【业务知识】数据驱动决策的思维方式

原文出处：https://www.jianshu.com/p/5a8f01fe7f2a

本文仅用于复习，不对外。

一、信度与效度思维

信度：指一个数据或指标自身的可靠程度，包括准确性和稳定性。

例如：
准确性：
（1）取数逻辑是否正确？
（2）有没有计算错误？
稳定性：
（1）每次计算的算法是否稳定？
（2）口径是否一致？
（3）以相同的方法计算不同的对象时，准确性是否有波动？

效度：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。

例：采用什么指标衡量身体的肥胖情况？
假设采用穿衣的尺码大小。
（1）该指标准确性很差。因为美版韩版和国内版本的尺码衡量标准不一，相同尺码的衣服对应的衣服真正的大小是不一致的。
（2）该指标稳定性很差。穿不同版本的衣服使得衡量标准不稳定。
（1）和（2）说明信度很差。
（3）该指标效度也很差。因为衣服大小并不能体现肥胖程度，还有可能是因为骨架大小而受影响。
综上所述，应该考虑体脂率作为新的指标。

只有在信度和效度上都达标，才是一个有价值的数据指标。
信度和效度的本质，其实就是数据质量的问题，这是一切分析的基石。

二、平衡思维

例：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，在于寻找能展示除平衡状态的指标。这个指标应该是可以衡量天平的倾斜程度的，常用的是比率指标。

三、分类思维

例：客户分群；产品归类；市场分级；绩效评价等。

关键在于，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。
在图中，横轴和纵轴是运营当中所关注的核心指标，而分类后的对象，它们的分布不该是随机的，而是有显著的集群的倾向。

例：假设上图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“绿色点”人群就是“剁手金牌客户”。

四、矩阵思维

矩阵思维是分类思维的定性版，即不用量化指标来分类，而是通过经验进行定性分类，大致定义出好坏的方向。

例：波士顿矩阵，又称市场增长率-相对市场份额矩阵、波士顿咨询集团法、四象限分析法、产品系列结构管理法等。

五、管道/漏斗思维

例：注册转化、购买流程、销售管道、浏览路径等。

在实际运用中，要特别注意漏斗的长度。
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（即第一个环节100%开始，最后一个环节不要低于1%）。
如果不能满足上述条件，建议拆分为多个漏斗进行观察。

原因：
（1）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当中分析多个重要问题容易产生混乱。
（2）量级差距过大，不容易发现数值间波动的相互关系，容易遗漏信息。

例如：漏斗最后一个环节0.1%的变动，可能比从60%到50%的变动更致命。

六、相关思维

相关思维的其中一个应用，就是能够帮助我们找到最重要的数据，排除掉过多杂乱数据的干扰。
如何执行？
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！
注：
（1）可以思考相关系数背后的逻辑，为什么会高（如订单数和购买人数）？
（2）如果不能解释相关系数为什么会高，往往就是得出“惊喜”结论的地方。

七、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，把自己的精力有计划地分配上去。

例如，近期的核心任务是提高客服人员的服务质量，那么：
相对近的其他问题有客服人员的话术、客户评价通道、客服系统的响应速度等，这些需要先关注。
相对远的其他问题有客户的问讯习惯、客户的购买周期等，这些暂时先放一放。

八、逻辑树思维

下钻，即在分析指标的变化时，按一定的维度不断的分解。

例如，按地区维度下钻，从省到市，从市到区。

上卷，即汇总。
在不断的细分或汇总的过程中，我们往往能找到问题的根源。
下钻和上卷往往是多维组合的节点。
逻辑树引申到算法领域就是决策树，寻找差别最大（信息增益）的维度进行拆分。直到差别不大不能再细分时，就能找出影响指标变化的因素。

例如，分析全国客户数量下降的原因。
从地区和客户年龄层级两个维度进行观察。
（1）各个年龄段的客户都下降，而地区有的上升有的下降，因此先按地区拆分第一个逻辑树节点。
（2）拆分到省后，发现各省间的差别是显著的，就继续拆分到城市，发现是浙江杭州大量各年龄客户被竞争对手的一波推广活动挖走了。
由此得到了原因。

九、时间序列思维

很多问题，我们找不到横向对比的方法和对象，那么，和历史上的状况比，就将变得非常重要。
这种方式容易排除掉一些外在的干扰，尤其适合创新型的分析对象，比如一个新行业的公司，或者一款全新的产品。
时间序列的思维有三个关键点：
（1）距今越近的时间点，越要重视（图中的深浅度，越近期发生的事，越有可能再次发生）；
（2）要做同比（图中的尖头指示，指标往往存在某些周期性，需要在周期中的同一阶段进行对比，才有意义）；
（3）异常值出现时，需要重视（比如出现了历史最低值或历史最高值，建议在时间序列作图时，添加平均值线和平均值加减一倍或两倍标准差线，便于观察异常值）。
时间序列思维可以用在“生命周期”分析当中，生命周期问题衡量清楚，就能很方便地确定一些“阀值”问题，使产品和运营的节奏更明确。

十、队列分析思维

队列分析，即按一定的规则，在时间颗粒度上将观察对象切片，组成一个观察样本，然后观察这个样本的某些指标随着时间的演进而产生的变化。
队列分析的常用场景是留存分析。

例如，假设5.17我们举办了一次促销活动，那么将这一天来的新用户作为一个观察样本，观察他们在5.18、5.19...之后每天的活跃情况。

十一、循环/闭环思维

循环／闭环的概念可以引申到很多场景中，比如业务流程的闭环、用户生命周期闭环、产品功能使用闭环、市场推广策略闭环等。
业务流程的闭环是管理者比较容易定义出来的，列出公司所有业务环节，梳理出业务流程，然后定义各个环节之间相互影响的指标，跟踪这些指标的变化，能从全局上把握公司的运行状况。

例如，比如，一家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）➡试用体验（产研＋销售）➡进入采购流程（销售部）➡交易并部署（售后＋产研）➡使用、续约、推荐（售后＋市场）➡推广行为，一个闭环下来，各个衔接环节的指标，就值得关注了：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➡付款率➡推荐率／续约率...

注意：这里会涉及漏斗思维，如前文所述，千万不要用一个漏斗来衡量一个循环。

十二、测试/对比思维

即A/B test。
注意：
（1）在条件允许的情况下，决策前尽量做对比测试；
（2）测试时，一定要注意参照组的选择，建议任何实验中，都要留有不进行任何变化的一组样本，作为最基本的参照。

补充（AAtest的作用）：
AA指的是实验中的各个方案都是一致的。这么做的目的是啥?这是为了测试埋点、分流、实验统计的正确性,增加AB实验的实验结论可信度。

十三、指数化思维

指数化思维，是指将衡量一个问题的多个因素分别量化后，组合成一个综合指数（降维），来持续追踪的方式。即要把多个指标压缩为单个指标。
指标思维的三个关键点：
（1）遵循独立和穷尽的原则；
即你所定位的问题，在搜集衡量该问题的多个指标时，各个指标间尽量相互独立，同时能衡量该问题的指标尽量穷尽（收集全）。
（2）要注意各指标的单位，尽量做标准化来消除单位的影响；
（3）权重和需要等于1。

例，当初设计某公司销售部门的指标体系时，目的是衡量销售部的绩效，确定了核心指标是销售额后，我们将绩效拆分为订单数、客单价、线索转化率、成单周期、续约率5个相互独立的指标，且这5个指标涵盖了销售绩效的各个方面（穷尽）。我们设计的销售绩效综合指数＝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＊续约率，各指标都采用max-min方法进行标准化。

十四、人货场思维

人是指客户、内部员工；
货是指商品、产品；
场是指企业环境、行业环境、活动环境。
记住“人货场”这三个维度，能够在绝大多数的业务背景下，相对全面&有逻辑的列举出影响因素，针对每一个有可能影响最终结果的因素进行一一验证，得到结论。

例，GMV下降了20%应该怎么分析？
（1）从“人”的角度：主要考虑新老客户、不同地区、不同渠道、不同忠诚度客户等维度，通过数据一一验证。
假设数据表明，新客户的GMV同比下降25%，老客户的GMV同比上升2%，则可以将原因定位在新客户中。推测可能是拉新活动失效，使得新客户下单减少。
（2）从“货”的角度：主要考虑不同品类、不同价位、不同商家等维度。
假设数据表明，手办品类的商品GMV占总GMV的30%，但手办品类的GMV下降了35%，则可以将原因定位在手办品类中。推测可能是手办品类的质量不佳。
（3）从“场”的角度：主要考虑企业内部活动、行业情况等维度。
假设数据表明，今年活动数量比去年要少20%，则推测可能是活动数量减少导致GMV下降。