导读：数据分析里面最主要的不是EXCEL技巧、SPSS和R语言、SQL技术等数据处理技术以及分析的方法论，而是“分析思维”。技能可以学习，方法论是千篇一律，思维却是独特的，这才是最重要的。 

“思维”这个词很棒，即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”，这样写到：成功的结果 = 思维方式×热情×能力。具备正确思维，所获得成功的结果是成倍增加。也就是说，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。

因此，掌握了工具和方法论的同时，若拥有数据分析思维，会帮助你如何更好的描述问题、思考问题、拆解问题，如何更精准的运用方法论、得出结论等。这样的数据分析的输出成果就更严谨，更有依据，更有说服力。 

我们总说，数据分析在大数据以及5G时代是必备的技能，那所谓的数据分析到底是个什么东西呢？那就是，通过观察、假设和推理，借助各种分析方法论及数据思维模式去探索问题、提出解决方案。

有两个重要因素：数据和分析。 

“数据”即客观事实，对于客观事物发生，发展的数字化记录。随着科学技术的发展，数据的概念内涵越来越广泛，包括数值、文本、声音、图像、视频等。数据的作用有两大方面，一个是了解现状，还有一个是快速信息拉齐。数据可以分为定性数据和定量数据。

■定性数据是用来描述事物的属性，名称等，它一种标志，没有序次关系。例如，“性别”，“男”编码为1，“女”编码为2。

■定量数据是描述量化属性，或用于编码。如交易金额、额度、商品数量、积分数、客户评分等都属于量化属性。

而“分析”的本质则是让产品业务线更加清晰，让决策更加高效。在市场经济的条件下，面对激烈的竞争，差异化的市场，多变的环境，我们常常会面临各种难题。数据分析是用来解决所遇到的难题，识别机会，规避风险，问题诊断。简单来说，数据分析无外乎是多少、是什么、为什么、会怎么样、又如何！

说的直白点如下：

■情况是怎么样——了解事物的现状。

■发生了什么——追溯过去，了解真相。

■为什么发生——洞察事务发生的本质，寻找根源。

■未来可能发生什么——掌握事务发展的规律，预测未来。

■我们该怎么做——基于你已经知道的“发生了什么”、“为什么会发生”以及“未来可能发生什么”的分析，帮助你确定可以采取的措施，也就是：数据驱动业务。

总体来讲，数据分析可以说是一个非常大的概念：既可以从用户应用场景角度来分析，还可以从数据统计角度来分析，又可以从业务逻辑角度分析，又能从商业模式角度分析，而不同的分析角度关注的数据维度不同，用到的分析方法不同，呈现出的形式不同。而站在企业数据角度的分析，则企业主要是关注数据的价值，能给我们的业务带来什么效能，是能发现运作方式的问题？还是能找出突破点?还是能预估公司的赛道，让决策层知道以什么样的配速来跑？

因此，我们所看到的和感知到的方法方式也不同，然而，我们要从深层面认知中抽象出来，寻找共性的东西，就会发现，其实数据分析思维是共通。

数据分析技能大同小异，而思维决定高度。因为技能是可以复制的，是辅助思维实现的。数据分析包括数据运营，为了推动业务增长或其他分析目的需要的可能是去发现挖掘更多与结果相关的数据维度。所以数据分析不只是数据的后处理分析过程，还有前面未知的探索。 

简单来说，所谓的数据思维的终极目标是让数据呈现出画面感，而不是一堆堆冰冷的数据指标。就像简历或者工作总结中，要体现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%一样。数据分析思维是通过各种方法收集数据，了解需求，然后改进决策，不断迭代。 

如果你缺乏数据分析思维的话，你的直观印象就只有两种，一种是真厉害，这人靠谱。另一种是无所谓，随便问问。每当应聘者遇到这样的面试官时，就会感到庆幸，因为他随便说几个数据就能蒙混过关，装作很厉害的样子。相反，当别人说出一个数据时，你的脑海中应该要构造出画面感，从而客观去判断数据的真实性，以及它的价值。 

所以，我们应该去深挖他们营销的业务场景、客群分布、营销方式和业务逻辑，最后了解下来是「注册 -> 创建企业」的场景（某to b考勤软件的业务场景），以促进用户创建企业的环节。而客群分布是注册90天+的用户，营销方式仅仅是短信提醒，业务逻辑只是对比「筛选人群转化率」和「整体人群转化率」。

因此，从常识来看，这个数据明显不正确。因为注册30天+的用户，如果从未发起过「创建企业」行为，（未创建企业无法使用），那基本可以说流失了，更别提延迟到注册90天+，以及仅仅短信提醒效果更是甚微。更何况转化率提升的这个对比逻辑完全是不公平的，没有参考价值。

如果你懂的去思考数据背后的故事，那样整个数据所呈现的画面感会让你重新去认识这个数据本身，这也就是犯罪片中常提的「恢复现场」。 

所以掌握「数据分析思维」很重要，你就像数据圈的福尔摩斯。而要想培养自己的「数据分析思维」，应具备以下几点要素：

■掌握业务常识和数据逻辑判断能力；

■培养数据敏感度和数据解读能力；

■构建数据分析法和问题分解能力；

■加强一定的数据处理能力和模型算法知识能力；

就如某一个to b考勤软件为例 —「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%」。

从业务常识上你需要去了解用户转化路径，知道它会涉及的流程点。对于提到的「转化率」、「创建率」、「业绩提升」其实整体用户路径归属为「活动页面 ->下载 ->激活 ->注册 ->企业创建 ->申请试用 ->满足条件 ->售前咨询 ->确认订单 -> 成单金额」，再结合历史数据有一个对比。而从活动营销效果的评估来的话，仅仅上述三个指标是不具备说服力的，至少要关心「ROI」是否达标。

同时，你要考虑到「费效比」、「获客成本」、「业绩金额」，甚至是「新增人数」、「新增企业数」和「申请人数」这些指标，清楚的了解它们背后的数据业务逻辑。

在此基础之上，才有数据感去初步判断数据的真实性和合理性。这样才有可能去解读所谓的「5%」，以此去还原画面感去认识它！

而这整个分析过程中不可避免会涉及一些数据分析方法，以及将「营销效果评估」的问题进行分解，在这里就不一一赘述了。 

由此可见，有了清晰的「数据分析思维」才有可能去找到问题的本质，而不是只看到表象。重申一点，我们需要有一定的数据处理能力，在面对大规模复杂数据时，不然将会心有余而力不足。就如分析用户行为路径去确定最佳营销环节时，你根本清洗不出来几十个G的用户行为数据，更别提业务场景建模了。

从业务视角出发，分析是要反哺业务的，在数据基础上基于业务逻辑进行分析。这里面涉及更多的是业务流程环节上的各类数据指标并结合真实的业务含义和场景对实际问题的构建和还原。基于业务的分析更多的不是纯理性的数理推算，而会带有部分感性的成分去探寻问题。因此很多基于业务线的数据分析会在做各类的报表进行业务流程上的各类指标分析。

但深入了解会发现，只要对业务足够熟悉，其实业务逻辑的流程是可完全罗列的。因此，可以清晰的找流程、分环节和做数据指标，但从筛选环节指标到指标呈现再到指标解释就足够吗？实则是不够的，甚至有些业务环节都是基于业务需求或者老板需求指定的，所以，需要对业务理解足够深入，业务指导数据，数据驱动业务，这种分析的价值才不容易被机器所取代。 

数据分析对于业务的价值在哪呢？我的观点是，基于业务逻辑设计有意义、有价值的数据指标，通过科学有效的手段去分析，进而发现问题优化迭代。然而，在业务中的分析价值更是依托数据去找出新的业务场景变化，即不同于原有现存的业务场景，可能是场景的迭代，也可能是推陈出新。数据分析因价值而存在，数据分析本就是一个价值增量的过程。无论分析给出的结果是积极或者负面，都是价值承载体，我们必须以客观的态度面对。并且通过数据去更新迭代去发现新的业务逻辑、最优流程链路，甚至构建新的业务逻辑和流程链路。

而发现和构建并不是演绎推理，是“发散”和“推翻重构”的过程中的推敲。类似于“持续性创新”还是“颠覆式创新”，“持续性创新”可以维持生存，但“颠覆式创新”可以突破本质带来质变。

因此，从业务角度来说，数据分析思维可以说是“发散”和“创造”。但是，从思维的角度，数据分析是重“分析”而轻“数据”的。在我看来数据本身并没有任何价值，因为数据是死的，只能固化和呈现已有的客观记录，但并非事实或实情实景，正是你浅层意识里的思维构建，由于分析思维的存在使得原本毫无价值的数据大放异彩。

若要彻底把「数据分析思维」说通透并非是一件容易的事，只有意会，很难言传。分析工具，是数据分析必备的硬件模块，它就像一双手。而分析思维，是数据分析必备的软件模块，它就像一个大脑。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「数据分析思维」。如果你都没用耐心去面对又脏又乱的数据，那你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，甚至说构建出一个更加可持续、可复制、持续在增长的商业模式。总的来说，数据分析思维的表现，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。

后面让我们来逐一梳理主流的数据分析思维有哪些呢？

-END-