下载掌阅APP，畅读海量书库
立即打开
导读：“思维”这个词是指具有意识的人脑对客观现实的本质属性、内部规律的自觉的、间接的和概括的反映，这是人类独有的能力！稻盛和夫在书中提到“人生成功方程式”：成功的结果=思维方式×热情×能力。具备正确思维，所获得成功会成倍增加。一个人的思维方式，决定了他看待世界的角度；一个人的思维方式，决定了一个人的人生高度。
在数据分析中，拥有数据思维，会帮助你更好地描述、思考、拆解问题，更灵活地运用方法论得出结论。既然数据思维这么重要，那它到底是什么？
1．什么是数据思维？
数据分析技能大同小异，而思维决定高度。 数据思维是一种借助数据思考的逻辑思维。 而逻辑思维是人们在认识过程中借助概念、判断、推理反映现实的过程，是一种确定的、有条理、有根据的抽象思维。在逻辑思维中，要使用比较、分析、拆解、综合、抽象、概括等方法。
也就是说，数据思维是基于“数据”进行认知以及表述，并借助数据工具做判断、推理业务事实，这其中要运用到各种数据分析方法模型。由此，可以归纳出数据思维的几个核心要素： 数据概念表述、判断分析能力、逻辑推理能力。
2．数据思维要素之一：数据概念表述
数据概念表述反映了对业务数据的掌握，要具备数据意识，让数据呈现出画面感，就像简历或者工作总结中，要体现出数据概念，如活动营销转化率提升5%、创建企业率提升5%、会员业绩提升8%。此外，拿到业务需求时，基于特定业务场景，要知道业务说的指标背后是什么含义，其波动意味着业务层面的什么情况。
数据有两大作用，一个是了解现状，还有一个是快速拉齐信息。
数据分为定性数据和定量数据：
● 定性数据描述事物的属性、名称等，它是一种标志，没有序次关系，例如“性别”数据中“男”编码为1，“女”编码为2。
● 定量数据描述量化属性，或用于编码，如交易金额、商品数量、积分数、客户评分等。
3．数据思维要素之二：判断分析能力
什么是判断分析能力？可以理解为分析决策和做结论，能找出部分现象的本质属性和彼此之间的关系，对其进行剖析、分辨、观察和研究。
那么，该如何做？
（1）明确目的。充分的准备工作是做任何事情的前提，要洞悉分析的真正目的，才能采取行之有效的应对办法。
（2）全面了解信息，尽可能消除信息不对称。从数据的角度去挖掘尽可能多的业务事实，假象并不可怕，可怕的是看不透假象。只有经过认真的分析研究，才能做出正确的判断，进而把握主动权。
（3）借助分析方法、模型框架。当我们面对大量的信息以及数据的时候，需要有一种信息处理的方法，这些分析方法、模型就是我们进行初始分析的“抓手”，可以说就是找支点、立杠杆、看模型。
（4）落地场景。分析不同结果，考查落地实现可能性。
4．数据思维要素之三：逻辑推理能力
逻辑推理注重的是客观事实，是指一个人对于某件事件进行观察、分析、判断之后，进行推理、论证的一种综合能力。从数据分析的视角来看，其核心就是“讲数据故事”的过程，如议论文有论点、论据、论证。
（1）论点：分析结论、落地建议是什么？
（2）论据：层层深入，多角度击破，考查指标变动、分析方法、模型框架的数据结果等。
（3）论证：如何基于论据推出论点？强有力的论证必须基于业务场景。
5．小结
要彻底把“数据思维”说通透并非一件容易的事，只能意会，很难言传。分析工具是数据分析必备的硬件模块，它就像双手；而数据思维是数据分析必备的软件模块，它就像大脑。在如今人人都谈大数据的时代，只有抛开浮躁，静下心去洞察数据才有机会去培养自己的“数据思维”。如果你没有耐心去面对杂乱的数据，那又如何有底气解读数据，顶多是了解几个核心指标而已。
通过数据思维分析能帮助我们找到更加合适的业务场景，甚至构建出一个可持续、可复制、恒增长的商业模式。总的来说，拥有数据分析思维，就是能站在多方角度用数据来精确描述现状、分析问题、解决问题。
导读：“数据思维”能够让工作更加客观、更加结构化和更具延展性，让决策更理性，通过深刻洞察业务线存在的问题以及产生问题的原因，厘清业务，并找到有效的方法提高业务数据指标，驱动增长。不同行业有不同的情况或者属性，数据思维是一种底层的思维模式，一种借助数据思考的逻辑。那么，数据思维应该如何使用呢？
1．如何使用数据思维？
使用数据思维需要结合数据分析流程：明确问题（What）→分析原因（Why）→落地执行（How）。
（1）明确问题（What）。
明确问题就是利用数据思维的要素，掌握业务数据，让数据呈现出画面感，明确数据分析的问题以及目标。具体如下：
① 明确目标。查看数据波动，明确数据来源在哪里？目标是谁？
② 理解数据。需要知道数据的意义，例如，数据提升或者下降代表什么？
③ 确认目的。要明确分析的目的，例如，活跃用户数同比、环比波动较大，是什么原因造成的？
④ 预期效果。明确通过分析达到什么效果，例如，通过分析会员付费用户，找到问题、解决问题，从而提升收入。
（2）分析原因（Why）。
分析原因需要利用数据思维要素之一—判断分析能力，找出部分现象的本质属性和彼此之间的关系。具体如下：
① 明确需要。需要什么维度的数据？如会员付费总额、付费企业数、客单价、会员付费次数、会员各等级占比。
② 拆解指标。需要找到核心数据指标进行拆解，为后续明确收集哪些数据，这里可以采用结构化分解的方法“MECE法则”，即“相互独立、完全穷尽”，也就是“不重叠，不遗漏”。
③ 数据采集／处理。拆解指标后，对数据进行采集，确定是直接调取数据库还是提前让技术埋点。
④ 数据分析。完成数据整理后，如何对数据进行综合分析？是相关分析还是对比分析？还要考虑用什么分析方法，如5W2H分析法、4P分析法、杜邦分析法等。
（3）落地执行（How）。
落地执行，即利用数据思维之一—逻辑推理能力，从数据分析的视角，用数据讲故事，明确论点、论据、论证，使分析结果落地。具体如下：
① 数据展现。找到问题后，让数据呈现出画面感。如新增渠道的付费转化率较低，那么转化率低代表什么？此时就需要考虑用什么图表表现，是柱状图还是趋势图等。（详细可参考第70问如何制作一个图表？）
② 输出价值。找准问题，就要进行决策，考虑如何输出，例如，怎么说服技术人员？怎么说服运营策划人员？
③ 执行方案。确定具体执行方案是什么？预期达到的效果如何？最后通过不断迭代，降本提效，驱动增长，最终创造价值。
2．数据思维应用案例
数据思维可以应用在工作和生活的不同场景中。
在工作中：
● 在广告投放时，若具备数据思维，就会从广告的受众群数量大小、渠道数量、成本和效果回收情况，想办法拆解出各种影响因素、预期效果、投入成本等信息。
● 在优化产品时，若具备数据思维，就会梳理其商业模式、面对的用户群体、群体的使用场景，以及可能设置的付费点并验证，同时想到可改进的价值点，并观察后续运营动作是否验证了改进点。
在生活中：
● 若具备数据思维，当看到你的打车价格高，就会观察并思考原因，可能是你周围叫车用户多而司机少，也可能是其他原因。
● 若具备数据思维，当看到每个超市都鼓励办会员卡后，就会观察并思考原因，可能是想要留住你，增加你选择去本店消费的机会，减少去竞争商家消费的机会。
总之，数据思维的应用非常广泛，还有管理的应用、人力的应用等，这里就不一一赘述了，其应用基本都是大同小异，只要掌握基本思路，再不断地提升工具的使用效率，结合实际的业务场景来应用数据思维，就能在工作和生活中发现问题、解决问题、总结问题。
现在以投放渠道选择与预算分配最优的广告投放案例，来简单了解一下数据思维的应用。
在制订渠道投放计划时，如何有效地筛选广告投放渠道？如何合理地分配投放的预算呢？对于这两个问题，都需要从数据思维的基本思路着手。
下面以考勤类App的新增渠道投放为例，如下表所示，假设现在有小米、华为、苹果等五个应用市场拉新投放渠道，通过一段时间的广告投放后，获取了各个渠道的新增数据、下载量、消耗费用及获客成本等数据。
首先，在对这几个渠道的数据有了基本的认知之后，明确其分析目标，可以根据广告投放的实际情况进行预算的控制和调整。例如，在缩减预算的情况下，应该如何优化投放费用的最优分配呢？
其次，理解数据，从上表五个渠道中可以看出，小米和OPPO的企业获客成本最高，是做预算控制的首选渠道，应该削减这两个渠道的预算，这样能够快速产生成本压缩的效果。
进而，通过各个渠道的转化漏斗分析查看各个渠道的转化率，环比往期数据优化新增渠道。其目的是测试不同策略和素材的效果，还可以横向对比不同投放方式的渠道拉新成本，择优选择。我们按小米渠道的各环节转化为例，转化环节可以简单地分为下载→激活→注册→创建企业，如下图所示。
小米渠道人群受众、广告页面、落地页以及注册方式等实际内容都可以通过测试数据进行调整优化。衡量优化效果的核心指标是漏斗对应层级的转化率是否得到提高。在增加投放费用时，快速增加拉新量的情况下，又应该如何优化预算分配呢？这时，从数据上看将预算全都使用到企业获客成本最低的vivo渠道。但从实际的广告投放经验以及过往数据来看，vivo渠道的新增用户数相对最低，用户精准度并不高，无法快速扩量。
最后，输出结论。根据往期数据以及用户质量和企业转化来看，苹果和华为渠道的用户精准度较高，是扩大预算投放的首选渠道。从拉新量来看，这两个渠道也是大流量渠道，在平均拉新量较低的情况下，可以轻松扩量。
当然，在实际做用户拉新的广告投放时，数据比上述例子复杂得多，考虑的因素也较多，我们需要能够通过实际数据对比，不断地优化预算分配，以获得性价比更高的渠道投放策略。
3．小结
数据思维不同于数据知识和数据技能，是用数据提出问题和找到解决办法。其次，数据思维要发挥作用，需要与其他的能力组合，如问题意识、行动能力等，这样才能创造更高的价值。
导读：数据思维并不是一日形成的，是需要结合日常工作生活来刻意练习、实践的，是发现问题、解决问题、总结问题的一个不断积累经验的过程。不过，对于刚刚入门数据分析的人来说，还是可以通过一些方法和习惯去训练数据思维，培养逻辑能力。
可以从数据思维的要素出发，去做针对性的训练：
● 数据概念：掌握基本的数据认知，如统计学知识、指标体系，针对性地了解业务。
● 判断能力：借助数据分析方法，提升对事物的判断力。
● 推理逻辑：基于问题、数据、结论等，给出自己的观点，并利用数据进行论证，也就是用数据讲故事。
1．数据概念：提升对数据的敏感度
（1）养成对数据的深究，知道数据是怎么来的。
理解数据、理解业务便于我们进行数据采集及分析溯源，结论和成果要有一定的数据保证，同时也要判断数据来源的可靠性。
（2）梳理数据指标的维度。
理解评估标准，不同业务有不同的关键业务指标，可以利用思维导图积累相关业务的指标体系，多总结、多问为什么。指标体系经常用于数据细分查找原因，知道数据构成才能更快地拆分数据，找到异常原因。
（3）养成对数据指标的拆解习惯。
拆解能力决定了能否有效处理和解决复杂事务，简单来说，就是把一个复杂问题拆解成一个个基础元素，通过研究这些元素，控制和改变基本变量进而解决复杂的问题。
以结构化拆解为例，简单地说，就是按照各不同维度进行拆分，定位当前问题，从问题核心出发拆解影响因素，最终确定验证角度，再通过指标、公式、模型的方式找到验证影响因素的量化标准。例如销售额下滑了，销售额=销售数量×客单价，拆分后的结果比拆分前清晰得多，这样就可以区分是线上销售量下降还是线下销售量下降，还可以进一步发现是哪一个渠道下滑，这样分析更具针对性，如下图所示。
（4）了解数据是如何说明业务的。
找到业务背后的基本逻辑。在数据的日常工作中带入业务思维，从而知道数据指标在业务中代表什么，业务数据正常水平是怎样的，受节假日或者活动营销影响的数据又是怎样的，要多对比，结合环比、同比明白数据高低的意义。
2．判断能力：多熟悉各种数据分析模型
数据模型其实是各种数据分析经验的抽象集合，拥有了更多的数据模型，也就拥有了更多认知“数据”世界的工具。例如在斯科特·佩奇的《模型思维》一书中，就提到了20多个思维模型。 要熟悉哪些分析模型？第15～35问会给出建议。
3．推理逻辑：用数据说事实而不是观点
（1）说事实，而不是观点。
《原则》一书中提到：大部分人不是真正地寻找事实，而是寻找那些能证明自己观点的事实。大部分人表达的事实，可能已经是带有自己价值取向的观点。因此，我们要注意自身的观点，用事实说话。
（2）用客观标准代替主观判断。
主观是指人的意识、思想、认识等；客观是指人的意识之外的物质世界或认识对象。我们不能主观判断数据的好坏，而是应以符合实际业务场景的客观事实的标准来判断，可以根据竞对数据、往期数据、目标数据等维度来制定标准。
（3）利用演绎法中的核心思维方式：三段论。
演绎法就是由“因”推导出“果”，由“一般”推导出“特殊”的思维方式。演绎法是逻辑思维的基础。什么是三段论呢？就是“大前提→小前提→结论”的推理过程，其基本逻辑是，如果大前提是什么，且小前提是大前提的一部分，那么小前提也是什么，例如著名的“苏格拉底三段论”：
● 所有的人都是要死的（大前提）。
● 苏格拉底是人（小前提）。
● 苏格拉底是要死的（结论）。
（4）具备一定的好奇心。
美国心理学家布鲁纳认为好奇心是人类行为的原始动机之一。它常由人们所接触的不明确的事物或未完成的事情引起。当事态尚未明确，人们时常受好奇心的驱使去探索这些未知的行为过程或结果，并从中得到满足。在锻炼数据思维时，一定要有好奇心，有兴趣去探索数据背后的逻辑。
（5）多看、多练、多记数、常总结。
首先，我们可以多看些权威、专业的数据分析报告，梳理以及了解他人的分析过程。要有意识地记住一些关键数字，如平均数、极值等，例如在分析报告中，每日的新增、活跃、留存等，方便能更快地发现异常。去不同行业看看不同数据报告，发现问题，总结经验，还可以多看自己业务的数据和每天的各种数据报表，整理出来，研究走势，发现异常及时分析。其次，还要多去尝试用同样的分析方法去分析类似的数据，可以套用别人的分析思路去尝试分析自己的业务问题。最后，总结分析过程中的问题以及经验。总之，就是多看、多练、常总结。
4．小结
为了训练数据思维，要有数据敏感性，要能够合理怀疑，确认数据是否准确，对一些异常敏感的数据尤其如此，这就需要通过时间培养数据常识，刻意去练习。
数据思维需要结合日常工作生活去培养、去实践，发现问题、解决问题、总结问题是积累经验的一个过程，其核心价值在于是否指导了你的决策行为。可以在生活工作中利用以上建议，从一个广告数据、一个活动数据、一个产品数据、一组访问数据、一个数据报告等进行刻意练习。