数据决策的13个思想前提，务必了解！

摘要：“数据驱动决策”。为了防止这句话变成空话，请先装备以下13种思想武器。我相信你将来会用的！～第一，信度和效率思维可能是全文最难理解的部分，但我觉得也是最重要的。没有这种思维，决策者很可能会在数据中迷失方向。信度和效率的概念最初来自于调查和分析，但现在我认为它可以延伸到数据分析的各个方面。**所谓信度，是指数据或指标本身的可靠性，包括准确性和稳定性**取数逻辑是否正确？有计算错误吗？这是准确性；每次计算算法是否稳定？直径一致吗？当以相同的方式计算不同对象时，准确性是否波动？这是稳定性。做到以上两个方面，就是一个好的数据或指标？其实还不够，还有一个更重要的因素，就是效率！**所谓效率，是指数据或指标的生成，需要适应它所需要衡量的东西，即指标的变化可以代表东西的变化。**一个有价值的数据指标，只有在信度和效率方面达到标准。例如：为了衡量我身体的肥胖，我选择了服装号码作为指标。一方面，相同衣服尺寸对应的实际衣服尺寸不同，会有美国韩国版等因素，使准确性差；同时，穿这个品牌的衣服，穿那个品牌的衣服，使测量方法的结果非常不稳定；因此，服装尺寸的可信度不够。另一方面，用衣服的大小来衡量身体肥胖？你一定觉得很荒谬，尺寸不能反映肥胖，对吧？所以效率也不够。体脂率是肥胖的衡量指标，信度和效率都符合标准。在我们的实际工作中，很多人会想当然地使用指标，这是非常警惕的。可悲的是，你想切骨头却拿着手术刀吗？信度和效率的本质其实是**数据质量**的问题，这是所有分析的基石，再怎么重视也不过分！！第二，说到平衡思维，大家都很熟悉。相信大家都能很快理解平衡思维。简单地说，在数据分析的过程中，我们需要经常找到事物之间的平衡关系，这往往是一个与企业经营有关的大问题，如市场供求关系、工资和效率关系、工作时间和错误率关系等。**平衡思维的关键在于寻找能够显示平衡状态的指标！**也就是说，在图中的红框中，我们需要找到这个准确的量化指标来观察天平的倾斜度。如何找到这个指标？根据我的经验，我通常首先发现双向问题，即高或低，然后量化为指标，最后计算成一定的比例，经过长期跟踪，观察其可信度和效率。第三，分类思维客户分组、产品分类、市场分类、绩效评价……很多事情都需要分类思维。主管拍脑袋也可以分类，机器学习算法也可以分类，所以很多人都很模糊。如何应用分类思维？**关键是，分类后的事物需要在核心指标上拉开距离！**也就是说，分类后的结果必须是显著的。如图所示，横轴和纵轴通常是您操作中关注的核心指标（当然不限于二维），分类对象可以看到，它们的分布不是随机的，而是有明显的集群倾向。例如：假设图片反映了消费者群体的结果，水平轴代表购买频率，垂直轴代表客户单价，那么绿色群体，是明显的“傻钱”“切手金客户”。第四，矩阵思维矩阵思维是分类思维的发展，不再局限于用量化指标进行分类。很多时候，当我们没有数据作为支持时，我们只能通过经验推断出一些重要因素可以组合成矩阵，大致定义好坏的方向，然后进行分析。百度经典的管理分析方法“波士顿矩阵”模型。第五，管道/漏斗思维的思维方式已经普及:注册转化、购买流程、销售管道、浏览路径等。这种思维的影子可以在太多的分析场景中找到。但我想说的是，模型越普遍，就越容易理解，它的应用就越谨慎和谨慎。在漏斗思维中，要特别注意漏斗的长度。漏斗从哪里开始到哪里结束？根据我的经验，漏斗的环节不应超过5个，漏斗中每个环节的百分比值不应超过100倍（漏斗的第一个环节从100%开始，最后一个环节的转化率值不应低于1%）。如果超过了我提到的两个数值标准，建议将其分为多个漏斗进行观察。当然，这两个是经验值，只是供你参考～原因是什么？在5个以上的环节中，往往会出现多个关键环节，因此在漏斗模型中分析多个重要问题容易产生混乱。数值级差距过大，难以察觉数值之间的波动关系，容易遗漏信息。例如，漏斗的前部环节从60%变为50%，这让你感觉很棒，而漏斗最后部分0.1%的变化不能引起你的注意，但往往是漏斗的最后0.1％变化非常致命。第六，我们观察指标的相关思维，不仅要看单个指标的变化，还要观察指标之间的关系！正相关系(图中红色实线)和负相关系(蓝色虚线)。最好经常计算指标之间的相关系数，并定期观察变化。相关思维的应用太广泛了，我经常被忽视。现在很多企业管理层面临的问题不是没有数据，而是数据太多，却不知道怎么用。相关思维的应用之一是帮助我们找到最重要的数据，消除过多混乱数据的干扰！**怎样执行？您可以计算多个指标之间的相互关系，选择与其他指标相关系数相对较高的数据指标，分析其逻辑、相应的问题，并评估信度和效率。如果它们都符合标准，该指标可以被定位为核心指标！建议你养成一个习惯，经常计算指标之间的相关系数，仔细思考相关系数背后的逻辑，有些是明显的常识，如订单数量和买家数量，有些可能会给你带来惊喜！此外，“无关”往往成为惊喜的来源。第七，远近思维。现在，在与管理层的许多朋友交流后，我发现他们经常持有大量的数据和报告，但他们的注意力非常跳跃和分散。如何避免？一是通过相关思维找出核心问题和指标；第二，这部分要说的是建立远进步的思维方式。核心问题确定后，分析其他业务问题与核心问题的距离，从近到远有计划地分配精力。例如：最近的核心任务是提高客户服务人员的服务质量，所以客户服务人员、客户评价渠道、客户服务系统的相应速度是最近的子问题，需要关注，客户询问习惯、客户购买周期是相对较远的问题，暂时放。当然，我的经历是有限的，例子不合适的地方还是看着读者的海涵。第八，我相信你见过很多次逻辑树思维如图的树形逻辑。逻辑树分叉时，一般会提到“分解”和“汇总”的概念。在这里，我改变了它，使它更接近数据分析，称为“下钻”和“上卷”。当然，这两个词不是我发明的，已经存在了。所谓下钻，就是在分析指标变化时，按照一定的维度不断分解。例如，根据区域维度，从区到省，从省到城，从省到区。所谓上卷就是反过来。随着维度的下钻和上卷，数据将不断细分和总结。在这个过程中，我们经常可以找到问题的根源。下钻和上卷不局限于一个维度，通常是多维组合节点，分叉。将逻辑树延伸到算法领域就是决策树。关键是什么时候做决定(判断)。当分叉时，我们经常选择最不同的维度进行拆分。如果差别不够大，分支就不细分了。能够产生显著差异的节点将被保留并继续细分，直到无法区分差异。通过这个过程，我们可以找出影响指标变化的因素。举个简单的例子：我们发现全国客户数量下降，我们从区域和客户年龄两个维度观察，发现各年龄段客户下降，部分区间下降，然后我们根据区域拆分第一个逻辑树节点，拆分到区域，发现省差异明显，然后继续拆分到城市，最终发现浙江杭州大量客户，覆盖各年龄段，一波推广活动被竞争对手转化。原因是通过三层逻辑树找到的。原因是通过三个层次的逻辑树找到的。第九，时间序列思维有很多问题，我们找不到横向比较的方法和对象，所以与历史情况相比会变得非常重要。事实上，很多时候，我更愿意用时间维度的比较来分析问题。毕竟，发展也是“红色方法论”的重要组成部分。这种方法很容易消除一些外部干扰，特别适合创新的分析对象，如新行业的公司或新产品。时间序列思维有三个关键点:**第一，时间点越近，越要注意**(图中的深度，最近发生的事情越多，再次发生的可能性就越大)；二是做**同比**(图中的尖头指示，指标往往有一定的周期性，需要在周期的同一阶段进行比较，才有意义)；第三，当**出现异常值时，需要注意**(如历史最低值或历史最高值，建议在时间序列中添加平均值和平均值的两倍或两倍标准差，以便于观察异常值）。时间序列思维有一个子概念，就是“生命周期”的概念。时间序列思维有一个子概念，就是“生命周期”的概念。用户、产品、人员等都有生命周期。我最近也把注意力集中在这一领域。直觉上，生命周期的明确衡量可以很容易地确定一些“阀门值”问题，使产品和操作的节奏更加清晰。随着数据运算能力的提高，队列分析思维逐渐显露出头脚。英文名称是cohortanalysis。说实话，我不知道如何表达这个概念。我的理解是，**将观察对象按照一定的规则切片，形成观察样本，然后观察样本的某些指标随着时间的发展而变化。保留分析是目前使用最广泛的场景。举个常用的例子:假设我们在5月17日举办了促销活动，那么我们就把这一天的新用户作为观察样本，观察他们在5月18日、5.19.之后的日常活动。在队列分析中，指标实际上是时间序列，不同的是衡量样本。队列分析中的测量样本在时间颗粒上发生变化，而时间序列的样本相对固定。第十一，循环／闭环思维循环／闭环的概念可以延伸到许多场景，如业务流程闭环、用户生命周期闭环、产品功能闭环、营销策略闭环等。很多时候，你会认为这是一个不落地的概念，因为提到的人很多，做事的例子也很少。但我认为这种思维方式是非常必要的。经理更容易定义业务流程的闭环，列出公司的所有业务环节，整理业务流程，然后定义各环节之间的相互影响指标，跟踪这些指标的变化，掌握公司的整体经营状况。例如，软件公司的典型业务流：推广行为（市场部）流量进入主站（市场）＋(产研)注册流程(产研)试用经验(产研)＋进入采购流程(销售部)进行交易和部署(售后)＋使用、续约、推荐(售后)＋市场推广行为，一个闭环，每个连接环节的指标，值得注意的是：广告点击率注册流程进入率注册转化率试用率销售管道各环节转化率推荐率／续约率...这将涉及漏斗思维，如前面所述，**千万不要用漏斗来衡量一个循环**。通过循环思维，您可以更快地建立逻辑关系指标系统。有了循环思维，你可以更快地建立一个逻辑指标系统。第十二，测试／对比ABtest思维，大家肯定都很熟悉。那么如何细化这个概念呢？首先，在条件允许的情况下，在决策前尝试进行比较测试；第二，在测试过程中，我们必须注意参考组的选择。建议在任何实验中都保留一组样本，作为最基本的参考。现在数据获取越来越方便了。在保证数据质量的前提下，希望大家多做实验，多发现规律。第十三，指数思维指数思维是指将衡量一个问题的多个因素分别量化，组合成综合指数(降维)进行持续跟踪的方式。在最后的讨论中，目的是强调它的重要性。正如前面所说，许多管理者面临的问题是“数据太多，可用性太少”，这需要“降低维度”，即将多个指标压缩为单个指标。指数化的好处是显而易见的。**首先，它减少了指标，使管理者更加专注；其次，指数化指标往往提高数据的可信度和效率**；第三，指数可以长期使用，易于理解。该指数的设计是一个大学问题。这里有三个关键点：一是遵循**独立和耗尽**的原则；二是注意各指标的单位，尽量做**标准化**，消除单位的影响；第三，权重和需求等于1。独立耗尽的原则，即您定位的问题，在收集和衡量问题的多个指标时，每个指标之间应尽可能独立，同时可以测量问题的指标应尽可能耗尽（收集完整）。例如：在设计公司销售部门的指标体系时，目的是衡量销售部门的绩效，确定销售的核心指标，我们将绩效分为订单数量、客户单价、线索转换率、订单周期、续约率五个独立指标，这五个指标涵盖销售绩效的各个方面（耗尽）。我们设计的销售业绩综合指数＝0.4＊订单数＋0.2＊客单价＋0.2＊线索转化率＋0.1＊成单周期＋0.1＊续签率，所有指标都采用max-min方法进行标准化。通过这个例子，我相信你可以理解指数思维。这篇文章的内容在我脑海中酝酿了2月多，但当我开始写作时，我仍然觉得我的思维不够全面，经验不够丰富。各种思维方式的应用似乎没有好坏之分，是否使用似乎更随机。希望随着我经历的不断丰富

以上就是关于数据决策的13个思想前提，务必了解！的相关介绍，更多数据决策的13个思想前提，务必了解！相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对数据决策的13个思想前提，务必了解！有更深的了解和认识。