前言
数据分析师针对特定问题提出分析方案，有一个简单易用且强大的分析工具固然重要，但是有一个完整的数据分析思维体系更加重要。数据思维决定了分析问题的角度及合理性，特别是面对复杂业务场景时，对于业务的熟悉程度及数据思维显得尤为重要。
数据思维相关概念
数据思维是数据分析师分析问题的思路和角度。数据分析师是否具备良好的数据思维决定了数据分析的角度和合理性。
数据治理
其实数据是企业的核心资产，虽然数据本身看起来没有意义，但是通过数据分析师一步步去治理我们的数据，数据就会变得有意义起来。所以数据治理也是企业的核心工作之一，运用好数据能够为企业赋能。
具体来说，数据治理是指将零散的用户数据进行统一管理、统一存储。从而建立一个安全、高效的数据资产体系。
比如，当企业的应用系统有大量的数据时，通过对这些数据进行分析、汇总与梳理，找出数据中存在的问题，形成完整全面的应用系统业务报表；
在此基础上，对现有业务报表进行数据加工；
并将加工后的业务报表导入到大数据平台中，与历史记录对比分析，实现业务和数据的有机结合。
在数据治理流程中，涉及前端业务系统、后端业务数据库系统以及业务终端的数据分析，从源头到终端再回到源头，形成一个闭环负反馈系统。
同样地，在数据治理流程中，数据部门也需要一套规范来指导数据的采集、传输、储存及应用。
数据治理流程总结为四个字，即理、采、存、用。
理：梳理业务流程，划分流程数据
采：数据采集
存：大数据高性能存储及管理
用：即时查询、报表监控、智能分析、模型预测
数据思维
一般都是从数据分析师的日常工作内容出发来定义数据思维，即数据埋点、指标体系和标准构建以及 BI 分析，如下图所示。
【数据埋点】
数据埋点是一个极其考验数据分析师数据敏感度的工作。前期数据分析师需要参与到数据规划和采集的过程当中，以便更快地拿到数据，从而提高分析效率。数据埋点的工作中，数据分析师需要有强大的预见功能，预见以后可能会发生的各种场景，从而在各种合适的位置进行数据埋点。只有提前规划好才能减少因为数据埋点造成的分析延期情况的发生（因为数据埋点工作一般需要开发配合完成，如果前期没有埋好点。造成的后果不仅仅是基础数据收集不全，还涉及到人员的工作安排，以及部门之间的工作交涉）。
【指标体系】
构建体系和标准也是数据分析师的主要工作之一。好的评价标准和指标体系能够直接反映业务问题，同时能够帮助数据分析师快速定位业务问题，以辅助业务方进行决策。
如何选择最能监控业务变化的数据指标，如何通过数据指标体系减少日常的临时取数需求是数据分析师值得思考的问题。
【BI 分析】
数据分析过程当然少不了商业智能分析，包括各类活动效果分析、版本变化分析、用户分析、流失分析等。
商业智能分析可以总结为探究原因、评价效果以及活动预估三大模块。
分析结果通常以分析报告的形式来展现。一份好的分析报告能够给业务方的发展提供多种思路，也是数据分析师最重要的价值体现。
目前国内也有很多好的 BI 工具，如 DataEase、FineBI 等。
直观解释
【构建有效的监控体系和客观的评价标准】：需要哪些数据、哪些指标、指标如何定义、如何选取多个指标构成一套监控体系都涉及很多细节，这些细节设计得是否恰当关系到监控体系是否能反映业务的真实情况。
【用合理的分析方法探究原因以及评价效果】：针对特定的场景和实际的数据，选择合适的图表（漏斗图等），利用合适的分析方法（PEST、SWTO、4P理论、竞品分析等方法分析）。
【综合运用统计学知识对活动效果进行预估】
如何培养数据思维
数据分析方法
【三大分析思维】
- 对比思维：衡量数据整体大小、数据波动及数据变化趋势。
- 对比分析
- 线上试验
- 分群思维：根据样例特征对样例分群，是贯穿数据分析全链路的分析思维。
- 结构化分析
- 同期群分析
- RFM 模型
- K-Means 模型
- 相关思维：
- 相关性与因果性
- 因果推断
树立目标意识
- 对于不同的业务和场景有正确且专业的理解；
- 通过多问“为什么”挖掘出需求的真正目的；
- 基于分析结果及自己的经验提出更合理的解决方案。
遵循客观标准
作为数据分析师，需要建立标准，凡事不预设立场，通过客观的标准代替主观的判断。
基本流程是：不预设立场 -> 与特定标准进行比较 -> 排查原因 -> 定位问题。
提出可行方案
数据分析不是简单的数据罗列，而是要结合数据进行分析，给出需求方结论的，另外还要提供出切实可行的方案。
基本流程是：给数据（列出实际且明确的数据） -> 给结论（结合数据给出现在的结论） -> 给观点（根据结论给需求方提出切实可行的建议）。
切忌以下几点：
- 目的不明确的前提下去堆砌数据；
- 只摆出结论不给实际方案；
- 提出的方案无法正常落地。
