数据分析十大思路（一文读透数据分析思维）

介绍数据分析的文章数不胜数，我看了很多篇，不管是头条、百度还是知乎上的，都没有发现一篇是按照一个逻辑体系来梳理数据分析的。在前面的思维篇中我已 经详细介绍了数据分析工作中各类思维的介绍和它们相互之间的逻辑关系图（下图），本文将先对思维和方法之间的关系进行梳理。

本节先根据常见方法的特性将其划分到各自的思维方式里面，具体如下图。

（1）归纳思维

前文也说了，归纳思维是通过经验归纳出分析的维度，从而限定系统思维的分析框架。我们常用的归纳法有SWOT、PEST、5W2H、4P等等。

以4P方法来说。它是一个营销学概念，由产品（product）、价格（price）、渠道（place）和促销（promotion）四部分组成，由于每个名字的英文首字母都是P，所以就成为4P理论。在我们进行数据分析时，当确定了分析目标后，就首先要考虑从哪些维度出发，选择的维度就是通过归纳法，4P理论就是给予了我们四个分析维度，在这4个维度下，我们的分析框架也就定下来了，系统范围也就定下来了。所以它是归纳思维的一种方法。其它方法也行同此理。

（2）演绎思维

演绎思维的常见方法就是流程图，因为它的任务是建立维度和目标之间的逻辑关系，这种关系我们一般用流程图来表示。

（3）统计思维

统计思维的具体方法会根据我们数据分析任务的不同而有所不同，我们都知道数据分析的任务可分为三种：描述现状、寻找原因、预测未来。那这每类任务都对应着什么方法呢？

描述现状的统计方法就是指标体系，这一点想必都很好理解；寻找原因的统计方法就是对比法，因为只有对比才能确认因变量的差距是否是由自变量造成的。在进行对比时要注意控制变量；预测未来的统计方法就是数学建模，不管是分类还是回归的预测，这样的复杂问题都得通过数学模型才能得到。

如此，我们就把各种思维方式和分析方法之间的关系梳理清楚了，有了这幅图，我们就可以很好地理解并灵活应用它们了。

数据分析的流程这一点几乎是没什么争议的，本文也不多说，只是简单介绍下。

• 确定目标。确定目标就是要搞懂需求的本质，建议采用第一性原理拆解需求
• 分析目标。得到了本质需求后，这也就是我们的目标，先不要急着去收集处理数据，要首先对目标进行好好地演绎分析，确定我们的分析框架。这一步就是我们前面提到的思维方式和分析方法的应用。
• 准备数据。根据我们对目标进行分析后的结果，准备好所需要的数据。这一步包含数据的收集和清洗。
• 分析数据。数据整理好后就可以按照框架付诸于实施了。
• 呈现结果。结果的呈现也是一门学问，建议采用金字塔原理。

数据分析的流程就介绍完了，这一点应该都没什么异议。

最后要说下数据分析工作的痛点，因为这一点困扰着大多数数据分析师。数据分析工作的痛点其实和很多分析工作中的痛点是类似的，即产出被认为没有价值。

其实它的痛点和其工作性质有关，因为首先它不像业务方能直接产生业绩，给公司带来收入，其次它不像技术工程师能直接实现功能，让人看得见摸得着；再者它也不像运营工作中可以直接优化流程，让用户享受到便捷……它更像幕后军师，它的结果价值衡量存在着很大的主观性，即领导如何评价。

我这以前的文章中提到过：数据分析的本质是要寻找到解决问题的有效方法，所以痛点的根本就在于我们是否能找到解决问题的有效方法。

在寻找有效方法的过程中，数据分析逐渐诞生了三个方向：业务分析、机器学习、数据运营。

• 业务分析。业务分析方向的人深入扎进业务中，时刻以业务需求为导向，对于业务的精通比普通数据分析师要强很多。
• 机器学习。这个方向的人更喜欢专研技术，希望通过先进的模型来解决业务问题。由于花在技术上的时间占比过多，导致他们对于业务的了解程度不是很多。
• 数据运营。这个方向的人也是偏向于业务，但这种偏向是属于业务的运营管理，即不仅仅是分析问题，他们还会通过数据分析方法去主动解决从数据中发现的问题。

其实不论是哪一个方向，要解决痛点都必要能有拿得出的成果——有效方法，区别就在于不同方向的具体有效方法会有所区别。

人工智能时代，数据分析工作中的现状描述任务会逐渐被各类BI工具取代，预测未来的任务也会有更加先进的框架来部分取代，唯一还暂时无法取代的就是分析原因这一块，因为人工智能毕竟还不具备人的智能，在原因分析这一块，分析师还是有很大的存在价值的，所以这就要求我们在业务、技术、运营这三个方向必须得擅长一个或是多个以上，不能只是单纯的数据分析。

总之，数据分析必须得依附于某一个方向才会能走得更长远！加油！