数据分析的结构层次
- 底层数据的收集/产品端收集
数据采集简称埋点，收集用户在网页端，产品端，客户端等终端的数据，也包括第三方外部数据。
用户行为-原始数据 - 数据业务化/产品需要什么样的数据？
将收集的数据转换为可理解，可量化，可观察的业务指标。单纯的数据没有意义，只有和业务结合起来才能发挥价值。
原始数据-加工数据 - 数据可视化/产品的表现如何？
有了数据指标，必须管理好指标，数据分析体系即数据指标体系，指标需要监控和衡量。
加工数据-可视化数据/信息 - 数据决策和执行/怎样让产品更好
当从数据虫获得了洞察，就需要把洞察转换成策略。这也是包含分析的过程。执行既包含策略的制定，也包括优化和改进，这是持续的。
可视化数据/信息-数据决策 - 数据模型/产品开始自动化和系统化的运营
这是将决策制成数据应用和产品，当你洞察到数据中蕴含的规律，什么样的用户喜欢，什么样的商品会被购买，什么样的活动形式更好，就尝试把这些做成系统。
数据决策-数据产品/应用 - 数据战略/指导未来
当积累了大量数据，大量模型，大项数据应用时，公司级的数据体系已经具备雏形。它不只是数据分析，而是应该将数据变现。
数据工具-数据体系/战略
结构图
数据分析图，从下往上看。
数据分析思维
数据分析的三种核心思维
- 结构化
- 公式化
- 业务化
结构化
看一下在实践中遇到的问题
分析案例
错误的想法
结构化的清晰表示
结构化
结构化的思维来源于麦肯锡，大名鼎鼎的金字塔思维。
结构化的思考方式
- 核心论点：
寻找金字塔的顶层，它可以是假设，是问题，是预测，是原因。比如说上面的案例中的「8月份销售额度下降」 - 结构化拆解：
自上而下，将核心论点层层拆解成分论点，上下之间呈因果或依赖关系。 - MECE
相互独立，完全穷尽。论点之间避免交叉和重复，分论点们要尽量完善。 - 验证：
不论核心论点还是分论点，都应该是可量化的，用数据说话。它们必然是可验证的。
上边案例的分析思路：
金字塔分析
在机构化思维中思维导图经常被用到，通常适合单兵作战：
xmind
但是结构化不是完美的。
公式化
结构化是分析的思维，但他还不够数据，而且难免有发散的缺点。
公式化
公式化不会用到统计学，数学的原理，通常只是加减乘除。
比如：
- 销售额由什么组成？
销量和客单价相乘。 - 利润由什么组成的？
销售额收益和成本相减 - 销售额是单一的维度吗？
不是，销售额是多个商品/SKU的总和 - 地区销量由什么组成？
不同线下渠道的累加 -
销量还能在细挖吗？
不妨想象成人均销量和购买人数
公式化的思维导图
公式化的应用场景
- 不同类别的业务叠加可以用加法
- 减法通常用来计算业务之间的逻辑关系
- 乘法和除法是各种比例和比率
获取用户的案例
获取用户
业务化
如何预估上海地区的共享单车投放量？
- 从城市流动人口计算
- 从人口密度计算
- 从城市交通数据计算
- 从保有自行车计算
从结构化和公式化分析会出现片面化的感觉，通常会有什么因素会被我们所遗忘。所有我们要综合三者来考虑问题。
三者对比
- 结构化 + 公式化
道理懂了很多，但里分析水平大成，总还是差了一些，不知道原因在哪里？ - 业务化
为分析而分析，却没有深入理解业务，俗称不接地气。好的数据分析思维，本身也是具备业务思维。
这个例子中数据分析得出了结论，这些结论看似是一个正确的结论，但都不是的。
比如说效率低的原因是什么，是最近奖金不多，还是夏天太累。产品质量不佳是因为原材料不好还是什么。
所以用结构思考 + 公式化解，获得的最终分论点。很多时候，是现象，数据是某个结果的体现，但并不代表原因。要想真正了解还需要加上业务思维深究一层。
但通常来说数据分析人员和业务方的交流不是太好，接触不是太频繁也是分析不到位的原因。这个时候就需要：
1、多和业务方沟通
2、多从业务方的角度看待问
3、最好能参与到业务中去
总结
- 结构化思维：捋顺思路
- 结构化数据：将其可视化
- 结构化业务数据：落地，贴合业务
数据分析的思维技巧
数据分析技巧
三种核心思想是框架型的指引，实际应用中也应该借助思维的技巧工具，达到四两拨千斤的效果。并且，他们应该足够简单和有效。
七种基础方法
象限法、对比法、二八法、漏斗法、指数法、假设法、多维法
