数分-理论-数据思维

数分-理论-数据思维 数分-理论-数据思维

(数据分析系列)

文章目录

• 数分-理论-数据思维
• • 1知识点
  • 2具体内容
  • • 2.1结构化思维
    • 2.2假说演绎思维
    • 2.3指标化思维
    • 2.4维度分析思维

1知识点

1. 结构化思维
2. 假说演绎思维
3. 指标化思维
4. 维度分析思维

2具体内容

逻辑化思维看待事物，用数据证明

• 归纳：以情况为起点；复杂问题分解成多种单一因素，并归纳整理，条理化
• 演绎：以规则为起点

2.1结构化思维

金字塔、结构化思维：中心论点出发，衍生出不同层次分论点

1.MECE法则：

• 尽可能列出所有思考要点
• 找出关系，分类
• 论点之间相互独立不重叠，论据穷尽划分不遗漏

2.eg：线下销售8月下降的原因

• 时间趋势下的波动-暴跌还是逐渐下降
• 不同地区的差异，是否有地区性原因
• 市场环境，竞品的销售情况

2.2假说演绎思维

1.假设思维

• 以假设作为起点
• 提出问题，MECE梳理关联因素之间的结构

2.eg：商品提价，销售额下降多少-流量，转化率，历史下降-》销售额变化

• 流量（与渠道营销正相关）不变，考虑转化率
• 不同类型用户对价格敏感度不同
• 忠诚用户变化不大，羊毛不转化

2.3指标化思维

定量分析，用指标衡量数据

1.指标：定义、评价、衡量业务

• 流量：PV+UV
• 拉新：新用户下单数、占比
• 用户活跃：新老买家占比
• 网站：用户访问量、停留时长、跳出率
• 销售：销量、销售额、客单价

2.好指标：

• 有
• 衡量具体且可量化的事物

3.指标体系

• 向上：按业务职能结构，映射渠道、运营、产品等相关模块，将相关指标映射到主要模块，快速定位问题
• 向下：按因果结构划分。
  • 指标分解，形成因果关系公式
  • 定位指标波动，定位最细指标，辅助维度下转

2.4维度分析思维

1.数据分析：

• 利用维度分析
• 使用统计学
• 机器学习

2.维度：分析事物的角度

3.数据模型： 不同维度组合形成数据模型

• 事实表：具体事件，数值信息

  • 维：具体描述信息，关联维表的键，不记录具体信息
  • 度量：记录事件的相应值，可分层（度量在不同粒度完成聚合）

• 维表：对事实表中事件要素的描述信息

4.多维分析 *** 作

• 钻取drill-down：维的不同层次间的变化，从上层降到下一层，拆分到更细节的数据
• 上卷roll-up：钻取的逆。从细粒度数据向高层的聚合
• 切片slice：选维中特定的值进行分析
• 切块dice：选为重特定区间的数据进行分析
• 旋转pivot：维的位置的互换。