数据分析小白，如何用思维方式决定行动结果？

数据分析（DataAnalysis）——这个词真是雷贯耳，装B一绝！不管是什么东西，上来先整整一遍再说。“数据分析”甚至被提上了神坛。找工作或者聊聊行业的动态，不提数据是混不下去的。坦白说，我对“数据分析”的概念知之甚少。我唯一的理解是：统计数据、分析数据和大数据（BigData）。文本如何分析产品的数据？或者对于像我这样的数据分析小白来说，从哪里开始数据分析？思维方式决定行动结果。第一点:什么是数据分析？数据分析是指通过适当的统计分析方法对收集到的大量数据进行分析，提取有用的信息，形成结论，对数据进行详细研究和总结的过程。在实际应用中，数据分析可以帮助人们做出判断，从而采取适当的行动。当然，在我看来，数据本身并没有任何价值。正是因为分析方法的存在，原本毫无价值的数据才大放异彩。第二点:为什么数据分析？有人说老板要看数据；也有人说VC投资需要；也有人说公司运营需要...数据需求的原因有很多。我觉得现实中大部分人做数据是为了获得产品的客观情况，有所作为。(我能这么想，大概是因为我是个乐观的孩子吧？）事实上，数据分析的原因如下：1、评价产品机会：在产品概念的早期阶段，必要的需求研究和市场研究尤为关键。产品机会评估对后期产品设计和迭代至关重要，甚至决定了产品的未来和核心理念。2、分析解决问题：产品出现不良情况，一定有原因。不可能凭空想象问题，必须尊重客观现实。只有通过必要的数据测试，才能追溯到问题的源头，然后制定合理的解决方案，彻底解决问题。3、支持运营活动：您的产品功能上线后效果如何？A方案和B方案哪个更好？所有这些问题都涉及到一个“标准”问题。恐怕数据是判断一个问题质量最可靠的方法。我以前说过，“人是不可靠的，人们总是愿意相信自己想看到的。“只有给出真实、可靠、客观的事实-数据，才能对具体活动做出最真实的判断。4、预测优化产品：数据分析的结果不仅能反映以往产品的状态，即所谓的后见性数据，还能给出未来产品可能遇到的问题，即所谓的先见性数据。一个真正的数据指标必须付诸行动。后见性和先见性数据都可以付诸行动，区别在于先见性数据可以预测未来会发生什么，缩短迭代周期，精益求精。第三点:如何分析数据？1、数据建模：了解数据分析的动机，什么样的数据指标能达到预期的效果？所以首先要解决数据指标的定义，个人认为建立数据指标模型要考虑以下三个要素:a.综合考虑商业模式和商业场景B.聚焦数据指标背后的原始动机c.多维度考虑数据可行、简单、易于比较。当然，你不能凭空盲目地编造数据，对吧？！通常有三种方法可以设计数据指标模型：a.优化现有指标，合理交叉数据指标可能会带来意想不到的惊喜；b.借鉴其他行业制定的不同行业的数据指标；c.专注于实践和探索更有价值和有意义的数据指标；数据分析目标的调整必然伴随着数据指标的变化。尊重事实，实事求是，了解数据指标调整的意义和可能对产品产生的后续影响，我认为这是一种可取的改变态度。如果只是为了改变而改变，忽视事实，期望低，这种调整有什么意义？2、数据源：数据分析的对象是数据，数据从何而来？数据本身的准确性从根本上影响了分析结果的有效性，因此确保数据源的有效性和可靠性至关重要。我认为数据源不超过以下三种：a.自有数据分析系统-公司自有数据是最可靠、最全面的数据源质化数据。一般来说，如果条件允许，以内部数据为准；当然，大多数创业微型公司直接从数据库中导出数据，这仍然取决于产品经理的二次处理。b.定量/定性研究-如果没有全面的数据怎么办？或者想要分析的数据无法统计？所以，拿起电话，走上街头，发问卷都是可行的。定量数据排斥主管因素，定性数据吸收主管因素。其实定性数据有很多不确定性，但也有其他数据指标没有的优势——就是和真实用户交流收入，有血有肉。c.艾瑞咨询、百度统计、易观智库、199IT-互联网数据中心等知名研究机构。一般来说，权威结构统计研究的数据仍然具有很强的参考性，但不能完全免除主观因素。3、数据分析：简单的数据不能给我们带来太多的结论，或者使用某些方法和手段使数据更加生动和有意义。a.集成开发数据分析系统——通过技术手段直接将所需的数据指标设计成产品功能，可定期、定量地直接生成BI报表。b.面对元数据而不是现成的结论性数据，产品经理只能亲自操作EXCEL的各种函数。面对大量的数据，心态非常重要！c.委托分析机构——有钱，任性，够嘴，请人分析。如果一切都依赖于他人，那么产品经理就会立即失去价值……4、分析方法：有效的数据分析方法可以深入挖掘数据的价值，精益数据分析大致介绍了以下三种分析方法。a.市场细分（Segmentation）——市场细分是一组具有一定共同特征的样本。市场细分不能应用于互联网产品，对任何行业、任何形式的产品都具有积极的参考意义。b.同期群分析（CoghortAnalysis）——随着时间的推移，同期群体分析为我们提供了一个全新的视角。在生命周期的不同阶段观察用户的行为模式，而不是忽视用户行为的过程。c.多变量测试（MultivariateTesting）——与此同时，对多个因素进行分析，用统计方法剥离单一影响与结果中某一指标提升的相关性。同时，改变产品的许多方面，看看哪一个与结果最相关。数据分析的核心不是数据本身，而是通过科学有效的手段设计有意义、有价值的数据指标，然后发现问题优化迭代。数据分析因价值而存在，数据分析是一个价值增量的过程。无论分析给出的结果是积极的还是消极的，它们都是价值的载体，必须以客观的态度面对。数据分析是检验产品想法最有说服力的工具，但忽视了数据分析背后的人性思维，数据分析从根本上失去了意义。彼得，管理大师。德鲁克说：你不能衡量你不能管理的东西。数据分析可以有效地平衡产品经理本身的内在妄想，帮助我们找到更合适的产品和市场，甚至创造一个更可持续、可复制和可持续增长的商业模式。