曾經有人問過我，什么是數據分析思維?如果分析思維是一種結構化的體現，那么數據分析思維在它的基礎上再加一個準則：

　　不是我覺得，而是數據證明

 　　這是一道分水嶺，“我覺得”是一種直覺化經驗化的思維，工作不可能處處依賴自己的直覺，公司發展更不可能依賴于此。數據證明則是數據分析的最直接體現，它依托于數據導向型的思維，而不是技巧，前者是指導，后者只是應用。

　　作為個人，應該如何建立數據分析思維呢?

　　建立你的指標體系

 　　在我們談論指標之前，先將時間倒推幾十年，現代管理學之父彼得·德魯克說過一句很經典的話：

　　如果你不能衡量它，那么你就不能有效增長它。

 　　所謂衡量，就是需要統一標準來定義和評價業務。這個標準就是指標。假設隔壁老王開了一家水果鋪子，你問他每天生意怎么樣，他可以回答賣的不錯，很好，最近不景氣。這些都是很虛的詞，因為他認為賣的不錯也許是賣了50個，而你認為的賣的不錯，是賣了100。

 　　這就是“我覺得”造成的認知陷阱。將案例放到公司時，會遇到更多的問題：若有一位運營和你說，產品表現不錯，因為每天都有很多人評價和稱贊，還給你看了幾個截圖。而另外一位運營說，產品有些問題，推的活動商品賣的不好，你應該相信誰呢?

　　其實誰都很難相信，這些眾口異詞的判斷都是因為缺乏數據分析思維造成的。

 　　老王想要描述生意，他應該使用銷量，這就是他的指標，互聯網想要描述產品，也應該使用活躍率、使用率、轉化率等指標。

　　如果你不能用指標描述業務，那么你就不能有效增長它。

 　　了解和使用指標是數據分析思維的第一步，接下來你需要建立指標體系，孤立的指標發揮不出數據的價值。和分析思維一樣，指標也能結構化，也應該用結構化。

 　　我們看一下互聯網的產品，一個用戶從開始使用到離開，都會經歷這些環節步驟。電商APP還是內容平臺，都是雷同的。想一想，你會需要用到哪些指標?

 　　而下面這張圖，解釋了什么是指標化，這就是有無數據分析思維的差異，也是典型的數據化運營，有空可以再深入講這塊。

 　　指標體系沒有放之四海而皆準的模板，不同業務形態有不同的指標體系。移動APP和網站不一樣，SaaS和電子商務不一樣，低頻消費和高頻消費不一樣。好比一款婚慶相關的APP，不需要考慮復購率指標;互聯網金融，必須要風控指標;電子商務，賣家和買家的指標各不一樣。

　　這些需要不同行業經驗和業務知識去學習掌握，那有沒有通用的技巧和注意事項呢?

　　好指標與壞指標

 　　不是所有的指標都是好的。這是初出茅廬者常犯的錯誤。我們繼續回到老王的水果鋪子，來思考一下，銷量這個指標究竟是不是好的?

 　　最近物價上漲，老王順應調高了水果價格，又不敢漲的提高，雖然水果銷量沒有大變化，但老王發現一個月下來沒賺多少，私房錢都不夠存。

 　　老王這個月的各類水果銷量有2000，但最后還是虧本了，仔細研究后發現，雖然銷量高，但是水果庫存也高，每個月都有幾百單位的水果滯銷最后過期虧本。

 　　這兩個例子都能說明只看銷量是一件多不靠譜的事情。銷量是一個衡量指標，但不是好指標。老王這種個體經營戶，應該以水果鋪子的利潤為核心要素。

 　　好指標應該是核心驅動指標。雖然指標很重要，但是有些指標需要更重要。就像銷量和利潤，用戶數和活躍用戶數，后者都比前者重要。

　　核心指標不只是寫在周報的數字，而是整個運營團隊、產品團隊乃至研發團隊都統一努力的目標。

 　　核心驅動指標和公司發展關聯，是公司在一個階段內的重點方向。記住是一個階段，不同時期的核心驅動指標不一樣。不同業務的核心驅動指標也不一樣。

 　　互聯網公司常見的核心指標是用戶數和活躍率，用戶數代表市場的體量和占有，活躍率代表產品的健康度，但這是發展階段的核心指標。在產品1.0期間，我們應把注意力放到打磨產品上，在大推廣前提高產品質量，這時留存率是一個核心指標。而在有一定用戶基數的產品后期，商業化比活躍重要，我們會關注錢相關的指標，比如廣告點擊率、利潤率等。

 　　核心驅動指標一般是公司整體的目標，若從個人的崗位職責看，也可以找到自己的核心指標。比如內容運營可以關注閱讀數和閱讀時長。

 　　核心驅動指標一定能給公司和個人帶來最大優勢和利益，記得二八法則么?20%的指標一定能帶來80%的效果，這20%的指標就是核心。

　　另外一方面，好的指標還有一個特性，它應該是比率或者比例。

 　　拿活躍用戶數說明就懂了，我們活躍用戶有10萬，這能說明什么呢?這說明不了什么。如果產品本身有千萬級別的注冊用戶，那么10萬用戶說明非常不健康，產品在衰退期。如果產品只擁有四五十萬用戶，那么說明產品的粘性很高。

 　　正因為單純的活躍用戶數沒有多大意義，所以運營和產品會更關注活躍率。這個指標就是一個比率，將活躍用戶數除以總用戶數所得。所以在設立指標時，我們都盡量想它能不能是比率。

　　壞指標有哪些呢?

　　其一是虛榮指標，它沒有任何的實際意義。

 　　產品在應用商店有幾十萬的曝光量，有意義嗎?沒有，我需要的是實際下載。下載了意義大嗎?也不大，我希望用戶注冊成功。曝光量和下載量都是虛榮指標，只是虛榮程度不一樣。

 　　新媒體都追求微信公眾號閱讀數，如果靠閱讀數做廣告，那么閱讀數有意義，如果靠圖文賣商品，那么更應該關注轉化率和商品銷量，畢竟一個夸張的標題就能帶來很高的閱讀量，此時的閱讀量是虛榮指標。可惜很多老板還是孜孜不倦的追求10W+，哪怕刷量。

 　　虛榮指標是沒有意義的指標，往往它會很好看，能夠粉飾運營和產品的工作績效，但我們要避免使用。

　　第二個壞指標是后驗性指標，它往往只能反應已經發生的事情。

 　　比如我有一個流失用戶的定義：三個月沒有打開APP就算做流失。那么運營每天統計的流失用戶數，都是很久沒有打開過的，以時效性看，已經發生很久了，也很難通過措施挽回。我知道曾經因為某個不好的運營手段傷害了用戶，可是還有用嗎?

 　　活動運營的ROI(投資回報率)也是后驗性指標，一個活動付出成本后才能知道其收益。可是成本已經支出，活動的好與壞也注定了。活動周期長，還能有調整余地。活動短期的話，這指標只能用作復盤，但不能驅動業務。

　　第三個壞指標是復雜性指標，它將數據分析陷于一堆指標造成的陷阱中。

 　　指標能細分和拆解，比如活躍率可以細分成日活躍率、周活躍率、月活躍率、老用戶活躍率等。數據分析應該根據具體的情況選擇指標，如果是天氣類工具，可以選擇日活躍率，如果是社交APP，可以選擇周活躍率，更低頻的產品則是月活躍率。

 　　每個產品都有適合它的幾個指標，不要一股腦的裝一堆指標上去，當你準備了二三十個指標用于分析，會發現無從下手。

　　指標結構

　　既然指標太多太復雜不好，那么應該如何正確的選擇指標呢?

 　　和分析思維的金字塔結構一樣，指標也有固有結構，呈現樹狀。指標結構的構建核心是以業務流程為思路，以結構為導向。

　　假設你是內容運營，需要對現有的業務做一個分析，提高內容相關數據，你會怎么做呢?

　　我們把金字塔思維轉換一下，就成了數據分析方法了。

 　　從內容運營的流程開始，它是：內容收集—內容編輯發布—用戶瀏覽—用戶點擊—用戶閱讀—用戶評論或轉發—繼續下一篇瀏覽。

 　　這是一個標準的流程，每個流程都有指標可以建立。內容收集可以建立熱點指數，看哪一篇內容比較火。用戶瀏覽用戶點擊則是標準的PV和UV統計，用戶閱讀是閱讀時長。

　　從流程的角度搭建指標框架，可以全面的囊括用戶相關數據，無有遺漏。

 　　這套框架列舉的指標，依舊要遵循指標原則：需要有核心驅動指標。移除虛榮指標，適當的進行刪減，不要為添加指標而添加指標。

　　維度分析法

 　　當你有了指標，可以著手進行分析，數據分析大體可以分三類，第一類是利用維度分析數據，第二類是使用統計學知識如數據分布假設檢驗，最后一類是使用機器學習。我們先了解一下維度分析法。

 　　維度是描述對象的參數，在具體分析中，我們可以把它認為是分析事物的角度。銷量是一種角度、活躍率是一種角度，時間也是一種角度，所以它們都能算維度。

 　　當我們有了維度后，就能夠通過不同的維度組合，形成數據模型。數據模型不是一個高深的概念，它就是一個數據立方體。

 　　上圖就是三個維度組成的數據模型/數據立方體。分別是產品類型、時間、地區。我們既能獲得電子產品在上海地區的2010二季度的銷量，也能知道書籍在江蘇地區的2010一季度銷量。

 　　數據模型將復雜的數據以結構化的形式有序的組織起來。我們之前談到的指標，都可以作為維度使用。下面是范例：

 　　將用戶類型、活躍度、時間三個維度組合，觀察不同用戶群體在產品上的使用情況，是否A群體使用的時長更明顯?

　　將商品類型、訂單金額、地區三個維度組合，觀察不同地區的不同商品是否存在銷量差異?

 　　數據模型可以從不同的角度和層面來觀察數據，這樣提高了分析的靈活性，滿足不同的分析需求、這個過程叫做OLAP(聯機分析處理)。當然它涉及到更復雜的數據建模和數據倉庫等，我們不用詳細知道。

　　數據模型還有幾種常見的技巧、叫做鉆取、上卷、切片。

 　　選取就是將維度繼續細分。比如浙江省細分成杭州市、溫州市、寧波市等，2010年一季度變成1月、2月、3月。上卷則是鉆取的相反概念，將維度聚合，比如浙江、上海、江蘇聚合成浙江滬維度。切片是選中特定的維度，比如只選上海維度、或者只選2010年一季度維度。因為數據立方體是多維的，但我們觀察和比較數據只能在二維、即表格中進行。

 　　上圖的樹狀結構代表鉆取(source和time的細分)，然后通過對Route的air切片獲得具體數據。

 　　聰明的你可能已經想到，我們常用的數據透視表就是一種維度分析，將需要分析的維度放到行列組合進行求和、計數、平均值等計算。放一張曾經用到的案例圖片：用城市維度和工作年限維度，計算平均工資。

　　除了Excel、BI、R、Python都能用維度分析法。BI是相對最簡便的。

 　　談到維度法，想要強調的是分析的核心思維之一：對比，不同維度的對比，這大概是對新人快速提高的最佳捷徑之一。比如過去和現在的時間趨勢對比，比如不同地區維度的對比，比如產品類型的區別對比，比如不同用戶的群體對比。單一的數據沒有分析意義，只有多個數據組合才能發揮出數據的最大價值。

 　　我想要分析公司的利潤，利潤 = 銷售額 - 成本。那么找出銷售額涉及的指標/維度，比如產品類型、地區、用戶群體等，通過不斷的組合和拆解，找出有問題或者表現良好的原因。成本也是同理。

 　　這就是正確的數據分析思維。總結一下吧：我們通過業務建立和篩選出指標，將指標作為維度，利用維度進行分析。

　　很多人會問，指標和維度有什么區別?

 　　維度是說明和觀察事物的角度，指標是衡量數據的標準。維度是一個更大的范圍，不只是數據，比如時間維度和城市維度，我們就無法用指標表示，而指標(留存率、跳出率、瀏覽時間等)卻可以成為維度。通俗理解：維度>指標。

 　　到這里，大家已經有一個數據分析的思維框架了。之所以是框架，因為還缺少具體的技巧，比如如何驗證某一個維度是影響數據的關鍵，比如如何用機器學習提高業務，這些涉及到數據和統計學知識，以后再講解。

 　　這里我想強調，數據分析并不是一個結果，只是過程。還記得“如果你不能衡量它，那么你就不能有效增長它”這句話嗎?數據分析的最終目的就是增長業務。如果數據分析需要績效指標，一定不會是分析的對錯，而是最終數據提升的結果。

 　　數據分析是需要反饋的，當我分析出某項要素左右業務結果，那么就去驗證它。告訴運營和產品人員，看看改進后的數據怎么樣，一切以結果為準。如果結果并沒有改善，那么就應該反思分析過程了。

 　　這也是數據分析的要素，結果作導向。分析若只是當一份報告呈現上去，后續沒有任何跟進、改進的措施，那么數據分析等與零。

　　業務指導數據，數據驅動業務。這才是不二法門。