中年在数据分析中，我们需要掌握这4种思维模式( 二 ) |数据分析|思维模式|

假设先行就是以假设作为思考的起点，先提出问题，然后用MECE原则梳理关联因素间的结构关系。
小结：归纳和演绎的思维是数据分析初期必备的，面试考察逻辑思维无非也是这两点。
实际情况中可针对不同的项目要求进行组合应用，在经过一定阶段的训练后，可以帮助提升业务熟悉程度；完成业务的初始积累后，后续的分析过程中就可以逐步减少拓展推理的层级及组合，逐步提升问题原因定位的效率。
三、指标化思维
上述的分析思维，帮助我们去定性问题，接下来我们要介入数据的方式，去定量分析，首要掌握指标化的思维。
假设有一家电商公司，我们想要了解网站运营的情况如何？运营人员向我们描述：我们的网站的流量很高啊，比淘宝差一点，比京东好一点，每天都有大量的新用户，老用户下单也很活跃啊。
那我就疑惑了，流量高是多少？大量的新用户怎么衡量？一个手机注册了算新用户还是新下单的用户？下单活跃又是怎么个活跃法？
这样的问题相信只能凭运营人员的经验来判断，而经验带来的“后果”往往是拍脑袋式的决策。
如果用指标化的思维，应该用PV和UV去衡量流量，新用户下单数和占比去评价网站的拉新，新老买家占比等指标去衡量用户活跃。
很明显，指标就是用来定义、评价和衡量业务的一个标准。
比如网站相关用户访问量、停留时长、跳出率等，销售相关销售量、销售额、客单价等，应该很好理解。
指标的设定有两个经验：

“有总比没有强” ，对于要监控的事物，能有指标的尽量要有指标。
“一个好的指标应该是用来衡量具体且可量化的事物” ，比如：用户访问量、停留时长、跳出率等。

下面这张图，解释了什么是指标化，这就是有无数据分析思维的差异，也是典型的数据化运营。

本文插图
1. 指标体系
有指标是否就够了呢？
指标按照结构化思维可以形成一个体系，如销售分析指标体系、生产指标体系、电商行业指标体系。
一家企业建立的数据分析体系通常细分到了具体可执行的部分，可以根据设定的某个指标异常变化，相应立即执行相应的方案，来保证运营的正常进行。
2. 建立指标体系的思路
向上：可以按业务职能结构划分，映射出更多维度，比如渠道，运营，产品等相关模块；将相关指标映射到主要模块，通过简单快速的沟通，快速定位问题原因。
向下：可以按因果结构划分，也就是指标分解，利用公式的方法。比如营收=日活*付费率*arpu等指标因果关系进行划分；通过定位指标波动、定位最细指标、辅助维度下转，能够清楚的问题原因；
就像枝丫一样，从主干不断延伸枝丫，将业务用指标评价量化，逐渐形成一个健全的数据分析体系。
四、维度分析思维
最后，站在分析的角度讲一下维度思维。
当你有了指标，可以着手进行分析，数据分析大体可以分三类：

利用维度分析数据；
使用统计学知识如数据分布假设检验；
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，例如“时间”、“地区”、“产品” 。
在具体分析中，我们可以把它认为是分析事物的角度；时间是一种角度、地区是一种角度、产品也是一种角度，所以它们都能算维度。
当我们有了维度后，就能够通过不同的维度组合，形成数据模型；数据模型不是一个高深的概念，它就是一个多维立方体。
这个概念最早来源于商业智能OLAP技术，数据按照事实表（Fact Table）和维表（Dimension Table）的形式存在。