详解丨思维模型、分析模型及指标体系

什么是数据分析？需要掌握哪些技能？如何进行数据分析？本文从数据分析的定义出发，全面梳理了数据分析的知识体系，详细介绍了分析思维模型、经典分析模型和指标体系。数据分析定义数据分析是指采用统计和挖掘技术对数据进行有针对性的收集、处理和整理，并对数据进行分析和解释。数据分析是对数据进行详细研究和总结的过程，以提取有用的信息并形成结论。数据定义数据是客观事实，是客观事物发生和发展的数字记录。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、图像和视频。数据可分为定性数据和定量数据。定性数据用于描述事物的属性、名称等，它是一种没有序列关系的标志。比如“性别”，“男”编码1，“女”编码2。定量数据描述量化属性，或用于编码。如交易金额、金额、商品数量、积分、客户评分等都属于量化属性。定量数据可以继续划分：定序数据、定距数据和定比数据。定序数据(Ordinal):数据的中间级，用数字表示个体在某种有序状态下的位置，不能做四个操作。比如“教育程度”，文盲半文盲=1，小学=2，初中=3，高中=4，大学=5，硕士=6，博士及以上=7。定距数据(Interval):具有间距特征的变量，有单位，没有绝对零点，可以做加减操作，不能做乘除操作。例如，温度。定比变量(Ratio):最高级别的数据包括测量单位和绝对零点，如员工人数和身高。大事记计算机时代数据分析的兴起，计算机的发展和计算技术的发展，大大加强了数据分析的过程。1880年，美国人口普查局花了7年时间处理收集到的信息，并在使用计算机前完成最终报告。使用此设备，1890年人口普查在18个月内完成。埃德加·科德·科德的关系数据库诞生关系数据库(EdgarF.Codd)1970年代发明，1980年代非常流行。关系数据库(RDBM)允许用户编写Sequelel(SQL)并从其数据库中检索数据。关系数据库和SQL提供了按需分析数据的优势，并且仍在广泛使用。它们易于使用，对准确记录的维护非常有用。数据仓库诞生于20世纪80年代末，由于硬盘驱动器成本低，收集数据的数量继续显著增加。在此期间，数据仓库的系统结构被开发出来，以帮助将来从操作系统的数据转换为决策支持系统。数据仓库通常是云或组织大型机器服务器的一部分。与关系数据库不同，数据仓库通常是优化的，可以快速响应查询。商业智能(BI)从80年代到90年代，数十家BI厂商进入市场。数据仓库技术的发展极大地促进了商业智能的发展，各地存储的传统商业数据开始集中在一起。应运而生的技术还包括ETL(数据提取、转换、加载)和OLAP(在线分析处理)。数据挖掘的兴起始于1990年代，是在当时多学科发展的基础上发展起来的。随着数据库技术的发展和应用，数据的积累不断扩大，导致简单的查询和统计无法满足企业的业务需求，迫切需要一些革命性的技术来挖掘数据背后的信息。从2000年到2010年，大数据的到来是大数据兴起和备受关注的时期，谷歌的“三驾马车”：谷歌文件系统，Mapreduce和BigTable。亚马逊还发表了一篇关于Dynamo系统的论文。这些论文为大数据时代奠定了基础。随着大数据的到来，大量数据和新技术的发展帮助公司将数据转化为洞察力。2012年9月，TomDavenport和DJPatil在《哈佛商业评论》上发表了《数据科学家:21世纪最性感的工作》。2017年，增强分析，RitaSallman，在Gartner的研究论文中，Cindihowson和Carlieidonies引入了增强分析的概念，并将其描述为一种新的数据分析方法，可以通过机器学习和自然语言生成(NLG)自动化见解。增强数据分析大大提高了数据分析的效率，降低了数据分析的门槛。每个人都可以像数据科学家一样自动钻取数据，并自动加载各种模型进行深入分析。VS数据分析VS数据科学VS商业智能商业智能(Businessintelligence)一般指用于业务分析的技术和工具，通过获取和处理原始数据，将其转化为有价值的信息来指导业务行动。维基百科全书被定义为一个能够将所有资源转化为认知的组织。数据科学(datascience)它是一个多学科领域，专注于从大量的原始和结构化数据中找到切实可行的见解。在这一领域，我们主要关注的是探索我们没有意识到我们不知道的答案。它结合了应用数学、统计、模式识别、机器学习、数据可视化、数据仓库和高性能计算等多个领域的理论和技术。数据科学利用各种相关数据帮助非专业人士理解问题。包括数据科学在内的三者关系数据分析是一个相当广泛的领域。数据科学是最近流行的一个术语。与传统的数据分析相比，它从数据中找到知识和见解，但在使用技能和方法上存在一定的差异。并非所有的数据分析都是商业性的，所以两者都有一定的交集。有些数据科学过程不是直接的商业分析，而是数据分析。例如，在石油行业，“钻井作业优化”需要数据科学工具和技术，这是数据科学家的日常工作。但是，我们不能将其与商业分析联系起来。虽然数据分析师和数据科学家都与数据打交道，但主要的区别在于他们如何处理数据。为了帮助企业做出更多的战略决策，数据分析师检查大型数据集，以确定趋势，开发图表，创建可视化表示。另一方面，数据科学家使用原型、算法、预测模型和自定义分析来设计和构建新的数据建模和生产过程。数据科学家、数据工程师和软件工程师的技能地图：为什么分析的本质是使业务更清晰，使决策更有效率。面对激烈的竞争、差异化的市场、多变的环境，企业在市场经济条件下往往会面临各种各样的问题。数据分析用于解决企业问题，识别机会，规避风险，诊断问题。综上所述，数据分析可以帮助我们:发生了什么:追溯过去，了解真相。为什么会发生:洞察事情的本质，寻找根源。未来可能发生的事情：掌握事务发展的规律，预测未来。基于你已经知道的“发生了什么”，我们该怎么办？、分析“为什么会发生”和“未来会发生什么”，帮助你确定可以采取的措施，即驱动行动。三、如何分析？分析的六个步骤：1。明确分析目的业务理解从事数据分析的前提是了解业务，即熟悉行业知识、公司业务和流程，并有自己的业务意见。若脱离行业认知和企业经营背景，分析结果的使用价值不大。如何理解业务？首先，我们需要了解我们的商业模式是什么？也就是说，我们以什么方式发生关系，最终产生什么样的商业价值。其次，要了解我们商业模式的核心要素，如客户细分、收入来源、关键业务、核心资源、成本结构等。此外，我们还需要了解宏观经济、市场影响、行业趋势等核心环境因素。明确目的数据分析的第一步不是分析数据，而是明确定义业务问题或目标。通过这个数据分析，我们想解决什么样的问题，实现什么样的业务目标？明确分析目的后，需要梳理分析思路，确定分析框架，即从哪些角度分析，采用哪些分析指标。在梳理分析思路时，运用和分析常见的思维模式，可以帮助我们更清楚地理解背后的逻辑线索，做到“不重不漏”(MECE)。常见的思维模式有:结构化思维模式、时间模式、逻辑解读模式和重要性思维模式。当然，今天，除了思维模式，我们还沉淀了许多经典的分析模型，它们经过了随机的沉淀和测试。如果你熟悉这些分析框架，你的思维会更快更有效。你可以事半功倍，而不用再开炉子了。例如：SWOT分析模型，STP分析模型，RATER指数模型。掌握分析思维模式思维模式是我们对客观世界的主观抽象描述。我们可以通过思维模式来分析问题，从而更准确地找到解决问题的方法。查理·芒格说：“思维模式是你大脑中做决定的工具箱。你的工具箱越多，你做出的决定就越正确。“1)一种以事物结构为思维对象，引导思维、表达和解决问题的思维方式。例如，麦肯锡的金字塔原理，5W2H7元素分析法。a)5W2H分析法，又称七问分析法，是二战中美国陆军兵器修理部首创的。简单方便，易于理解和使用，具有启发性。广泛应用于企业管理和技术活动，对决策和执行活动措施也很有帮助，也有助于弥补考虑问题的不足。b)结构化思维是指一个人在面对工作任务或问题时，可以从多个方面思考，深入分析问题的原因，系统地制定行动计划，采取适当的手段，使工作高效、高绩效。c)MECE原则MECE是MutuallyExclusivecolecleleclelyExhaustive，中文意思是“相互独立，完全耗尽”。也就是说，对于一个重大问题，可以实现不重叠、不遗漏的分类，有效把握问题的核心，解决问题。2)时间模型根据事物发展的时间线索进行分析。例如，用户行为5阶段模型：产生需求->信息收集->方案比较->购买决策->购买行为。3)逻辑演绎模型演绎模型分为三种标准演绎形式:大前提、小前提、结论。常见的4W模式：描述现象，分析原因，判断趋势，提出对策。a)麦肯锡七步分析法，又称“七步分析法”，是麦肯锡公司根据大量案例总结的一套商机分析方法。这是一种思维、工作方法，在实际应用中，对于新公司和成熟公司来说都是非常重要的。b)逻辑树分析法逻辑树将问题的所有子问题分层列出，从最高层开始，并逐渐向下扩展。企业资源的重要性是有限的，需要在刀刃上使用资源。优先考虑消费者的注意力，做好消费者的注意力可以给消费者留下深刻印象。例如，四象限分析提倡人们专注于处理重要但不紧急的工作，以便采取预防措施，采取预防措施。5)经典思维模式德尔菲法：一种高效重要的判断预测工具六顶思维帽：有效实用的决策沟通工具KT决策方法：最著名的决策模式头脑风暴方法：激发团队创新有效的决策工具垃圾桶模型：企业内部决策模式5W2H分析方法：有效的调查研究和思考决策树分析方法：现代管理决策者常用的有效工具综合方法：开发潜在创造力创新方法戈登法：适用自由联想技术创新技术奥斯本审计表：创造技术之母，掌握经典分析模型分析模型是对客观事物或现象的描述。为了分析其相互作用机制，揭示内部规律，可以根据理论推导、观测数据分析或实践经验设计模型来代表研究对象。为了分析其相互作用机制，揭示内部规律，可以根据理论推导、观测数据分析或实践经验设计模型来代表所研究的对象。经典的分析模型通常基于营销和管理。1)战略与组织SWOT分析:战略规划经典分析工具PEST分析:组织外部宏观环境分析工具BCG矩阵法:制定公司层面战略中最流行的工具GE矩阵:企业决定发展战略的分析工具定向政策矩阵:战略业务组合计划分析工具IE矩阵:识别企业分布地位的分析工具竞争态势矩阵:企业战略分析工具麦肯锡三级分析:企业设计战略规划、发展增长的有效工具波特五力分析:行业竞争战略中最流行的分析工具战略集团分析方法:行业内企业竞争格局分析工具战略钟模型:企业竞争战略选择分析工具核心竞争力分析:分析企业有效竞争和增长的重要工具波特价值链分析模型:寻求确定企业竞争优势的分析工具利益相关者: