思维决定上限
目标导向
如何找出目标
- 5W2H本质还是幼稚的会陷入死循环最后结果就是上升到哲学问题上
- 直接问：要达成什么业务目标
- 我们习惯了做题思维，这容易让分析师陷入取数的怪圈
- 目标思维能跳出取数怪圈，进入一个良性循环找出需求的目标，明确到业务目标
- 目标思维是几乎所有事情的基础
客观严谨
数据分析师的岗位定位决定了必须客观严谨
- 人脑思考方式–直觉思维和理性思维
- 但人是优先使用直觉思维的
- 人的本能是直觉思维，理性思维需要后天的练习
客观严谨的分析=事实+论证过程+观点
-
如何陈述事实
- 避免模糊的名词
- 用具体数据代替形容词副词
- 专业名词不要搞错
不要预设立场再去分析问题
- 假设检验 ≠ 预设立场
- 先预设立场摆明了就是为了甩锅，因为总能找到别的因素证明别人的问题
指标思维（对指标的理解是数据分析师的基本功）
数据和指标
- 用户的登录数据会记录下用户id、登录时间等基础信息这些信息随着用户的登录一条一条的记录下来，是数据
- 如果根据日期，算出这一天所有登录的用户id的总数日访问用户数的具体数字是一个数据，日访问用户数的衡量方法就是一个指标
如何构建指标体系
- 确立主指标
主指标–评价你负责的业务到底怎么样的最重要指标
一款APP常用指标：
根据不同阶段特点做不同指标：
使用OSM模型建立主指标 - 拆分子指标
- 拆分过程指标
经典的漏斗图，如果一个指标出问题了，要想改进，那么肯定不是从结果开始改进而是拆分出得到结果的过程：【哪一步】【哪一个动作】【需要提升】
- 添加分类维度
总结：
- 指标是衡量业务现状的标准
- 单个指标的意义比较片面，需要多个指标整合成指标体系
- 构建指标体系有四个步骤，确认主指标、拆分子指标、拆分过程指标、添加分类维度
- 用 OSM 模型确定主指标
- 要想提出落地建议，尽量拆分到过程指标
- 分类维度需要结合业务特点
逻辑推理
- 时间不够就用归纳法（使用时：反思是不是有以偏概全的问题）
- 缺点：容易以偏概全
- 优点：速度快
- 要求准确就用演绎法（使用时：是否有大前提、小前提、论述过程的错误，以及能否用更权威的大前提）
- 缺点：花费时间多，业务不清楚新人很难掌握
- 优点：结论可靠
-
演绎法分为：大前提（用更权威的大前提，提升结论可靠性）；小前提；结论
- 案例：
- 案例：
- 面对业务方为了避免无效需求最好的方式就是用逻辑来说服他
- 总结：逻辑推理能力的归纳法和演绎法的难点是始终以逻辑推理的方法思考问题
系统结构
结构性思维
- 三种逻辑树
-
议题树（资深和新手最大的区别在于能不能快速找到好的分类维度）
- MECE原则（相互独立，完全穷尽）
- 应用场景：
- 问题分解：在面对复杂问题时，使用MECE原则可以帮助系统地将大问题分解成若干个小问题，每个小问题都是独立的，并且所有的小问题加起来能够覆盖整个大问题的所有方面。
- 决策制定：在制定决策时，确保考虑了所有相关因素，并且这些因素之间是互不干扰的，这样可以避免决策失误。
- 报告编写：撰写报告或演示文稿时，采用MECE原则可以使结构更加清晰，内容更有条理，帮助读者或听众更容易理解和记忆。
- 数据分类：在数据分析过程中，对数据进行MECE分类有助于识别模式和趋势，从而得出更为准确的结论。
- 应用场景：
- MECE原则（相互独立，完全穷尽）
- 假设树
-
是否树
- 肯定能得出结论，多用于排除BUG，因为数据流程是固定的
-
系统性思维
- 案例：
LTV是用户的生命周期价值的简称意义是一个用户从第一次进入到最后流失，一共能带来多少收入
- 渠道拉新影响什么，这些影响最终又会反过来影响渠道拉新
- 经过分析这款产品商业化比较失败，用户人均价值不高，所以渠道投放上只能选单价低，效果一般的渠道，而因为渠道用户质量不高，付费转化率比正常渠道低，就拉低了本来就低的用户人均价值，而更低的人均价值让我们只能选择用更低的获客渠道，如此反复形成恶性循环。所以要解决渠道拉新，本身问题不在渠道，渠道拉新有成本，这个成本不能高于LTV，否则就是亏本买卖，而这个业务问题就是LTV太低，限制了渠道提升空间，所以核心问题是提升用户LTV
- 系统性思维思考的是事物与事物之间的关联蝴蝶效应
总结：跳出问题，站在更大的视角思考全局，找出问题的核心，然后用结构化思维构建分析思路，用逻辑推理验证思路
