大數(shù)據(jù)時代的思維革命

”數(shù)據(jù)驅(qū)動決策”，為了不讓這句話成為空話，請先裝備以下13種思想武器，相信將來你一定能用上！

信度與效度思維

這部分也許是全文最難理解的部分，但我覺得也最為重要。沒有這個思維，決策者很有可能在數(shù)據(jù)中迷失。

信度與效度的概念最早來源于調(diào)查分析，但現(xiàn)在我覺得可以引申到數(shù)據(jù)分析工作的各方面。

所謂信度，是指一個數(shù)據(jù)或指標自身的可靠程度，包括準確性和穩(wěn)定性。

取數(shù)邏輯是否正確？有沒有計算錯誤？這屬于準確性；每次計算的算法是否穩(wěn)定？口徑是否一致？以相同的方法計算不同的對象時，準確性是否有波動？這是穩(wěn)定性。做到了以上兩個方面，就是一個好的數(shù)據(jù)或指標了？其實還不夠，還有一個更重要的因素，就是效度！

所謂效度，是指一個數(shù)據(jù)或指標的生成，需貼合它所要衡量的事物，即指標的變化能夠代表該事物的變化。

只有在信度和效度上都達標，才是一個有價值的數(shù)據(jù)指標。舉個例子：要衡量我身體的肥胖情況，我選擇了穿衣的號碼作為指標，一方面，相同的衣服尺碼對應的實際衣服大小是不同的，會有美版韓版等因素，使得準確性很差；同時，一會兒穿這個牌子的衣服，一會兒穿那個牌子的衣服，使得該衡量方式形成的結(jié)果很不穩(wěn)定；所以，衣服尺碼這個指標的信度不夠。另一方面，衡量身體肥胖情況用衣服的尺碼大??？你一定覺得荒唐，尺碼大小并不能反映肥胖情況，是吧？因此效度也不足。體脂率，才是信度和效度都比較達標的肥胖衡量指標。

在我們的現(xiàn)實工作中，許多人會想當然地拿了指標就用，這是非常值得警惕的。你要切骨頭卻拿了把手術(shù)刀，是不是很可悲？信度和效度的本質(zhì)，其實就是“數(shù)據(jù)質(zhì)量”的問題，這是一切分析的基石，再怎么重視都不過分！

平衡思維

說到天平大家都不陌生，平衡的思維相信各位也都能很快理解。簡單來說，在數(shù)據(jù)分析的過程中，我們需要經(jīng)常去尋找事情間的平衡關系，且平衡關系往往是關乎企業(yè)運轉(zhuǎn)的大問題，如市場的供需關系，薪資與效率關系，工作時長與錯誤率的關系等等。

平衡思維的關鍵點，在于尋找能展示出平衡狀態(tài)的指標！

也就是如圖中的指針，我們要去尋找這個準確的量化指標，來觀察天平的傾斜程度。怎么找這個指標呢？以我的經(jīng)驗，一般先找雙向型的問題，即高也不是低也不是的問題，然后量化為指標，最后計算成某個比率，長期跟蹤后，觀察它的信度和效度。

分類思維

客戶分群、產(chǎn)品歸類、市場分級、績效評價…許多事情都需要有分類的思維。主觀拍腦袋可以分類，通過機器學習算法也可以分類，那么許多人就模糊了，到底分類思維怎么應用呢？

關鍵點在于，分類后的事物，需要在核心指標上能拉開距離！

也就是說分類后的結(jié)果，必須是顯著的。如圖，橫軸和縱軸往往是你運營當中關注的核心指標（當然不限于二維），而分類后的對象，你能看到他們的分布不是隨機的，而是有顯著的集群的傾向。

舉個例子：假設該圖反映了某個消費者分群的結(jié)果，橫軸代表購買頻率，縱軸代表客單價，那么綠色的這群人，就是明顯的“人傻錢多”的“剁手金牌客戶”。

矩陣化思維

矩陣思維是分類思維的發(fā)展，它不再局限于用量化指標來進行分類。許多時候，我們沒有數(shù)據(jù)做為支持，只能通過經(jīng)驗做主觀的推斷時，是可以把某些重要因素組合成矩陣，大致定義出好壞的方向，然后進行分析。大家可以百度經(jīng)典的管理分析方法“波士頓矩陣”模型（如圖所示）。

管道/漏斗思維

這種思維方式已經(jīng)普及：注冊轉(zhuǎn)化、購買流程、銷售管道、瀏覽路徑等，太多的分析場景中，能找到這種思維的影子。

但我要說，看上去越是普世越是容易理解的模型，它的應用越得謹慎和小心。在漏斗思維當中，我們尤其要注意漏斗的長度。

漏斗從哪里開始到哪里結(jié)束？以我的經(jīng)驗，漏斗的環(huán)節(jié)不該超過5個，且漏斗中各環(huán)節(jié)的百分比數(shù)值，量級不要超過100倍（漏斗第一環(huán)節(jié)100%開始，到最后一個環(huán)節(jié)的轉(zhuǎn)化率數(shù)值不要低于1%）。若超過了我說的這兩個數(shù)值標準，建議分為多個漏斗進行觀察。當然，這兩個是經(jīng)驗數(shù)值，僅僅給各位做個參考。

理由是什么呢？超過5個環(huán)節(jié)，往往會出現(xiàn)多個重點環(huán)節(jié)，那么在一個漏斗模型中分析多個重要問題容易產(chǎn)生混亂。數(shù)值量級差距過大，數(shù)值間波動相互關系很難被察覺，容易遺漏信息。比如，漏斗前面環(huán)節(jié)從60%變到50%，讓你感覺是天大的事情，而漏斗最后環(huán)節(jié)0.1%的變動不能引起你的注意，可往往是漏斗最后這0.1％的變動非常致命。

相關思維

我們觀察指標，不僅要看單個指標的變化，還需要觀察指標間的相互關系！有正相關關系（圖中紅色實線）和負相關關系（藍色虛線）。最好能時常計算指標間的相關系數(shù)，定期觀察變化。

相關思維的應用太廣了，我提的往往是被大家忽略的一點。現(xiàn)在的很多企業(yè)管理層，面對的問題并不是沒有數(shù)據(jù)，而是數(shù)據(jù)太多，卻不知道怎么用。相關思維的其中一個應用，就是能夠幫助我們找到最重要的數(shù)據(jù)，排除掉過多雜亂數(shù)據(jù)的干擾！

如何執(zhí)行呢？你可以計算能收集到的多個指標間的相互關系，挑出與其他指標相關系數(shù)都相對較高的數(shù)據(jù)指標，分析它的產(chǎn)生邏輯，對應的問題，并評估信度和效度，若都滿足標準，這個指標就能定位為核心指標！

建議大家養(yǎng)成一個習慣，經(jīng)常計算指標間的相關系數(shù)，仔細思考相關系數(shù)背后的邏輯，有的是顯而易見的常識，比如訂單數(shù)和購買人數(shù)，有的或許就能給你帶來驚喜！另外，“沒有相關關系”，這往往也會成為驚喜的來源哦。

遠近度思維

現(xiàn)在與許多處在管理層的朋友交流后，發(fā)現(xiàn)他們往往手握眾多數(shù)據(jù)和報表，注意力卻是非常的跳躍和分散。如何避免呢？一是上文說的通過相關思維，找到最核心的問題和指標；二就是這部分要說的，建立遠進度的思維方式。

確定好核心問題后，分析其他業(yè)務問題與核心問題的遠近程度，由近及遠，把自己的精力有計劃地分配上去。比如：近期你的核心任務就是提高客服人員的服務質(zhì)量，那么客服人員的話術(shù)、客戶評價通道、客服系統(tǒng)的相應速度等就是靠的最近的子問題，需要重點關注。而客戶的問詢習慣、客戶的購買周期等就是相對遠的問題，暫時先放一放。當然，本人經(jīng)歷有限，例子舉得不恰當?shù)牡胤竭€望讀者們海涵。

邏輯樹思維

如圖的樹狀邏輯相信大家已經(jīng)見過許多回了。一般說明邏輯樹的分叉時，都會提到“分解”和“匯總”的概念。我這里把它變一變，使其更貼近數(shù)據(jù)分析，稱為“下鉆”和“上卷”。當然，這兩個詞不是我發(fā)明的，早已有之。

所謂下鉆，就是在分析指標的變化時，按一定的維度不斷的分解。比如，按地區(qū)維度，從大區(qū)到省份，從省份到城市，從省市到區(qū)。所謂上卷就是反過來。隨著維度的下鉆和上卷，數(shù)據(jù)會不斷細分和匯總，在這個過程中，我們往往能找到問題的根源。

下鉆和上卷并不是局限于一個維度的，往往是多維組合的節(jié)點，進行分叉。邏輯樹引申到算法領域就是決策樹。有個關鍵便是何時做出決策（判斷）。當進行分叉時，我們往往會選擇差別最大的一個維度進行拆分，若差別不夠大，則這個枝椏就不在細分。能夠產(chǎn)生顯著差別的節(jié)點會被保留，并繼續(xù)細分，直到分不出差別為止。經(jīng)過這個過程，我們就能找出影響指標變化的因素。

舉個簡單的例子：我們發(fā)現(xiàn)全國客戶數(shù)量下降了，我們從地區(qū)和客戶年齡層級兩個維度先進行觀察，發(fā)現(xiàn)各個年齡段的客戶都下降，而地區(qū)間有的下降有的升高，那我們就按地區(qū)來拆分第一個邏輯樹節(jié)點，拆分到大區(qū)后，發(fā)現(xiàn)各省間的差別是顯著的，那就繼續(xù)拆分到城市，最終發(fā)現(xiàn)是浙江省杭州市大量客戶且涵蓋各個年齡段，被競爭對手的一波推廣活動轉(zhuǎn)化走了。就此通過三個層級的邏輯樹找到了原因。

時間序列思維

很多問題，我們找不到橫向?qū)Ρ鹊姆椒ê蛯ο?，那么，和歷史上的狀況比，就將變得非常重要。其實很多時候，我更愿意用時間維度的對比來分析問題，畢竟發(fā)展地看問題，也是“紅色方法論”中的重要一環(huán)。這種方式容易排除掉一些外在的干擾，尤其適合創(chuàng)新型的分析對象，比如一個新行業(yè)的公司，或者一款全新的產(chǎn)品。

時間序列的思維有三個關鍵點：一是距今越近的時間點，越要重視；二是要做同比；三是異常值出現(xiàn)時，需要重視（比如出現(xiàn)了歷史最低值或歷史最高值，建議在時間序列作圖時，添加平均值線和平均值加減一倍或兩倍標準差線，便于觀察異常值）。

時間序列思維有一個子概念不得不提一下，就是“生命周期”的概念。用戶、產(chǎn)品、人事等無不有生命周期存在。本人最近也正在將關注的重心移向這塊，直覺上，生命周期衡量清楚，就能很方便地確定一些“閥值”問題，使產(chǎn)品和運營的節(jié)奏更明確。

隊列分析思維

隨著數(shù)據(jù)運算能力的提高，隊列分析的方式逐漸展露頭腳。英文名稱為cohort analysis，說實話我不知道怎么表述這個概念，我的理解就是按一定的規(guī)則，在時間顆粒度上將觀察對象切片，組成一個觀察樣本，然后觀察這個樣本的某些指標隨著時間的演進而產(chǎn)生的變化。目前使用得最多的場景就是留存分析。

舉個經(jīng)常用的例子：假設5.17我們舉辦了一次促銷活動，那么將這一天來的新用戶作為一個觀察樣本，觀察他們在5.18、5.19…之后每天的活躍情況。

隊列分析中，指標其實就是時間序列，不同的是衡量樣本。隊列分析中的衡量樣本是在時間顆粒上變化的，而時間序列的樣本則相對固定。

循環(huán)/閉環(huán)思維

循環(huán)／閉環(huán)的概念可以引申到很多場景中，比如業(yè)務流程的閉環(huán)、用戶生命周期閉環(huán)、產(chǎn)品功能使用閉環(huán)、市場推廣策略閉環(huán)等等。許多時候你會覺得這是一個不落地的概念，因為提的人很多，干出事情來的例子很少。

但我覺得這種思考方式是非常必要的。業(yè)務流程的閉環(huán)是管理者比較容易定義出來的，列出公司所有業(yè)務環(huán)節(jié)，梳理出業(yè)務流程，然后定義各個環(huán)節(jié)之間相互影響的指標，跟蹤這些指標的變化，能從全局上把握公司的運行狀況。

比如，一家軟件公司的典型業(yè)務流：推廣行為（市場部） 流量進入主站（市場＋產(chǎn)研） 注冊流程（產(chǎn)研） 試用體驗（產(chǎn)研＋銷售） 進入采購流程（銷售部） 交易并部署（售后＋產(chǎn)研） 使用、續(xù)約、推薦（售后＋市場） 推廣行為，一個閉環(huán)下來，各個銜接環(huán)節(jié)的指標，就值得關注了：廣告點擊率 注冊流程進入率 注冊轉(zhuǎn)化率 試用率 銷售管道各環(huán)節(jié)轉(zhuǎn)化率 付款率 推薦率／續(xù)約率…這里會涉及漏斗思維，如前文所述，千萬不要用一個漏斗來衡量一個循環(huán)。

有了循環(huán)思維，你能比較快的建立有邏輯關系的指標體系。

測試/對比思維

AB Test，大家肯定不陌生了。那么怎么細化一下這個概念？一是在條件允許的情況下，決策前盡量做對比測試；二是測試時，一定要注意參照組的選擇，建議任何實驗中，都要留有不進行任何變化的一組樣本，作為最基本的參照。

現(xiàn)在數(shù)據(jù)獲取越來越方便，在保證數(shù)據(jù)質(zhì)量的前提下，希望大家多做實驗，多去發(fā)現(xiàn)規(guī)律。

指數(shù)化思維

指數(shù)化思維，是指將衡量一個問題的多個因素分別量化后，組合成一個綜合指數(shù)（降維），來持續(xù)追蹤的方式。把這個放在最后討論，目的就是強調(diào)它的重要性。前文已經(jīng)說過，許多管理者面臨的問題是“數(shù)據(jù)太多，可用的太少”，這就需要“降維”了，即要把多個指標壓縮為單個指標。

指數(shù)化的好處非常明顯，一是減少了指標，使得管理者精力更為集中；二是指數(shù)化的指標往往都提高了數(shù)據(jù)的信度和效度；三是指數(shù)能長期使用且便于理解。

指數(shù)的設計是門大學問，這里簡單提三個關鍵點：一是要遵循“獨立和窮盡”的原則；二是要注意各指標的單位，盡量做“標準化”來消除單位的影響；三是權(quán)重和需要等于1。

獨立窮盡原則，即你所定位的問題，在搜集衡量該問題的多個指標時，各個指標間盡量相互獨立，同時能衡量該問題的指標盡量窮盡（收集全）。舉個例子：當初設計某公司銷售部門的指標體系時，目的是衡量銷售部的績效，確定了核心指標是銷售額后，我們將績效拆分為訂單數(shù)、客單價、線索轉(zhuǎn)化率、成單周期、續(xù)約率5個相互獨立的指標，且這5個指標涵蓋了銷售績效的各個方面（窮盡）。我們設計的銷售績效綜合指數(shù)＝0.4＊訂單數(shù)＋0.2＊客單價＋0.2＊線索轉(zhuǎn)化率＋0.1＊成單周期＋0.1＊續(xù)約率，各指標都采用max-min方法進行標準化。

通過這個例子，相信各位就能理解指數(shù)化思維了。