数据分析能力的核心是思维

对于业务人,比如产品或运营,数据运营分析能力的核心不在方法和工具,而在于思维。

大多数人错误地理解了数据分析,把数据分析能力提升的关键放在了方法和工具;

对于业务人而言,数据分析的核心思路是,得到两个变量之间的「量化关系」,用以解释现象;

数据分析的步骤,感知问题、提出假说、选择表征、收集数据、分析验证;

提出假说和选择表征是很多业务人数据分析做不下去的原因。

数据分析的方法崇拜

在和团队小伙伴分享的的时候,发现一个问题:

我问,你怎么看数据分析能力?如何评价自己的数据分析能力?

大家的回答主要是这样的:

运营是基于数据驱动的,但是拿着很多数据,不能分析下去,主要是对于excel的一些陌生的公式、函数都不太会,我要专门去学一下excel

我感觉导致现在转化率低低原因是xxx,最近接触到很多用户都是这么反馈的,但还没有找到好的分析方法

产品的数据分析能力还是很重要,我想去学个R,能够去构建量化模型

……

以上,我觉得太在意数据分析方法和工具,我觉得都还没有把握住一个业务人数据分析能力的核心。

业务人考虑的最重要的问题是,业务结果到底怎么样,出现了什么问题,原因是什么,可能的解决方案是什么。

数据分析只是手段,它的误区就是,太在意方法和工具。

而最缺少的,恰恰是最重要的思维。

数据分析的本质

数据分析最重要的思维就是,不断确定业务中两组变量之间的关系,用以解释业务。

收入、转化、用户规模、用户活跃等,我们称为现象。而只有通过数据量化的现象,我们才能精准感知。所以,数据是用来描述现象的,是被量化的现象。这就是数据统计在干的事情,比如建立数据漏斗,严格意义上这就是数据统计。

而数据分析,就是寻找这些被量化的现象之间的「关系」。这个关系就是y=f(x)。找到两个变量之间的关系,多找到一种这样关系,在实践中,就多一种有效手段。

所以,在数据处理层面,有这样两个方式:

数据统计——利用数据体现现象,比如建立数据漏斗

数据分析——利用数据寻找现象关系,比如城市特征和活跃之间的关系

本文核心是围绕数据分析进行展开。

比如,做社群运营的同学,常常会想,到底什么因素在影响用户的活跃度。在实践的过程中,我们感觉到,不同的进入社群的时间点可能是活跃度比较关键的影响因素。于是,尝试通过数据定义,确定x=进群时间点与开群的时间差,y=第一月活跃率。我们将x变量按天为单位氛围不同类别,得到了以下的关系: