[数据分析] 如何掌握数据化运营的思维方式

“数据驱动决策”，为了不让这句话成为空话，在本章的最后，作者将自己的经验提炼为以下15种思想武器，不求你当下就能掌握，但希望你能不断参悟并修正。

1．信度与效度思维

在指标构建的内容中已经对指标的信度和效度做了阐述。这部分也许是最难理解的，但也最重要。没有这个思维，决策者很有可能在数据中迷失，如图4-57所示。

度与效度思维

信度与效度的概念最早来源于调查分析，但现在可以引申到数据分析工作的各个方面。

所谓信度，是指一个数据或指标自身的可靠程度，包括准确性和稳定性。取数逻辑是否正确？有没有计算错误？这属于准确性；每次计算的算法是否稳定？口径是否一致？以相同的方法计算不同的对象时，

准确性是否有波动？这是稳定性。做到以上两个方面，就是一个好的数据或指标了吗？其实还不够，还有一个更重要的因素，就是效度！

所谓效度，是指一个数据或指标的生成，需贴合它所要衡量的事物，即指标的变化能够代表该事物的变化。

只有在信度和效度上都达标，才是一个有价值的数据指标。举个例子：要衡量身体的肥胖情况，选择穿衣的号码作为指标，一方面，相同的衣服尺码对应的实际衣服大小是不同的，会有美版、韩版等因素，使得准确性很差；另一方面，一会儿穿这个牌子的衣服，一会儿穿那个牌子的衣服，使得该衡量方式形成的结果很不稳定。所以，衣服尺码这个指标的信度不够。尺码大小并不能准确反映肥胖情况，因此效度也不足。体脂率才是信度和效度都比较达标的肥胖衡量指标。

在我们的现实工作中，许多人会想当然地拿了指标就用，这是非常值得警惕的。你要剁骨头却拿了把手术刀，是不是很可悲？信度和效度的本质，其实属于数据质量的问题，这是一切分析的基石，再怎么重视都不过分！

2．平衡思维

说到天平读者都不陌生，平衡的思维相信也都能很快理解。简单来说，在数据分析的过程中，需要经常寻找事情间的平衡关系，且平衡关系往往是关乎企业运转的大问题，如市场的供需关系，薪资与效率关系，工作时长与错误率的关系等。

平衡思维的关键点在于寻找能展示出平衡状态的指标。也就是图4-58所示的框，要通过这个准确的量化指标观察天平的倾斜程度。怎么找这个指标呢？一般先找双向型的问题，即“高也不是低也不是”的问题，然后量化为指标，最后计算成某个比率，长期跟踪后观察它的信度和效度。

平衡思维

举个电商的例子，在电商的用户行为分析中，用户每次访问的深度就是一个“高不成低不就”的问题。若用户访问深度过深，每次都要浏览很多个页面，说明他在这里没有遇到想要的产品，或者页面没有促使他快速购买，这不是一家电商公司想看到的情况；若用户每次访问都很浅，看一两个页面就走掉了，说明你的产品展示、内容引导很有问题。那么，访问深度多少是合适的呢？这就是数据分析人员需要研究的问题——在多深的访问深度时，用户形成购买的概率最大。

3．分类思维

客户分群、产品归类、市场分级、绩效评价等许多事情都需要有分类的思维。主管拍脑袋也可以分类，通过机器学习算法也可以分类，到底分类思维怎么应用呢？

关键点在于，分类后的事物需要在核心关键指标上能拉开距离！也就是说，分类后的结果必须是显著的。如图4-59所示，横轴和纵轴往往是你运营中关注的核心指标（当然不限于二维），而你能看到分类后的对象分布不是随机的，而是有显著的集群的倾向。

分类思维

举个例子，假设图4-59所示反映了某个消费者分群的结果，横轴代表购买频率，纵轴代表客单价，那么图中右上角的这群人，就是明显的“金牌客户”。右下角这个象限的人群，就是“屌丝”群体，他们“频繁地买便宜货”。左上角的人群是精英阶层，他们“选购好商品”。左下角的人群可以归结为长尾客户，不需要我们花精力去维护，让他们自然生长，转变为其他三个象限的人群后，我们再施以针对性的策略。

4．矩阵思维

如图4-60所示，矩阵思维是分类思维的延伸，它不再局限于用量化指标进行分类。许多时候，我们没有数据作支持，只能通过经验做主观的推断，可以把某些重要因素组合成矩阵，大致定义出好坏的方向，然后进行分析。

矩阵思维

我们在上文中提到的“重要—紧急矩阵”，就是矩阵思维的一个例子。

5．管道/漏斗思维

这种思维方式已经比较普及了，注册转化、购买流程、销售管道、浏览路径等，很多分析场景中都能找到这种思维的影子，如图4-61所示。

漏斗思维

作者认为看上去越是普世、越是容易理解的模型，它的应用越得谨慎和小心。在漏斗思维中，我们尤其要注意漏斗的长度。

漏斗从哪里开始到哪里结束？以作者的经验，漏斗的环节不该超过5个，且漏斗中各环节的百分比数值、量级不要超过100倍（漏斗第一个环节从100%开始，到最后一个环节的转化率数值不要低于1%）。若超过了这两个数值标准，建议分为多个漏斗进行观察。当然，这两个是经验数值，仅为读者提供一个参考。

理由是什么呢？超过5个环节，往往会出现多个重点环节，那么在一个漏斗模型中分析多个重要问题容易产生混乱。数值量级差距过大，数值间变化的实际意义很难被察觉，容易遗漏信息。例如，漏斗的第一个环节到第二个环节的转化率从60%变到50%，让你感觉是天大的事情，而漏斗最后环节的转化率发生0.1%的变动，你却不以为然，其实往往是漏斗最后这0.1％的变动非常致命。

6．相关思维

如图4-62所示，我们观察指标，不仅要看单个指标的变化，还需要观察指标间的相互关系。有正相关关系（实线）和负相关关系（虚线）。最好能时常计算指标间的相关系数，定期观察变化。

相关思维

现在很多企业管理层，面对的问题并不是没有数据，而是数据太多，有用的数据太少。相关思维的一个应用，就是帮助我们找到最重要的数据，排除过多杂乱数据的干扰。

如何执行呢？可以计算能收集到的多个指标间的相互关系，挑出与其他指标相关系数都相对较高的数据指标，分析它的产生逻辑、对应的问题，并评估信度和效度，若都满足标准，这个指标就能定位为核心指标。

建议读者养成一个习惯，经常计算指标间的相关系数，仔细思考相关系数背后的逻辑，或许能给你带来惊喜！另外，“没有相关关系”，也会成为惊喜的来源。在第5章中，我们会针对相关系数模型做详细的讨论，你会更多地体会相关思维的好处。

7．远近度思维

在与许多处在管理层的朋友交流后，发现他们往往手握众多数据和报表，注意力却非常跳跃和分散。这当然不是好现象，但如何避免呢？一是通过相关思维，找到最核心的问题和指标；二是建立远进度的思维方式，如图4-63所示。

远近度思维

确定好核心问题后，分析其他业务问题与该核心问题的远近程度，由近及远，有计划地分配自己的精力。例如，近期你的核心任务是提高