數據分析師必懂的分析思維

數據分析師必懂的分析思維

　　在平日的學習中，很多人都經常追著老師們要知識點吧，知識點是指某個模塊知識的重點、核心內容、關鍵部分。那么，都有哪些知識點呢？以下是小編收集整理的數據分析師必懂的10種分析思維知識點，歡迎大家借鑒與參考，希望對大家有所幫助。

　　數據分析師必懂的分析思維

　　一、邏輯思維

　　邏輯思維即明白價值鏈，明白各項數據中的關系; 該方法的關鍵在于明白其中的關系要求你對這項工作要了解、熟悉，要細致和慎密，要清楚充分性和必要性的關系。 實際上也就是指：你需要那些數據?如何獲得這些數據?數據之間的關系如何?

　　二、向上思維

　　在看完數據之后，要站在更高的角度去看這些數據，站在更高的位置上，從更長遠的觀點來看，從組織、公司的角度來看，從更長的時間段(年、季度、月、周)來看 ,從全局來看，你會怎樣理解這些意義呢?也許向上思維能讓你更明白方向。 該思維方法的關鍵是：建立長遠目標、全局觀念、整體概念、完整地分析數據，不做井底之蛙。

　　三、下切思維

　　數據是一個過程的結果反映，怎樣通過看數據找到更多的原因以及隱藏在現象背后的真相，需要我們下切思維，把事物切細了分析，把過程拆分細了分析。此時 關鍵是要知道數據的構成、分解數據的手段、對分解后的數據的重要程度的了解。也就是說那些數據需要分解分析?這也如同 顯微鏡原理

　　四、求同思維

　　當一堆數據擺在我們面前時，表現出各異的形態，然而我們卻要在種種的表象背后，找出其有共同規律的特點。 關鍵是找到共性的東西進行分析，還要客觀。 實際上就如同：現在的整體數據表現出什么問題?是否有規律可行?

　　五、求異思維

　　每一個數據都有相似之處，同時，我們也要看到他們不同的地方，特殊的地方 。 這就需要對實際情況的了解，對日常情況的積累，對個體情況的了解，對個體主觀因素的分析。 正如：你了解你的下屬員工嗎?如何幫助她們分析問題，從自身找到解決方案。

　　六、抽離思維

　　當你從一個旁觀者的角度不思考看待數據時，你往往能發現那些經常讓我們迷失方向的細枝末節并沒有太多的意義，我們迷失方向，忘記了自己的價值，同時深受情緒困擾。這時，你用用抽離思維更加能夠幫助到你。 關鍵是要用多種分析方法，多角度看問題，不要鉆牛角尖，多學習別人的好方法，學會集思廣益，發散性思維。 比如說：你的學習能力和方法有效嗎?

　　七、聯合思維

　　很多銷售數據，需要我們能站在當事人的角度去思考和分析，這樣你才會理解人、事、物。 關鍵在與多了解當事人的情況，學會換位思考。 比如：你了解你周邊的情況嗎?你了解你周圍的人嗎?

　　八、離開思維

　　通過數據分析，你發現你處在一個不太有利的地位，那么，此時，你就要有離開思維去替你想辦法，離開困境 。 關鍵是學會自我調節，自我放松。 實際情況如：遇到難解的結，你怎么辦?

　　九、接近思維

　　怎樣達成目標，實現銷售增長，這時候你需要接近思維來幫助你 。 關鍵是多接觸你要解決的問題，花時間分析，你要的是方案，不是問題。 實際情況如：你在做選擇題還是問答題?責任點在哪?

　　十、理解層次

　　問題發現是第一步，要怎樣分析問題，找到真正的原因，那么熟練的運用理解層次 。 關鍵是：你需要熟悉客觀環境，員工的能力、行為的規律、他需要什么? 實際情況如：你能夠分析到哪一步?

　　數據分析師必懂的分析思維

　　1. 對比思維

　　在我們日常的工作和生活中，對比思維其實是隨處可見的。

　　比如說，小明某次期末考試的成績不好，英語只得了 30 分，小明的媽媽對他說：“你上次考試英語考了 70 分，這次怎么就考得這么差？你看你的同班同學，這次都考 80 分以上�！�

　　從這個例子中可以看出，對比通常有兩個方向，一個縱向，是指不同時間的對比，比如用小明上次考試的成績與這次進行對比。一個是橫向，是指與同類相比，比如拿小明的同班同學進行對比。

　　2. 細分思維

　　細分可以說無處不在，大到宇宙可以細分，小到原子核也可以細分。人生的大目標可以細分，某次小考試的成績也可以細分。

　　比如說，小明某次考試的總成績不好，細分一看，發現其他科目的成績都不錯，只有英語成績特別差，只得了 30 分，從而拉低了整體的成績。

　　這個例子就是把整體考試成績細分為具體的科目。在數據分析的工作中，細分的緯度主要包括時間、地區、渠道、產品、員工、客戶等。杜邦分析法、麥肯錫的 MECE 分析法本質上都屬于細分思維。

　　3. 溯源思維

　　有時候，即使運用了對比思維和細分思維，依然分析不出來結論，怎么辦？

　　此時可以試試溯源思維，追溯數據源的詳細記錄，然后基于此思考數據源背后可能隱藏的邏輯關系，或許會有意外的洞察。

　　比如說，小明的媽媽通過對比思維，知道了小明的考試成績不好，通過細分思維，也知道他是英語沒考好，但是依然不知道他當時為什么會沒考好。通過跟小明談心，詳細了解他當時考試的詳細情況，發現他當時肚子不舒服，無法集中精力答題，導致很多本來會做的題目都做錯了。談心之后，小明的媽媽對他表示理解，從此更加關心小明的身體狀況，他們之間的感情加深了，小明的成績也變得越來越好了。

　　如果不斷用溯源思維去分析，那么對數據的敏感和業務的理解也能逐步加深。

　　4. 相關思維

　　在大數據時代，核心就是相關思維，這種思維是建立在相關分析的基礎上。

　　啤酒與尿布的故事，是一個相關分析的經典案例。這個故事產生于20世紀90年代的美國沃爾瑪超市中，當時沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠準確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常一起購買的商品有哪些。

　　沃爾瑪數據倉庫里集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。一個意外的發現是：跟尿布一起購買最多的商品竟是啤酒。

　　經過大量實際調查和分析，揭示了一個隱藏在「尿布與啤酒」背后的美國人的一種行為模式：在美國，一些年輕的父親下班后經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產生這一現象的原因是：美國的太太們常叮囑她們的丈夫下班后為小孩買尿布，而丈夫們在買尿布后又隨手帶回了他們喜歡的啤酒。

　　在大多數情況下，一旦我們完成了相關分析，而又不再滿足于僅僅知道「是什么」的時候，我們就會繼續向更深層次的方向，去研究因果關系，找出背后的「為什么」。

　　5. 假設思維

　　當我們還沒有足夠的數據和證據來證明某件事的時候，我們可以先大膽假設，然后再小心求證，驗證假設是否成立。

　　比如，有一天，小明去買水果，跟買水果的阿姨之間有一段對話。

　　小明：“阿姨，你這桔子甜不甜？”

　　阿姨：“甜啊，不信你試試�！�

　　小明：“好，那我試一個�！�

　　小明剝開一個桔子，嘗了一口：“嗯，不錯，確實挺甜的，給我稱兩斤�！�

　　這個故事只是一個簡單的類比，不必深究細節。從中可以看出假設檢驗的基本思維過程，首先，小明提出假設：桔子是甜的；其次，隨機抽取一個樣本；然后，檢驗是否真甜；最后，作出判斷，確認桔子是真的甜，所以就購買了。

　　在數據分析中，假設思維的專業術語叫假設檢驗，一般包括四個步驟，即：提出假設、抽取樣本、檢驗假設、作出判斷，在這里我們就不展開去講那些專業術語了。

　　6. 逆向思維

　　有時候，我們需要打破常規的思維模式，從相反的方向來思考問題。我們接著講小明的故事。

　　有一次，小明去買西紅柿，跟阿姨之間又有一段對話。

　　小明：“阿姨，你這西紅柿多少錢一斤？”

　　阿姨：“兩塊五�！�

　　小明挑了 3 個放到秤盤：“阿姨，幫我稱一下�！�

　　阿姨：“一斤半，3 塊 7 毛�！�

　　小明去掉其中最大的西紅柿：“做湯不用那么多�！�

　　攤主：“一斤二兩，3 塊�！�

　　小明拿起剛剛去掉的那個最大的西紅柿，付了 7 毛錢，扭頭就走了……

　　你看，運用逆向思維，有時可能會起到意想不到的效果。

　　7. 演繹思維

　　演繹思維的方向是由一般到個別，也就是說，演繹的前提是一般性的抽象知識，而結論是個別性的具體知識。演繹的主要形式是「三段論」，由大前提、小前提、結論三部分組成。

　　以物理學上一個常識為例。

　　大前提：金屬能導電。

　　小前提：銅是金屬。

　　結論：銅能導電。

　　從這個例子中可以看出，大前提是已知的一般原理（金屬能導電），小前提是研究的特殊場合（銅是金屬），結論是將特殊場合歸到一般原理之下得出的新知識（銅能導電）。

　　8. 歸納思維

　　歸納思維的方向與演繹正好相反，歸納的過程是從個別到一般。

　　還是以金屬能導電為例。

　　前提：金能導電，銀能導電，銅能導電，鐵能導電，……

　　結論：金屬能導電。

　　數據分析的過程，往往是先接觸到個別事物，而后進行歸納總結，推及一般，再進行演繹推理，從一般推及個別，如此循環往復，不斷積累經驗。

【數據分析師必懂的分析思維】相關文章：

數據分析師要懂商業07-10

數據分析師的職責02-07

數據分析師的層級07-10

數據分析師工作職責05-27

數據分析師都干啥？07-10

數據分析師就業前景06-28

數據分析師的基本素質07-11

數據分析師工作總結07-07

關于數據分析師就業前景06-21