用户思维怎么培养（思维培养的策略）

数据思维就是使用数据提出问题和解决问题的能力。面对一堆业务问题的时候，通过数据的方法做分析从而给出建议来解决业务问题。

其核心有两个，一个是数据敏感度，一个是数据方法经验。

（1）数据敏感度：看到一个数字就能感知这个数字是否合理还是有异常，当数据异常的时候，大概能知道问题可能出在哪里，并且能够追溯到原因。总之，数据敏感度高就可以看到数据背后更多的信息。例如我们在做报表统计的时候，能一眼看出其中的数据异常，并进行分析找出原因，这也是从事数据行业日积月累的能力。

（2）数据方法经验：能够利用数据分析的方法来解决实际的问题。这是绝大部分数据分析师必需的技能，包括：

用业务模型来解释数据表现、用数据公式实现数据的演化、用技巧发现数据表达的含义、用工具提升我们数据分析的效率，本质都是为了通过数据把定性的事情转变为定量，从而能够更具象化、标准化，能横纵对比，能细化放大，能把复杂的事情简单化，然后解决问题。

1.1 数据思维应用基本思路

数据思维能够让工作更加客观、更加结构化和更具延展性，其存在价值就是了解需求，然后通过各种方法收集数据，再提取有价值的信息去优化业务线，从而改进决策，不断迭代，降本提效，驱动增长，最终创造价值。概括起来，数据思维应用大致思路是：

首先，数据波动，数据来源是哪里，目标是谁？比如活跃用户数波动，付费转化用户数据如何？

其次，你得知道数据来源以及意义，数据是怎么产生的？比如数据提升或者下降代表什么？

再次，要明确分析的目的？比如活跃用户数同比、环比波动较大，是什么原因呢？

想通过分析达到什么效果？比如通过分析会员付费用户，找到问题，解决问题从而提升收入？

想做出分析，需要什么维度的数据？如会员付费总额、付费企业数、客单价、会员付费次数、会员各等级占比？

我们需要找到核心数据指标进行拆解，为后续明确收集哪些数据，这里可以采用结构化分解的方法“MECE法则”，即“相互独立、完全穷尽”，也就是“不重叠，不遗漏”。

拆解指标后，我们对数据进行采集，是直接数据库调取或者提前让技术埋点等。

数据出来，如何整理用户数据、各个渠道新增报表等？

完成数据整理后，是如何对数据进行综合分析，相关分析或者对比分析？还要考虑用什么分析方法——5w2h分析法，4p分析法，杜邦分析法等？其他竞对做的活动更具吸引力？产品付费功能是否出现问题？

找到问题后，让数据呈现出画面感。如新增渠道的付费转化率较低，那么转化率低代表什么？此时我们就需要考虑用什么图表表现？是用柱状图还是趋势图等？环状图用于展示各个数据在总数据中的占比，适用于看数据分布的比例，如渠道流量分布、各个应用商店App的下载量分布等。

柱状图用于展示数据分布，如用户年龄分布、新增来源渠道分布等。折线图用于展示数据的变化趋势。不同的图表有相应的表现形式，还有饼状图，堆积图，条形图，面积图等，这里就不一一列举了。

最后，找准问题，就要进行决策，需要我们考虑如何输出？比如怎么说技术？如何说服运营策划？具体执行方案是什么？预期达到的效果如何？最后通过不断迭代，降本提效，驱动增长，最终创造价值。

一、如何建立数据分析思维

技能容易掌握，但思维却很难短时间内培养出来。拥有良好的数据思维，至少还需要有一定的数据基础。

要证明该数据资产属于企业拥有或者控制的资源，就必须要进行数据确权。或者我们在内部使用的数据，能确定所谓的数据owner。例如对于广告部门而言，收入就是KPI，每天的广告收入是重点关注的指标，需要能从整体的收入下降不断递进反推快速命中下降的原因，需要追问：为什么会下降？降在哪个渠道？哪个广告点位？是算法策略调整了？还是产品功能优化了？还是促销活动？

但这不是一蹴而就的，需要建立对业务框架和细节的了解，再加上积累经验，数据思维是可以学习并且通过不断反复演练而强化的。想要培养良好的数据思维，需要学会建立严密的数据链条。

梳理业务的时候，都会用业务流程图表明各个模块之间的关系，伴随着业务流程产生的数据，就是数据流，各个数据指标之间也存在先后和关联，这就是我所说的数据链条。

例如，电商行业最重要的数据指标GMV，以淘宝APP为例

从以上例子我们可以看到，看起来简单的成交这个动作，可以拆解为不同的链条用户思维怎么培养，每个链条上由于用户的动作分支不同会伴随产生不同的数据链条。

只有了解数据是怎么产生的，才能具备反向定位的能力。所以说，梳理业务逻辑，形成清晰的数据链条，是建立数据思维的重要一步。

2.2 养成对数据指标拆解的习惯

拆解能力决定了能否有效处理和解决复杂事务，简单来说，就是把一个复杂问题拆解成一个个基础元素，通过研究这些元素，控制和改变基本的元素进而解决复杂的问题。

简单地说，就是按照各不同维度进行拆分，定位当前问题，从问题核心出发拆解影响因素，最终确定验证角度。再通过指标、公式、模型的方式找到验证影响因素的量化标准。

简单地说，用户行为路径所要经过的核心流程步骤，用户在流程的走向过程中会逐渐地减少。梳理各流程环节涉及复杂业务过程关键业务的节点，而漏斗图是对业务流程最直观的一种表现形式，并且也最能说明问题的所在。比如获客就是一个链路比较长的业务场景，涉及活动曝光、客户点击、客户意愿、填写信息、客服回访、客户下载、激活、注册、下单等一系列业务环节，通过漏斗图可以很快发现业务流程中存在问题的环节，确定业务瓶颈。

2.3 数据常用的数据多做维度对比

对比、细分、溯源是数据分析的6字箴言，而对比虽然是最简单的，却是在培养数据思维中非常重要的一环。所谓对比是指将两个或两个以上的数据（指标）进行比较，分析它们的差异，从而揭示这些数据所代表的事物发展变化情况和规律性。来判断业务进展情况以及追踪业务是否有问题。其特点：简单、直观、量化。即可以非常直观地看出事物某方面的变化或差距，并且可以量化、准确地表示出这种变化或差距是多少。对比分析思维可分为两类：静态比较（和行业比）和动态比较（和自己比）

即在同一时间条件下对不同总体指标的比较，如不同部门、不同地区、不同国家的比较叫做横向比较，简称横比。

一般来说，同业的数据来源主要公开发表的数据用户思维怎么培养，包括上市公司的财报、主动披露的数据等等，数据的信息源不同其准确性也会存在各种差异，但是通过仔细分析还是能得到一些自己想要的东西，取决于每个人数据思维能力的高低。

即是在同一总体条件下对不同时期指标数值的比较，也叫纵向比较，简称纵比。

一般来说，会进行同比、环比等，通过趋势图观察一段时间的走势，这是常见的比较思路，但是注意不要忘记最初设定的目标。在工作中会发现有个问题就是有时候我们会发现同比环比之后，指标都上涨了，营造出欣欣向荣的局面，但其实并没有达到我们的目标，只是基准值太低，这是一种典型的目标侵蚀。

总之，这2种方法既可单独使用，也可结合使用。纵向的是因果，横向的是相关。然而对比分析的时候要遵从以下原则：

2.4 数据熟悉各种数据分析模型

数据模型其实是各种数据分析经验的抽象集合，你拥有了更多的数据模型，也就拥有了更多的认知“数据”世界的工具。在斯科特·佩奇的《模型思维》一书中，提到了20多个思维模型，数据分析过程中可能会经常用到的主要有：AARRR（海盗模型）、漏斗模型、金字塔模型、RFM模型、用户生命周期模型、消费者行为模型等等。

三、一些细节

美国心理学家布鲁纳认为好奇心是人类行为的原始动机之一。它常由人们所接触的不明确的事物或未完成的事情引起。当事物尚未明确，事态尚未完成时，人们时常受好奇心的驱使去探索这些未知的行为过程或结果，并从中得到满足。然而，在锻炼数据思维时，一定是有好奇心的，有兴趣去知道数据背后的逻辑的。

《原则》一书中举的例子是：大部分人不是真正地寻找事实，而是寻找那些能证明自己观点的事实。我们大部分人表达的事实，可能已经是带有自己价值取向的观点。因此，我们要注意自身的观点，用事实说话。

主观是指人的意识、思想、认识等；客观是指人的意识之外的物质世界或认识对象。我们不能用主观判断数据的好坏，以符合实际业务场景的客观事实的标准来判断，可以根据竞对数据，往期数据，目标数据等维度来制定准备。

首先，可以多看写权威、专业的数据分析报告，梳理以及了解人家的分析过程。去不同行看看不同数据报告，发现问题，总结经验，还可以多看自己业务的数据和每天的各种数据报表，整理出来，每天看走势，发现异常及时分析。其次，还有多多去尝试用同样的分析方法去分析类似的数据。可以套用别人的分析思路去尝试分析自己的业务问题，最后，总结分析过程中的问题以及经验。总之，就是多看，多练，多总结。

4、如何应用数据分析思维

数据思维可以应用在工作和生活中不同的场景中。

在工作中：

在生活中：

总之，数据思维的应用非常广泛，还有在管理的应用，人力的应用等，这里就不一一扩展了，其应用基本是大同小异，只要我们掌握了基本的思维思路，再者不断地提升工具的使用，结合实际的业务场景，贴合业务来应用数据思维，就能在工作和生活中发现问题，解决问题，总结问题。

五、总结

数据思维是一种底层的思维模式，其作用有：

数据思维不只是数据知识和数据技能，数据思维是用数据提出问题和找到解决问题的办法。其次，数据思维要发挥作用，需要与其他的能力组合。如问题意识、行动能力，这些都是与数据思维不同的能力和品质，它们与数据思维组合起来，创造更高效的价值。