方的角度思考？
②真的分析出原因了吗？
③能不能将分析结果落地？
【例1】一家销售公司业绩没有起色，对它进行了分析
销售人员的效率降低，因为士气低落
产品质量不佳，和同期竞争对手比没有优势
价格平平，顾客并不喜欢
【例2】如何预估上海地区的共享单车投放量
单车是有损耗的，计算公式中应该考虑单车的消耗因素
怎么想：我是数据分析师，我会设立哪些指标？换位，如果我是参与其中的人，我会怎么考虑/哪些行为
二.Why：数据分析的思维技巧
1.象限法
2.对比法
好的数据指标，一定是比例或者比率
好的数据分析，一定会用到对比
【例1】节日大促，女生消费占比从60%变为70%，女生节日爱消费
这个结论是有问题的，占比提高了，不代表绝对值提高了，某商品平时销售额1000万，女生占60万，节日销售额80万，女生占56万，女生真的消费变高了？谁说节日销售额会提高？别忘了竞争对手
①竞争对手对比
②类别对比
③特征和属性对比
④时间同比环比
⑤转化对比
⑥前后变化对比
3.二八法
数据中，20%的变量将直接产生80%的效果，数据分析更应该围绕这20%做文章
持续关注TopN的数据，是一个非常好的习惯，尤其在部分行业
虽然指标很多，但往往某些指标更有价值，二八法则不仅能分析数据，也能管理数据
4.漏斗法
5.指数法
中国今年的经济指标如何？
美国NBA最佳球星是谁？
竞争对手产品表现的如何？
NBA比赛数据贡献值：（得分+篮板+助攻+抢断+封盖）-（出手次数-命中次数）-（罚球次数-罚球命中次数）-（失误次数/球员上场比赛的场次）
很多时候，我们有数据，但不知道怎么用。就是因为缺乏了一个有效的方向。这个方向可以成为目标指数。通过将数据加工成指数。达到聚焦的目的
方法：线性加权；反比例；log
6.假设法
很多时候，数据分析是没有数据可明确参考的：比如新进入一个市场，公司开拓某样产品，老板让你预测一年后的销量，或者产品的数据基础非常糟糕，你拿不到数据
【例1】现在，马上，公司要派你去贝宁出差，如果你只能携带一个背包，你会往里面装什么东西？你为什么要往里面装它？
虽然贝宁这个地方我并不熟悉，但我假设它在非洲，那么现在我得考虑炎热的情况...
【例2】公司在节日进行了一次营销活动，APP上的销量数据整体比上周上升了20%。因为统计失误问题，拿不到明细数据，也就是说，活动效果是一个黑盒。现在的问题是，销量本身就有可能因为节日而提高，那么怎么证明活动是有效或者无效的呢？
假设活动是有效的 → 会发生什么事情 → 会有一定数量的用户购买，如果能证明这条，那么我们有理由相信活动是有效的 → 用户通过活动购买商品，会发生什么可观测的行为呢？假设有一些用户会评论留言，那么可以统计提及活动的字眼 → 当用户提及了这次营销活动，接下来的问题是，有效了多少？10%？20%？→假设参与活动的用户行为没有变化，那么通过历史数据的用户评论占比，反推购买人数
【例3】你是自营电商的数据分析师，现在想商品提价后，收入会不会有变化？你会怎么做？
假设商品提价后，销量一定会下跌，问题是销量下跌多少？ → 首先假设流量不会有变化，流量和渠道营销正相关，商品价格影响转化率，那么现在确定转化率的波动 → 找出平时的转化率，预估提价后的转化率变化。假设各类型用户对价格敏感度不同，那么将用户划分为忠诚XX，普通XX，羊毛XX → 不同用户层次数量不同，反应不同。忠诚用户转化率变化极低，羊毛几乎不会转化，这些数据可以凭借经验作出假设，最后汇总
7.多维法
用户统计维度：性别，年龄
用户行为维度：注册用户，用户偏好，用户兴趣，用户流失
消费维度：消费金额，消费频率，消费水平
商品维度：商品品类，商品品牌，商品属性
