以電商為例，數據分析的5個思維方法

數據分析真的很重要，能從一堆看似雜亂的數據里，找到問題并解決問題。從數據上的變化，來判斷甄別效果得失；簡直是居家旅行，運營生意的必備良品。

首先，我們要知道，什么叫數據分析。其實從數據到信息的這個過程，就是數據分析。數據本身并沒有什么價值，有價值的是我們從數據中提取出來的信息。然而，我們還要搞清楚數據分析的目的是什么？目的是解決我們現實中的某個問題或者滿足現實中的某個需求。

那么，在這個從數據到信息的過程中，肯定是有一些固定的思路，或者稱之為思維方式。

第一大思維——對照

“對照”俗稱對比，單獨看一個數據是不會有感覺的，必需跟另一個數據做對比才會有感覺。比如下面的圖a和圖b。

圖a毫無感覺

圖b經過跟昨天的成交量對比，就會發現，今天跟昨天實則差了一大截。

這是最基本的思路，也是最重要的思路。在現實中的應用非常廣，比如選款測款丶監控店鋪數據等，這些過程就是在做“對照”，分析人員拿到數據后，如果數據是獨立的，無法進行對比的話，就無法判斷，等于無法從數據中讀取有用的信息。

第二大思維——拆分

分析這個詞從字面上來理解，就是拆分和解析。因此可見，拆分在數據分析中的重要性。在派代上面也隨處可見“拆分”一詞，很多作者都會用這樣的口吻：經過拆分后，我們就清晰了……。不過，我相信有很多朋友并沒有弄清楚，拆分是怎么用的。

我們回到第一個思維“對比”上面來，當某個維度可以對比的時候，我們選擇對比。再對比后發現問題需要找出原因的時候？或者根本就沒有得對比。這個時候，“拆分”就閃亮登場了。大家看下面一個場景。

運營小美，經過對比店鋪的數據，發現今天的銷售額只有昨天的50%，這個時候，我們再怎么對比銷售額這個維度，已經沒有意義了。這時需要對銷售額這個維度做分解，拆分指標。

銷售額=成交用戶數*客單價，成交用戶數又等于訪客數*轉化率。詳見圖c。

圖c是一個指標公式的拆解

拆分后的結果，相對于拆分前會清晰許多，便于分析，找細節?？梢?，拆分是分析人員必備的思維之一。

第三大思維——降維

是否有面對一大堆維度的數據卻促手無策的經歷？當數據維度太多的時候，我們不可能每個維度都拿來分析，有一些有關聯的指標，是可以從中篩選出代表的維度即可。如下表

這么多的維度，其實不必每個都分析。我們知道成交用戶數/訪客數=轉化率，當存在這種維度，是可以通過其他兩個維度通過計算轉化出來的時候，我們就可以“降維”。

成交用戶數丶訪客數和轉化率，只要三選二即可。另外，成交用戶數*客單價=銷售額，這三個也可以三擇二。

另外，我們一般只關心對我們有用的數據，當有某些維度的數據跟我們的分析無關時，我們就可以篩選掉，達到“降維”的目的。

第四大思維——增維

增維和降維是對應的，有降必有增。當我們當前的維度不能很好地解釋我們的問題時，我們就需要對數據做一個運算，增加多一個指標。請看下圖。

我們發現一個搜索指數和一個寶貝數，這兩個指標一個代表需求，一個代表競爭，有很多人把搜索指數/寶貝數=倍數，用倍數來代表一個詞的競爭度（僅供參考）。這種做法，就是在增維。增加的維度有一種叫法稱之為“輔助列”。

“增維”和“降維”是必需對數據的意義有充分的了解后，為了方便我們進行分析，有目的的對數據進行轉換運算。

第五大思維——假說

當我們拿不準未來的時候，或者說是迷茫的時候。我們可以應用“假說”，假說是統計學的專業名詞吧，俗稱假設。當我們不知道結果，或者有幾種選擇的時候，那么我們就召喚“假說”，我們先假設有了結果，然后運用逆向思維。

從結果到原因，要有怎么樣的因，才能產生這種結果。這有點尋根的味道。那么，我們可以知道，現在滿足了多少因，還需要多少因。如果是多選的情況下，我們就可以通過這種方法來找到最佳路徑（決策）

當然，“假說”的威力不僅僅如此?！凹僬f”可是一匹天馬（行空），除了結果可以假設，過程也是可以被假設的。

我們回到數據分析的目的，我們就會知道只有明確了問題和需求，我們才能選擇分析的方法。