做数据也有一段时间了，总结下目前对于数据的理解；抽象来看数据分析，可以分为两部分：「归纳」和「演绎」两部分
归纳（总结经验）
归纳方法：用于由于「果」推导到「因」，一般用于特殊推导出一般的分析思路。一般从个体属性出发，寻找因子，总结出一个一般的特性。
实际业务中，一般业务发现异动，通过归纳来找出异动的因子，「解释」已发生的情况 但是归纳法常见的犯的错误是「以偏概全」「」，比如
- • 正向 case ：只要出现 A ，都会有问题
- • 方向 case ：只要不出现 A ，都不会有问题
- • 结论：A 是导致问题的主要原因
归纳法需要较长时间的连续观察，并需要注意收集「反向」例子，防止出现「以偏概全」的问题
演绎（验证理论）
演绎方法：由「因」推导出「果」，由一般推导出特殊的分析思路；演绎与归纳刚好相反，从一般整体出发，寻找事物直接的路径，从而得出某个个体的特性。
实际业务中，基于已总结出来的因子，用来预估和预测个体
- • 假设：出现 A 就会出现问题
- • case 1：出现 A 的时候，确实出现问题
- • case 2：没有出现 A 的时候，确实没有问题
演绎法可以快速得出结论，并指导业务实际动作，但要注意收集反向例子
方法缺陷
- • 归纳：幸存者偏差，可能成功只是特定类型
- • 演绎：幸存者偏差，测试数量偏少，环境单一
所以上面两种放放都需要交叉验证，好结论需要实际沉淀
数据分析流程
当有业务咨询你的时候，可以采用下面这个流程来进行问题诊断
- 1. 描述问题，是不是问题，问题是多少
- 2. 寻找标准，问题是什么，好还是不好
- 3. 寻找原因，为什么出现这个问题
- 4. 预测未来，问题未来会怎么样
- 5. 综合判断，问题综合结论
看问题
当遇到是多少问题的时候，本质还是指标体系 + 常规走势；常见的业务问题，都有下面这些套路
- • 渠道分析（漏斗分析 + 矩阵分析 + 结构分析）
- • 商品分析（ABC 分类 + 动销率/周转率 + LTV）
- • 产品分析（漏斗分析 + UJM）
- • 用户分析（价值分层 + RFM）
核心方式：指标 + 维度 + 看指标的方式
找标准
高手与菜鸟的区别标志，主要就是找标准；凡是遇到：大小，多少，快慢的判断，都需要标准，高手在讨论问题之前，先明确、共识标准
当然也有一些分析方法是自带标准的
- • 周期分析：时间序列对比来发现
- • 趋势分析：时间序列对比发现
- • 矩阵分析：四象限指标对比发现
- • 分层分析：二八原则与平均对比发现
找原因
清晰的过程和结果判断，是找原因的前提 简单分析，可以采用下面这些方法
- • 结构分析法：总销售额 = A 部门 + B 部门 + C 部门
- • 指标拆解法：总销售额 = 用户数 * 付费率 * 付费金额
- • 漏斗分析法：总销售额 = 流量 * 转化率* 客单价
涉及复杂业务问题，可以结合上面「归纳」 + 「演绎」的思路综合来看问题
预测未来
假设：未来走势与过去一样，过去的场景未来会重现；其中假设条件很重要，决定了预测方法 两种基本假设：
- • 过去走势未来会出现（时间序列发，滚动预测法）
- • 过去影响因子，未来会同样影响（因果关系法，业务假设法）
滚动预测法 假设有稳定的因子（留存率），可以滚动预测后续半年或者一年的留存用户情况
综合判断
凡是单一指标不能描述好坏的，都是综合判断的问题，关键：维度 + 权重 维度会出现很多，但是权重一般主要下面三种
- 一票否决
- 优先级
- 加权评分制
先讲这么多吧，关于数据分析其实还有很大一部分内容，后续补充
