顶尖顾问：七大数据思维！

经常有同学问我一些数据的问题，看了很多数据但是没有感觉，不知道应该怎么分析和判断，有些同学觉得自己对数据不敏感，为此专门整理了这套数据分析的思维方法，帮助大家按照套路用数据去了解一块新的事情或业务。

本篇文章很重要，耐心读完读懂不易，可以先收藏保存，后续慢慢阅读理解实践。

一、整体思维

面对一个陌生的业务/场景，可以通过总量对于整体形成判断，通过渗透率/占有率了解当前的所处的发展阶段

1. 总量分析

看懂了整个市场，你对行业就有了基础的认知和判断，具备了初步跟行业内人交流沟通的基础，同时也对这个行业历史、现状有了初步的认知，找到影响行业发展的关键要素或驱动力，可以形成对行业未来发展的初步判断。

通过对市场规模及其各个组成部分的拆解，我们将会对业务的发展形成基础的判断，当我们对整体市场有一个初步的判断后，你就可以从这角度切入，并且跟行业内的人进行对话了，抛砖引玉，引出他们对这一趋势的见解。

2、渗透分析

渗透率/占有率分析帮助我们了解当前的发展阶段、严重程度、竞争优劣等状况。

总体的分析让我们了解整体的市场，渗透率分析让我们了解每个组成部分，看清竞争格局，整体和部分使我们对业务的判断更加精准。

二、构成分析

构成分析：通过构成分析判断各个组成部分的贡献度/影响度

构成分析是数据分析师常用的分析方法之一，可以帮助我们迅速找到对整体影响最大的部分，从而发现问题，二八法则就是其应用之一。构成分析也叫做结构分析或比例分析，是用来分析和揭示一种事物的组成部分及其占比的一种普遍性分析方法。

假设你入职了某家互联网公司，其最新一期的财报如下，其主要业务有电商（国内零售【分自营和平台】、国际零售、本地生活、物流服务等业务）、云、数字娱乐等；从下图我们可以看到每块业务的规模、同比增速、EBITA利润率等数据，从这个构成中，我们知道最大的规模来自于国内的零售业务，尤其是3P业务，那么看完下标材料的话，你应该知道如何选择了，规模大、增速快、EBITA利润率高的业务，如果是你，你会PICK哪块业务呢，相信你已经有了判断。

三、分类思维

分类思维（Categorical thinking），分类的本质是探寻事物的共性与差异性，这是我们认识和理解世界的基础方法和能力。在分类之上，才可能去判断、推理，才能形成概念，做出决策。

案例

双11后某电商企业退货增加了32.2%，作为运营的负责人，你会如何去解决这个问题呢；如果你是数据分析的负责人，你会给什么建议？

一般分为两大步骤：

步骤1-对比分析确定是绝对值还是比率的问题：退货增加了，我们分析是否跟双11整体销量增加有关，需要关注退货率指标

当然，我们生活中有很多分类思维的案例：

• 垃圾分类：可回收垃圾（废纸、塑料、玻璃、金属和布料五类）、湿垃圾（厨余垃圾）、干垃圾（其他垃圾）、有害垃圾

• 图书分类：《中国图书分类法》

• 超市分区：饮料区、蔬菜区、水果区、熟食区、水奶区、纸品区、家杂区、休闲食品区、烹饪用品、文化用品

• 行业分类：联合国国际标准产业分类(ISIC)、北美行业分类系统(NAICS)、国家统计局的行业分类标准和中国证监会的《指引》、全球行业分类系统(GICS)、富时分类系统(FTSE)

除此以外，我们做商业分析中很多模型也都是分类思维的应用：如后文提到的 PESTLE、SWOT、BCG矩阵、RFM模型，以及波特五力分析、4P营销模型等等都是分类思维的应用。

分类思维也是人类思考过程中常用的一种思维方式，如数学，我们最早认识的是整数——有理数——无理数——虚数，每次对数的再分类都是一次认知的升级，都是人类历史的一次进步

最后，分类思维不是为了分类而分类，分类是为了更好的探究事物的本质，结合对比思维、时间序列思维等方法，找到事物的发展规律或影响事物发展的根本原因。

四、对比思维

对比思维是数据分析师常见的思维方法之一，因为我们面对一个绝对的数值，是很难做出判断的，需要找到一个参照系，通过对比做出判断。

对比思维就是利用不同事物的相似性找到数据的变化特点和发展趋势，以及找到影响这种差异的原因、优化差异的方法，它是数据分析最基础最常用的方式。

如一个简单的问题：

国外某外卖平台针对不同类型的合作商户设定相关的抽佣政策，到店自取抽佣比例为6%，平台提供配送服务收取15%的服务费，平台提供配送并保证最低订单数量最高抽佣比例为30%。现有一商户A入驻平台，且均为自配送（自己配送给用户），当月在该外卖平台交易额为100万元，则其应该支付多少的佣金给到平台（）？

A、6万 B、15万 C、30万 D、不知道

这道问题咋看起来没有答案，因为前面没有提到自配送商户的抽佣比例是多少？但是对于数据分析来说，通过对比会发现，商户自配送和用户到店自取 两种形式下平台都是提供流量价值，并未提供相关的物流服务，所以从商业意义上来说两者应该是一致的，都是6%的抽佣比例，所以本题建议答案是A。（当然不排除某些平台通过不平等条件让用户做出倾向性的选择，这就不在本题进行讨论了）

此外，还有类似的问题

某电商平台今年GMV同比增速达到30%，交易额达到1万亿；你觉得这家电商平台做得怎么样？

说实话，仅仅这个数据是无法做出判断的，缺少了瞄定的对照物；如果是跟GDP增速比（假设GDP同比增速7.5%），该电商平台是GDP增速的4倍，这个表现非常不错了；如果竞争对手同比增速120%，那远远落后于竞争对手了，只有竞对增速的1/4；如果整个电商市场，交易额GMV增速为31%，那么跟行业基本持平。所以，仅仅一个数据，没有选定对照物，我们是无法做出合理的判断的；如果对照物选择不合理，对比也就没有意义。故而，对比思维需要我们选择相同属性的事物在相同的维度上进行对比，从而得出判断结论。

对比分析时 我们需要关注对标标的的选取，必须有共同点具有可比性，必须保证同一时间段内相同或类似事物的对比分析，从而发现某种规律。

五、逻辑树思维

1、什么是逻辑树？

再茂盛的树，我们也能顺着每一根树枝往下追寻，最后找到树干；同样，无论一个事件、一个问题有多复杂，我们都可以顺着影响事物发展的因素，层层追根溯源，从而帮助我们抓住问题的核心，及时准确地解决问题。这是麦肯锡逻辑树分析的来源。

我们可以把一个已知的问题作为一个树干，然后开始思考这个问题与哪些相关的子问题或者子任务相关。每次想到什么，就给问题(也就是树干)加上一个分支，指明这个分支具体代表什么问题，此外，分支可以进一步分叉，一个大的分支可以有多个小分支，以此类推找出所有相关项的问题。

这就是逻辑树分析法，也叫问题树、演绎树或分解树。逻辑树分析的核心作用是，当我们面对一件复杂的事情或问题时，我们可以有一个分析和思考的切入点，而不是毫无头绪、无处可寻。

2、逻辑树的类型

逻辑树分为三种类型：议题树、假设树和是否树。

议题树一般在在解决问题过程的早期使用，这时还没有足够的可以形成假设的基础，议题树将问题分解为可以分别处理的利于操作的小问题，便于逐个解决，也可以作为团队成员的各自的任务，分工合作共同完成。

假设树一般在对情况有足够多的了解，能提出合理的假设的时候使用，假设树可以较早集中于潜在的解决方案，加快解决问题的进程，而非全部去尝试。

是否树一般在对事务及其结构有良好的理解的时候使用，可以将此作为沟通工具，确认对目前要做的决定有关键意义的问题，通常在项目后期使用。

3、为什么使用逻辑树？

逻辑树用来梳理项目思路清晰明白，主要有以下作用：

• 将问题拆解成“树干”和“树枝”，通过问题与问题的关联，识别哪些是必须的，哪些是证明前提假设的重点，可以根据需要区分轻重缓急；

• 个人使用时能帮助理清思路，将大问题分解为利于操作和解决的小问题，便于找出问题的所有相关项，以此确保问题获得完整的解决；

六、漏斗思维 Funnel Analysis

漏斗思维是用户增长中常见的一种分析方法，也是数据分析师常见的思维形式之一，也可以称作流程思维；漏斗思维是一种线性的思考方式，一般按照任务的完成路径，识别出几个关键的行为转化节点，分析行为点间的转化与流失情况，进而定位问题，指导决策。

漏斗模型的应用领域比较广泛，如：

• 用户增长漏斗：acquisition（获取用户）、activation（激发活跃）、retention（提高留存）、revenue（增加收入）、referral（传播推荐）

• 招聘漏斗：关键节点邀约、到访、面试（初试、终试）、offer发放、入职，这个模型展示了公司获取人才的完整链条，经过层层过滤、渗透，将外部候选人转变为自身员工的过程

• 客户营销转化漏斗：平台的广告展现-点击-访问-咨询-成交这个过程中，每个流程都伴随着流失和跳出，说明各个阶段存在的问题和改进的空间

• 其他：销售漏斗、投资漏斗、广告/营销漏斗等

之前有同学问，面试中面试官问到一个问题 ：“某教育机构利用公众号或者大v博主推广试课，很多公众号或者大v为了拿更多佣金，可能会找人刷单，如何判断用户刷单情况以及如何解决该问题呢？”

公众号宣传推广会的转化链路为：曝光（阅读公众号时观看到消息）--点击（点击广告，进入落地页）--报名（提交手机号等信息报名）--是否参与听课，如果某一个渠道来源点击转化率相对于其他同类型渠道高，而报名后参加活动转化率相对同类型渠道偏低，那么这个渠道肯定会有问题，此时可以作为异常点去寻找原因了（真实的用户数报名后会有真实的需求出来，会有部分人因为时间等因素不能参加，但报名上课率相对稳定；而作弊的用户由于其需求不真实，其转化率相较正常情况下会严重偏低；或者真正听完课程的比例相对较低）。

一般涉及到转化流程的问题，我们都可以考虑漏斗思维，主要有以下四个步骤来分析：

步骤1：梳理业务转化流程，了解业务现状

步骤2：时间序列对比，看清楚自己不同时间周期内的转化率趋势

同上步骤，可以分析不同周期（周/月）转化率的变化趋势，看看哪些月份加购物车后提交订单的转化率高；哪些时候加购物车的概率高，一般情况下会保持在某个区间变化，异常值需要引起关注，找出关键指标波动的原因，是因为我们的方法策略有效果了还是市场在发生变化，如果是我们的策略原因需要及时复盘或调整；如果是市场的原因，可以进入下一个环节，并且最终决定基于市场环境变化，我们该如何应对。

步骤3：跟同类型其他事务作对比，看看差异有多大，区分优劣

如都是互联网公司，阿里、京东和拼多多哪个整体转化率最高，以及我们该如何去提升我们的转化率，可以通过对标分析提高我们的指标数据。当然也可以同公司内部相同部门作比较。当然因为该步骤的数据可能会涉及到竞争对手，获取难度相对较高，一般以上市公司披露数据或有第三方调研数据作为参考，如果数据无法获取，此步骤可以略过。

步骤4：通过以上分析对比，形成判断或建议。

七、下钻思维

• Operating efficiency, which is measured by net profit margin;

• Asset use efficiency, which is measured by total asset turnover;

• Financial leverage, which is measured by the equity multiplier;

If ROE is unsatisfactory, the DuPont analysis helps locate the part of the business that is underperforming.

杜邦分析如此，对于其他业务的分析也是如此，如TME的社交娱乐服务收入分析，社交娱乐服务收入=社交娱乐服务月活MAU *付费渗透率 *人均ARPU，业务运营需要围绕着活跃用户数量、付费用户占比以及单均付费的金额来展开，譬如可以通过听歌页面导流，将音乐用户转化为社交娱乐用户；通过推荐喜欢的主播或歌曲，提高付费渗透率；通过PK，提高人均付费金额。

下面有一个简单的面试题：“中国移动游戏2021年人均ARPU达到343.8元，同比去年增长7.2%，中国移动游戏市场规模高达2965亿元。”这句表述是否正确？

很多人不知道该怎么回答类似的问题，也没有相似的常识，因为从基础语句上来说没有任何问题，但实际上隐含了一个下钻思维涉及的条件，移动游戏市场规模=移动游戏用户数*人均ARPU；题目中给出了两个变量，我们可以求出 移动游戏用户数，约在8.5-9亿用户之间（口算得出，计算机算出是8.6亿），而我国人口14亿，网民数10亿出头，游戏用户占比只有60%-70%之间，无法达到8.6亿，从而判断该问题是错误的。

我们需要具备这类数据的思维，因为很多时候我们听到被人演讲、面试候选人、或者汇报时都会遇到，这类数据如果前后矛盾，就说明演讲者可能未负责该项目，或者数据Sense较为一般。

很多时候我们看到数据觉得杂乱无章，而我们通过下钻思维，将所有的数据指标按照业务的逻辑重新组织起来后，将会帮你发现数据背后的业务问题。

综上，数据分析还有很多思维的方式和方法，每种思维都不是单一存在的，而是综合使用的，具体的会根据我们要分析的问题、所具备的数据基础等因素酌情考虑使用哪些方法，从而做出你的解读和判断。当然，如果需要熟练掌握，还需要在工作中反复练习、思考、总结，建立起自己的思维方式。

2月份中标信息：

1、

2、

3、