大数据分析的思维框架指南

1、 大数据分析的思维框架指南目前，还有一些人不会建立大数据分析的思维框架，那么今天课课家，就一步一步的教大家怎么建立，大神路过还请绕道，当然还可以交流一下。有需要的小伙伴，可以参考一下。曾经有人问过我，什么是大数据分析思维?如果分析思维是一种结构化的体现，那么大数据分析思维在它的基础上再加一个准则：不是我觉得，而是数据证明。这是一道分水岭，“我觉得”是一种直觉化经验化的思维，工作不可能处处依赖自己的直觉，公司发展更不可能依赖于此。数据证明则是大数据分析的最直接体现，它依托于数据导向型的思维，而不是技巧，前者是指导，后者只是应用。作为个人，应该如何建立大数据分析思维呢?一、建立你的指标体系在我们谈

2、论指标之前，先将时间倒推几十年，现代管理学之父彼得德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。所谓衡量，就是需要统一标准来定义和评价业务。这个标准就是指标。假设隔壁老王开了一家水果铺子，你问他每天生意怎么样，他可以回答卖的不错，很好，最近不景气。这些都是很虚的词，因为他认为卖的不错也许是卖了50个，而你认为的卖的不错，是卖了100。这就是“我觉得”造成的认知陷阱。将案例放到公司时，会遇到更多的问题：若有一位运营和你说，产品表现不错，因为每天都有很多人评价和称赞，还给你看了几个截图。而另外一位运营说，产品有些问题，推的活动商品卖的不好，你应该相信谁呢?其实谁都很难相信，这

3、些众口异词的判断都是因为缺乏大数据分析思维造成的。老王想要描述生意，他应该使用销量，这就是他的指标，互联网想要描述产品，也应该使用活跃率、使用率、转化率等指标。如果你不能用指标描述业务，那么你就不能有效增长它。了解和使用指标是大数据分析思维的第一步，接下来你需要建立指标体系，孤立的指标发挥不出数据的价值。和分析思维一样，指标也能结构化，也应该用结构化。我们看一下互联网的产品，一个用户从开始使用到离开，都会经历这些环节步骤。电商app还是内容平台，都是雷同的。想一想，你会需要用到哪些指标?而下面这张图，解释了什么是指标化，这就是有无大数据分析思维的差异，也是典型的数据化运营，有空可以再深入讲这块

4、。标体系没有放之四海而皆准的模板，不同业务形态有不同的指标体系。移动APP和网站不一样，SaaS和电子商务不一样，低频消费和高频消费不一样。好比一款婚庆相关的APP，不需要考虑复购率指标;互联网金融，必须要风控指标;电子商务，卖家和买家的指标各不一样。这些需要不同行业经验和业务知识去学习掌握，那有没有通用的技巧和注意事项呢?二、明确好指标与坏指标不是所有的指标都是好的。这是初出茅庐者常犯的错误。我们继续回到老王的水果铺子，来思考一下，销量这个指标究竟是不是好的?最近物价上涨，老王顺应调高了水果价格，又不敢涨的提高，虽然水果销量没有大变化，但老王发现一个月下来没赚多少，私房钱都不够存。老王这个月

5、的各类水果销量有2000，但最后还是亏本了，仔细研究后发现，虽然销量高，但是水果库存也高，每个月都有几百单位的水果滞销最后过期亏本。这两个例子都能说明只看销量是一件多不靠谱的事情。销量是一个衡量指标，但不是好指标。老王这种个体经营户，应该以水果铺子的利润为核心要素。好指标应该是核心驱动指标。虽然指标很重要，但是有些指标需要更重要。就像销量和利润，用户数和活跃用户数，后者都比前者重要。核心指标不只是写在周报的数字，而是整个运营团队、产品团队乃至研发团队都统一努力的目标。核心驱动指标和公司发展关联，是公司在一个阶段内的重点方向。记住是一个阶段，不同时期的核心驱动指标不一样。不同业务的核心驱动指标也

6、不一样。互联网公司常见的核心指标是用户数和活跃率，用户数代表市场的体量和占有，活跃率代表产品的健康度，但这是发展阶段的核心指标。在产品1.0期间，我们应把注意力放到打磨产品上，在大推广前提高产品质量，这时留存率是一个核心指标。而在有一定用户基数的产品后期，商业化比活跃重要，我们会关注钱相关的指标，比如广告点击率、利润率等。核心驱动指标一般是公司整体的目标，若从个人的岗位职责看，也可以找到自己的核心指标。比如内容运营可以关注阅读数和阅读时长。核心驱动指标一定能给公司和个人带来最大优势和利益，记得二八法则么?20%的指标一定能带来80%的效果，这20%的指标就是核心。另外一方面，好的指标还有一个特

7、性，它应该是比率或者比例。拿活跃用户数说明就懂了，我们活跃用户有10万，这能说明什么呢?这说明不了什么。如果产品本身有千万级别的注册用户，那么10万用户说明非常不健康，产品在衰退期。如果产品只拥有四五十万用户，那么说明产品的粘性很高。正因为单纯的活跃用户数没有多大意义，所以运营和产品会更关注活跃率。这个指标就是一个比率，将活跃用户数除以总用户数所得。所以在设立指标时，我们都尽量想它能不能是比率。认识和看待事物这类常见的提问方式包括了一个知名人物或历史事件如何评价？如何看待一个产品？你对某个事物是如何理解的？如何看待或分析一种行为或热点等？对于看待或分析事物类的思维，则是我们前面一篇思维的逻辑里

8、面讲到的很多内容，即事物本身应该结合外部环境+时间线+事物核心维度进行全面的分析，事物的外在交互关系，事物的内部结构和衔接，事物本身动态展现的行为特征等。这些首先分析清楚，即对事物本身有一个全面和客观的认识。这类思维的一个核心即辩证思维，在这里我不太喜欢用批评性思维这个词，辩证思i维更加体现了这类思维的重点是全面，客观，以数据说话同时减少主观偏颇看法。对于这类问题你不一定要去表面自己的主观感受，而更加重要的是把事实和道理讲清楚，有理有据。在真正分析清楚后，后续才过渡到这类问题的演进，即如何评估或评价一个事物，其前提仍然是分析清楚客观数据，但是数据本身不是评价或评估指标，因此一谈到评估自然会想到

9、需要建立或参考一个评估体系。一个历史帝王有政治，经济，外交，军事和民生各种评价体系。对一辆车可能有动力，舒适性，油耗，操控等各种评价体系。一个产品本身有功能满足度，易用性，性能，价格等各种评价体系等。对于任何评估，则首先是找到现成可用的科学评价体系，然后将对事物分析后的数据映射到具体的评价体系上，即任何评估指标值的得出一定有事物本身内在数据和运作机制进行支撑的。这些都想清楚后，即这类思维的重点是事物的分解和集成分析，事物的行为或活动分析，事物相关的内外环境因素分析，事物本身的关键属性维度分析和评估体系确定，事物各关键指标特性间的相互制约和促进力分析（类似系统思维中的正负循环）等。坏指标有哪些呢

10、?其一是虚荣指标，它没有任何的实际意义。产品在应用商店有几十万的曝光量，有意义吗?没有，我需要的是实际下载。下载了意义大吗?也不大，我希望用户注册成功。曝光量和下载量都是虚荣指标，只是虚荣程度不一样。新媒体都追求微信公众号阅读数，如果靠阅读数做广告，那么阅读数有意义，如果靠图文卖商品，那么更应该关注转化率和商品销量，毕竟一个夸张的标题就能带来很高的阅读量，此时的阅读量是虚荣指标。可惜很多老板还是孜孜不倦的追求10W+，哪怕刷量。虚荣指标是没有意义的指标，往往它会很好看，能够粉饰运营和产品的工作绩效，但我们要避免使用。第二个坏指标是后验性指标，它往往只能反应已经发生的事情。比如我有一个流失用户的

11、定义：三个月没有打开APP就算做流失。那么运营每天统计的流失用户数，都是很久没有打开过的，以时效性看，已经发生很久了，也很难通过措施挽回。我知道曾经因为某个不好的运营手段伤害了用户，可是还有用吗?活动运营的ROI(投资回报率)也是后验性指标，一个活动付出成本后才能知道其收益。可是成本已经支出，活动的好与坏也注定了。活动周期长，还能有调整余地。活动短期的话，这指标只能用作复盘，但不能驱动业务。第三个坏指标是复杂性指标，它将大数据分析陷于一堆指标造成的陷阱中。指标能细分和拆解，比如活跃率可以细分成日活跃率、周活跃率、月活跃率、老用户活跃率等。大数据分析应该根据具体的情况选择指标，如果是天气类工具，

12、可以选择日活跃率，如果是社交APP，可以选择周活跃率，更低频的产品则是月活跃率。每个产品都有适合它的几个指标，不要一股脑的装一堆指标上去，当你准备了二三十个指标用于分析，会发现无从下手。三、建立正确的指标结构既然指标太多太复杂不好，那么应该如何正确的选择指标呢?和分析思维的金字塔结构一样，指标也有固有结构，呈现树状。指标结构的构建核心是以业务流程为思路，以结构为导向。假设你是内容运营，需要对现有的业务做一个分析，提高内容相关数据，你会怎么做呢?我们把金字塔思维转换一下，就成了大数据分析方法了。从内容运营的流程开始，它是：内容收集内容编辑发布用户浏览用户点击用户阅读用户评论或转发继续下一篇浏览。

13、这是一个标准的流程，每个流程都有指标可以建立。内容收集可以建立热点指数，看哪一篇内容比较火。用户浏览用户点击则是标准的PV和UV统计，用户阅读是阅读时长。从流程的角度搭建指标框架，可以全面的囊括用户相关数据，无有遗漏。这套框架列举的指标，依旧要遵循指标原则：需要有核心驱动指标。移除虚荣指标，适当的进行删减，不要为添加指标而添加指标。四、了解维度分析法当你有了指标，可以着手进行分析，大数据分析大体可以分三类：利用维度分析数据使用统计学知识如数据分布假设检验使用机器学习我们先了解一下维度分析法。维度是描述对象的参数，在具体分析中，我们可以把它认为是分析事物的角度。销量是一种角度、活跃率是一种角度，

14、时间也是一种角度，所以它们都能算维度。当我们有了维度后，就能够通过不同的维度组合，形成数据模型。数据模型不是一个高深的概念，它就是一个数据立方体。上图就是三个维度组成的数据模型/数据立方体。分别是产品类型、时间、地区。我们既能获得电子产品在上海地区的2010二季度的销量，也能知道书籍在江苏地区的2010一季度销量。数据模型将复杂的数据以结构化的形式有序的组织起来。我们之前谈到的指标，都可以作为维度使用。下面是范例：将用户类型、活跃度、时间三个维度组合，观察不同用户群体在产品上的使用情况，是否A群体使用的时长更明显?将商品类型、订单金额、地区三个维度组合，观察不同地区的不同商品是否存在销量差异?

15、数据模型可以从不同的角度和层面来观察数据，这样提高了分析的灵活性，满足不同的分析需求、这个过程叫做OLAP(联机分析处理)。当然它涉及到更复杂的数据建模和数据仓库等，我们不用详细知道。数据模型还有几种常见的技巧、叫做钻取、上卷、切片。选取就是将维度继续细分。比如浙江省细分成杭州市、温州市、宁波市等，2010年一季度变成1月、2月、3月。上卷则是钻取的相反概念，将维度聚合，比如浙江、上海、江苏聚合成浙江沪维度。切片是选中特定的维度，比如只选上海维度、或者只选2010年一季度维度。因为数据立方体是多维的，但我们观察和比较数据只能在二维、即表格中进行。上图的树状结构代表钻取(source和time的

16、细分)，然后通过对Route的air切片获得具体数据。聪明的你可能已经想到，我们常用的数据透视表就是一种维度分析，将需要分析的维度放到行列组合进行求和、计数、平均值等计算。放一张曾经用到的案例图片：用城市维度和工作年限维度，计算平均工资。除了Excel、BI、R、Python都能用维度分析法。BI是相对最简便的。谈到维度法，想要强调的是分析的核心思维之一：对比，不同维度的对比，这大概是对新人快速提高的最佳捷径之一。比如过去和现在的时间趋势对比，比如不同地区维度的对比，比如产品类型的区别对比，比如不同用户的群体对比。单一的数据没有分析意义，只有多个数据组合才能发挥出数据的最大价值。我想要分析公司

17、的利润，利润 = 销售额 成本。那么找出销售额涉及的指标/维度，比如产品类型、地区、用户群体等，通过不断的组合和拆解，找出有问题或者表现良好的原因。成本也是同理。这就是正确的大数据分析思维。总结一下吧：我们通过业务建立和筛选出指标，将指标作为维度，利用维度进行分析。很多人会问，指标和维度有什么区别?维度是说明和观察事物的角度，指标是衡量数据的标准。维度是一个更大的范围，不只是数据，比如时间维度和城市维度，我们就无法用指标表示，而指标(留存率、跳出率、浏览时间等)却可以成为维度。通俗理解：维度指标。到这里，大家已经有一个大数据分析的思维框架了。之所以是框架，因为还缺少具体的技巧，比如如何验证某一个维度是影响数据的关键，比如如何用机器学习提高业务，这些涉及到数据