很多人掌握了很多數據分析工具和技能，依然做不好數據分析。面對具體的業務問題，我們還是容易兩眼一抹黑，單單會工具和技能是不夠的，還必須擁有數據分析思維。

數據思維決定了你如何思考問題，如何搭配這些分析方法，如何得出結論，如何確定問題。

那么究竟什么是分析思維呢？我認為有以下幾個方面。

1、說事實，而不是觀點

數據分析師第一個要訓練的思維方式便是：只說事實，不說觀點。

事實和觀點這兩個名詞看起來區別很大。但實際上在生活中我們經常會將兩者混淆。

比如說你的同事告訴你：最近的轉化率大幅下降。這句話到底是事實還是觀點呢？很顯然這句話是觀點。究竟下降多少算大幅下降？也許你認為的大幅下降在我看來變化并不大。

那么如果他說：轉化率下降了。

這句話是事實還是觀點呢？這句話看起來已經非常像事實了，但是實際上它依然屬于觀點。

有這樣一種情況，轉化率在短期內它看起來是下降的，但是你站在宏觀的層面上，以月為單位甚至以年為單位，它是它是上漲的，那么你究竟說他是上漲還是下跌呢

那么什么是事實？

這句話就是事實，這句話不同的人都能理解，不會出現歧義。

只有分清楚觀點和事實才有繼續分析的可能性。因為觀點的溝通會出現誤差，而事實則不會。如果我們用觀點進行溝通，自然會出現大量的誤解。

2、用客觀標準代替主觀判斷

但是單純只有數據，對業務問題的分析沒有什么幫助，畢竟我們得知道這個數據到底帶來了哪些業務信息，所以最后事實還是要歸納成“觀點”。

想要解讀出觀點，我們需要先找到一個標準。

標準怎么找？

• 可以是老板定的標準，看數據是否符合老板心中的標準。雖然這也是拍腦袋，不過老板畢竟是老板，他們心中有些戰略構想是建立在某些條件滿足的基礎上的。
• 可以看行業和競品的平均標準，看數據下降是否是行業的普遍現象。
• 看企業過去的平均水平，可以在歷史數據中找到類似場景下的數據情況，和自己的過去對比。

然后我們通過數據和這些標準進行對比，得出一個觀點。

比如我們可以分析每周的情況，看歷史上是否存在這一的趨勢，平均下跌是多少？如果歷史上每周三都會下跌，平均下跌7%，那么我們就可以認為目前數據比較正常，沒有問題。

這樣得出的結論全都是客觀的，如果你不找標準，而用主觀判斷數據的好壞，那么不同部門的人會溝（shuai）通（guo）很久。

3、不預設立場

人們總是習慣于通過自己的現存經驗和知識去判斷未知事物，這種預設立場的思維在原始人的時代很有價值，其優勢在于：不浪費寶貴的能量，快速決斷，避免因為低效決斷而錯失機會

在數據分析的場景下，我們需要盡可能地找出真實原因。此時這種預設立場的決斷方式會造成許多錯誤，因為現有經驗和知識在應對未知事物時是不足的，是有偏差的。

如果出現了業務問題，關聯的業務方往往預設一個立場：這事沒有看起來那么糟，或者這事和我沒關系。

比如轉化率下降了，業務方的反應往往是這個數據下降肯定跟自己無關。

自己的運營活動明明做的很成功，轉化率下降一定是行業因素、用戶質量等等其他因素導致的。于是為了證明這個觀點，他們順著這個預設的前提，找到一些相關的證據來解釋轉化率下降的現實。

實際上，想要證明一個觀點，只要你肯去找，不管觀點多么荒謬，總能找到支持你的理由。不僅辛普森悖論這種統計學的把戲可以得出完全相反的結論，即使最簡單的“真話不全說”的方法，也能達到這種目的。

比如，我說個比較荒誕的例子：比如中國男足，想要把男足描述成世界強隊行不行？當然行。

1.哥斯達黎加是世界杯史上為數不多能夠戰勝中國隊的國家
2.即使是巴西隊這樣的世界強隊也僅戰勝過中國隊一次
3.自2002年韓日世界杯后，中國隊在世界杯正賽上不敗紀錄已經延續12年
4.縱觀漫長的世界杯史，中國隊也僅輸過三次
5.中國隊從未在世界杯點球大戰中失利過
6.中國隊在領先的情況下從未丟過球

你看，只要你想證明一件事，總能找出一些證據。所以，預設立場再去找證據是一件相當不靠譜的事。

數據分析部門一般獨立于業務部門之外，這樣可以確保數據分析師沒有業績壓力，分析具有獨立性。因為數據分析的獨立性，所以最終問題究竟是在產品上、運營上或者市場上，數據分析師不會有明顯的偏向，只認客觀數據。

但是假設驗證和預設立場不同。

預設立場，是要找到證據來證明猜想，一個數據不行，那就換另一個數據。直到能證明這個觀點為止。

而驗證假設，則是事先規劃驗證這個假設需要的數據。如果數據最終不符合假設，那么就拋棄這個假設。

好的數據分析師，能夠根據客觀數據，隨時拋棄舊的假設，并建立新的假設。

拋棄固有的思維定式，這是非常反人性的，這也是為什么說數據分析需要專業訓練的原因。

4、演繹而不是歸納

邏輯思維方法分為歸納法和演繹法。

歸納法是從特殊到一般的推理，是從結果找原因的方法。也就是說，通過觀察很多個別事物的特殊性，然后概括出同類事物的特征。

但是我們一般不可能觀察到這個事物的所有樣本。所以歸納法得出的結論是不確定正確性的。

你有沒有聽過這個故事：

在一個火雞飼養場里，一只火雞發現，不管是艷陽高照還是狂風暴雨，不管是天熱還是天冷，不管是星期三和星期四，每一天上午的9點鐘，主人都會準時出現，并給它喂食。
于是，它得出了一個驚天大定律：“主人總是在上午9點鐘給我喂食?！?br /> 時間來到圣誕節的前一天，上午9點，主人又一次準時出現，但是這一次，主人帶來的并不是食物，而是把它變成了食物….

這個是英國哲學家伯特蘭·羅素提出的一個問題，被稱為「羅素的火雞」，用來諷刺那些歸納主義通過有限的觀察，得出自以為正確的結論。

比如一月到三月的成交金額連續上升，初級分析師往往會說：成交金額呈現上升的趨勢。

這句話的潛臺詞是，預計交易金額在四月份也會上升。

這是典型的歸納法思維：因為過去是這樣的，所以未來應該也會繼續這樣。這和那只火雞的思維其實也沒有什么本質的差別。

而且這和沒分析一樣，你把數據丟給業務方，他們也能看出目前呈現上漲的趨勢。如果想要做好數據分析，就不能濫用歸納法，這點依然很反人性。

那我們用演繹法，如何思考這個問題的呢？

演繹法是從一般到特殊的推理，是從原因找結果的方法。

要想預測四月份的成交金額會如何，首先需要分析前三個月的成交金額為什么會上漲？當時的背景是什么？上漲需要哪些條件？四月份的這些條件是否依然存在？如果維持成交金額上漲的條件不變，我們才能說四月份會繼續延續這種上漲的勢頭。

經過演繹法推理的結論才是合理的，而且我們通過深挖找出了內部的原因，這才是業務人員想要知道的。

數據分析的價值就體現在這。

5、找出背后的邏輯

數據分析師是需要大量的邏輯思維訓練，但我們自己做好還不夠，我們的工作必需和業務方溝通，幫助他們解決實際的業務問題。

但是很多業務人員沒有考慮清楚就跑來溝通，他們的需求可能充滿了邏輯問題，這時我們就需要幫對方理清思路，找出對方表述背后的邏輯。

數據分析師往往會聽到業務方這樣問：本周的轉化率相比上周已經下降了5%，怎么辦？這句話聽起來感覺沒什么問題，實際上邏輯并不是特別嚴密。

首先，這句話的前半部分很好地表達了事實，值得表揚。如果前半句是一個觀點，我們還要先找到事實。

但是這句話的后半句有問題，后半句的“怎么辦”，放在這個語境中，潛臺詞其實是這樣的：

• 本周轉化率相比上周下降了5%
• 這是個不好的情況
• 需要解決這個問題
• 怎么辦？

相比最開始的表述，我們分析出這句話中間出現了兩個衍生的問題。

問題1：轉化率下降5%真的是不好的情況嗎？

這就涉及到了標準了，之前提到了我們要找到一個客觀標準，通過標準解決出數據的業務含義。因此我們首先要協助業務方找到一個標準。

問題2：如果數據表現真的不好，那么這是現在急需解決的問題嗎？

這個問題的答案也是不一定。商業世界要解決的問題太多，在同一時刻，永遠存在著各種各樣的問題。而企業的資源是有限的，不可能同時解決所有的問題。問題的解決必然有輕重緩急之分。

那么憑什么要先解決轉化率的問題，而不是解決引流的問題、留存的問題、活躍度的問題？

數據分析師必須了解企業當前的戰略方向，把有限的資源投入到更重要的方向上。

如果上面這兩個隱藏的問題不想清楚，就開始分析怎么辦，那么這類分析師的工作往往會費力不討好，做很多低績效的工作。

總結

很多人想要數據分析速成，他們認為“自然理性”加上“分析工具和方法”就能做好數據分析，分析工具、分析方法等技能確實可以速成，但是數據分析的能力不是自然理性能夠駕馭的。

想要做一個好的數據分析師，必須擁有數據分析的思維，如果你學會了很多數據分析的工具和技巧，依然做不好數據分析，建議嘗試練習本文提到的思維，要點很簡單，堅持，堅持，堅持。