数据分析师如何完成原始的业务逻辑积累？

面对数据异常，我们常常会出现“好像是A造成的？“看起来也和B的原因有关？主观猜测是“C操作不当”。或者，要得到一个分析问题，分析“11月销售数据下降的原因”，无论是从产品层面还是渠道层面。显然，这种思维是混乱的。做数据分析，首先要有逻辑思维去看一件事，然后用数据来证明他。我们经常听到两种推理模式，一种是归纳，一种是演绎。这是麦肯锡思维中两种非常经典的方法。工作中的所有问题都可以以总结或解释的形式进行分解。我喜欢称这个过程为“解构”。这两种思维模式可以帮助数据分析师在此基础上快速定位业务问题，提高分析效率，完成原有的业务逻辑积累。1、结构化思维归纳实际上是将复杂问题分解成各种单一因素的过程，并对这些因素进行总结和整理，使其有组织、有规律。这个过程就像抽丝剥茧，把一团乱麻理顺利。如何练习结构化思维将使用一个非常重要的工具，即金字塔模型。根据金字塔原理，“中心论点可以从中心论点出发，可以由三到七个论点支持，其他分论点可以从每个一级论点衍生出来。通过这种发散，可以形成以下金字塔结构思维方式。但是当你还没有掌握这种结构化的思维方式时，就很难直接使用它。此时，金字塔原理中的MECE法则可以用来思考结构。具体操作方法如下：A.尽可能列出所有思考的要点B.找出关系，进行分类。他的原则是论点相互独立，不重叠；论据被分割得很差，没有遗漏。比如现在有线下销售的产品。与去年同比，我们发现8月份的销售额下降了20%。我想观察时间趋势下的波动，看看是突然下降还是逐渐下降。然后根据不同地区的数据查看差异，是否有区域因素。我也要问几个销售人员，看看现在的市场环境，听说有几个竞争对手也缩水了，是不是这个原因。用结构化思维梳理，就是用这种方式思考，可以保证思维的点成系统，逻辑严谨，元素不凌乱不打架，思维的点耗尽。长期练习这种方法不仅更容易找到逻辑结构，而且更容易培养你的结构化思维。具体来说，你可以阅读书籍：金字塔思维2、假设演绎思维以情况为起点的推理方法是归纳推理，以规则为起点的推理方法可称为演绎推理。例如：一个自营的电子商务网站，现在想提高商品的价格，让你分析销售会发生什么变化？首先，我们可以确定销量会下降多少。在这里，有必要假设商品流量、价格上涨后转化率的变化，然后根据历史数据总结销售下降，以获得销售的变化。具体的变化可以根据过去的数据来拟合，统计学中也有一些科学的预测模型，以后会涉及到数理统计知识。假设第一步是以假设为起点，先提出问题，然后用MECE原则梳理相关因素之间的结构关系。在数据分析的早期阶段，总结和解释思维是必要的，面试调查逻辑思维只不过是这两点。在实践中，可以根据不同的项目要求进行组合应用。经过一定阶段的培训，有助于提高业务熟悉度。业务初始积累完成后，扩展推理的水平和组合可以在后续分析过程中逐步降低，问题原因定位的效率可以逐步提高。3、上述指标思维的分析思维有助于我们定性问题。接下来，我们应该介入数据和定量分析的方式。首先要掌握指标思维。假设有一家电子商务公司，我们想知道网站的运营情况如何？运营商向我们描述，我们的网站流量很高，比淘宝差，比JD.COM好。每天都有大量的新用户，老用户下单也很活跃。然后我就疑惑了。高流量是多少？如何衡量大量新用户？手机注册是新用户还是新用户？如何活跃下单？相信这样的问题只能靠运营商的经验来判断，经验带来的“后果”往往是拍脑袋的决定。如果你使用指标思维，你应该使用PV和紫外线来衡量流量，新用户的订单数量和比例来评估网站的创新，新老买家的比例和其他指标来衡量用户的活动。显然，该指标是定义、评估和衡量业务的标准。例如，网站相关用户访问量、停留时间、跳出率等。销售相关销售额、销售额、客户单价等。应该很好理解。设定指标有两种经验：1.“有总比没有强”。对于要监控的事物，尽量有指标。2.“一个好的指标应该用来衡量具体和可量化的东西”。例如，用户访问量、停留时间、跳出率等。下图解释了什么是指标化，这是数据分析思维的差异，也是典型的数据操作。指标系统有指标就够了吗？根据结构化思维，指标可以形成销售分析指标体系、生产指标体系、电子商务行业指标体系等系统。企业建立的数据分析系统通常细分为具体的可执行部分，可以根据设定的指标立即执行相应的计划，以确保正常运行。附上一个电子商务行业的指标系统，每个运营模块的指标系统在网上搜索了很多，可以参考建立，后面我会在我的文章中解释。建立指标体系的理念：可根据业务功能结构进行向上划分，映射更多维度，如渠道、运营、产品等相关模块，通过简单快速的沟通，将相关指标映射到主要模块，快速定位问题的原因。可根据因果结构进行分解，即指标分解，采用公式的方法。例如，收入=日常生活*支付率*arpu等指标的因果关系被划分，问题的原因可以通过定位指标的波动、定位最详细的指标和辅助维度的下降来明确。就像树枝一样，树枝不断从树干延伸，用指标评价量化业务，逐步形成健全的数据分析系统。4、维度分析思维最后，从分析的角度谈维度思维。当你有一个指标时，你可以开始分析，数据分析一般可以分为三类，第一类是使用维度分析数据，第二类是使用数据分布假设检查等统计知识，最后一类是使用机器学习。这里我们主要了解维度分析法。维度是观察数据的角度，如“时间”、“地区”、“产品”。在具体分析中，我们可以将其视为分析事物的角度。时间是一个角度，区域是一个角度，产品也是一个角度，所以它们都可以被视为维度。当我们有维度时，我们可以通过不同的维度组合形成数据模型。数据模型不是一个深刻的概念，而是一个多维立方体。这一概念起源于商业智能OLAP技术。根据事实表进行数据（FactTable）和维表（DimensionTable）形式存在。事实表用于记录具体事件，如销售、销售、价格、折扣等具体数值信息。维度表是对事实表中事件要素的描述，如时间、城市、品牌、型号等。这是星形模型最简单的例子。事实表主要包括两个方面的信息：维度和度量。维度表中记录了维度表中的具体描述信息。事实表中的维度属性只是一个与维度表相关的键，不记录具体信息；测量通常记录事件的相应值，如此处产品的销售数量和销售额。维度表中的信息一般可以分层，如时间维度的日期、地区维度的省、市、县等。这种分层信息是为了满足事实表中的测量，可以在不同的粒度上聚合，如2016年商品销售、上海销售等。以下图为例，一个简化的分析模型由产品、城市和时间三个维度组成。在实际数据分析中，维度远不止三个。在数据库中，可能有两个表：我们可以以品牌为维度，分析手机销售，也可以以时间为维度，分析手机市场每年的份额。多维分析操作包括：钻取（Drill-down）、上卷（Roll-up）、切片（Slice）、切块（Dice）以及旋转（Pivot）。钻取（Drill-down）：维的不同层次之间的变化从上层降低到下层，或将汇总数据分为更详细的数据，如钻取2018年华为的总销售数据，查看各手机型号的销售数据。上卷（Roll-up）：钻取的反向操作，即从细粒度数据聚合到高层。总结江苏、上海、浙江的销售数据，查看江浙沪的销售数据。切片（Slice）：选择维中特定值进行分析，如只选择苹果手机的销售数据，或2017年的销售数据。切块（Dice）：选择维中特定区间的数据进行分析，如2016年2017年的销售数据。旋转（Pivot）：即维位置的交换就像二维表的行列转换，如图所示，通过旋转实现产品维度和区域维度的交换。为什么我们在这里花这么多的笔墨来谈论维度和测量？首先，在梳理分析思路时，我们经常根据时间维度、区域维度、产品维度等几个大维度进行分级和多方面分析，帮助我们成为“多方面分析师”。另一方面，BI商业智能也是基于维度，熟悉维度和数据模型的原理，可以更好地理解这个工具。(是的，这个东西以后要学)好了，整理数据分析的思维花了一天时间，大家慢慢消化。为了更好地巩固，建议您阅读《金字塔原理》，可以通过思维导图整理知识点，工具推荐Xmind和幕布。