本文首發於微信公眾號：數據分析。文章內容屬作者個人觀點，不代表和訊網立場。投資者據此操作，風險請自擔。
「數據驅動決策」，為了不讓這句話成為空話，在本章的最後，作者將自己的經驗提煉為以下15種思想武器，不求你當下就能掌握，但希望你能不斷參悟並修正。
1.信度與效度思維
在指標構建的內容中已經對指標的信度和效度做了闡述。這部分也許是最難理解的，但也最重要。沒有這個思維，決策者很有可能在數據中迷失，如圖4-57所示。
度與效度思維信度與效度的概念最早來源於調查分析，但現在可以引申到數據分析工作的各個方面。
所謂信度，是指一個數據或指標自身的可靠程度，包括準確性和穩定性。取數邏輯是否正確？有沒有計算錯誤？這屬於準確性；每次計算的算法是否穩定？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？這是穩定性。做到以上兩個方面，就是一個好的數據或指標了嗎？其實還不夠，還有一個更重要的因素，就是效度！
所謂效度，是指一個數據或指標的生成，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據指標。舉個例子：要衡量身體的肥胖情況，選擇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；另一方面，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果很不穩定。所以，衣服尺碼這個指標的信度不夠。尺碼大小並不能準確反映肥胖情況，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。你要剁骨頭卻拿了把手術刀，是不是很可悲？信度和效度的本質，其實屬於數據質量的問題，這是一切分析的基石，再怎麼重視都不過分！
2.平衡思維
說到天平讀者都不陌生，平衡的思維相信也都能很快理解。簡單來說，在數據分析的過程中，需要經常尋找事情間的平衡關係，且平衡關係往往是關乎企業運轉的大問題，如市場的供需關係，薪資與效率關係，工作時長與錯誤率的關係等。
平衡思維的關鍵點在於尋找能展示出平衡狀態的指標。也就是圖4-58所示的框，要通過這個準確的量化指標觀察天平的傾斜程度。怎麼找這個指標呢？一般先找雙向型的問題，即「高也不是低也不是」的問題，然後量化為指標，最後計算成某個比率，長期跟蹤後觀察它的信度和效度。
平衡思維舉個電商的例子，在電商的用戶行為分析中，用戶每次訪問的深度就是一個「高不成低不就」的問題。若用戶訪問深度過深，每次都要瀏覽很多個頁面，說明他在這裡沒有遇到想要的產品，或者頁面沒有促使他快速購買，這不是一家電商公司想看到的情況；若用戶每次訪問都很淺，看一兩個頁面就走掉了，說明你的產品展示、內容引導很有問題。那麼，訪問深度多少是合適的呢？這就是數據分析人員需要研究的問題——在多深的訪問深度時，用戶形成購買的概率最大。
3.分類思維
客戶分群、產品歸類、市場分級、績效評價等許多事情都需要有分類的思維。主管拍腦袋也可以分類，通過機器學習算法也可以分類，到底分類思維怎麼應用呢？
關鍵點在於，分類後的事物需要在核心關鍵指標上能拉開距離！也就是說，分類後的結果必須是顯著的。如圖4-59所示，橫軸和縱軸往往是你運營中關注的核心指標（當然不限於二維），而你能看到分類後的對象分布不是隨機的，而是有顯著的集群的傾向。
分類思維舉個例子，假設圖4-59所示反映了某個消費者分群的結果，橫軸代表購買頻率，縱軸代表客單價，那麼圖中右上角的這群人，就是明顯的「金牌客戶」。右下角這個象限的人群，就是「屌絲」群體，他們「頻繁地買便宜貨」。左上角的人群是精英階層，他們「選購好商品」。左下角的人群可以歸結為長尾客戶，不需要我們花精力去維護，讓他們自然生長，轉變為其他三個象限的人群後，我們再施以針對性的策略。
4.矩陣思維
如圖4-60所示，矩陣思維是分類思維的延伸，它不再局限於用量化指標進行分類。許多時候，我們沒有數據作支持，只能通過經驗做主觀的推斷，可以把某些重要因素組合成矩陣，大致定義出好壞的方向，然後進行分析。
矩陣思維我們在上文中提到的「重要—緊急矩陣」，就是矩陣思維的一個例子。
5.管道/漏鬥思維
這種思維方式已經比較普及了，註冊轉化、購買流程、銷售管道、瀏覽路徑等，很多分析場景中都能找到這種思維的影子，如圖4-61所示。
漏鬥思維作者認為看上去越是普世、越是容易理解的模型，它的應用越得謹慎和小心。在漏鬥思維中，我們尤其要注意漏鬥的長度。
漏鬥從哪裡開始到哪裡結束？以作者的經驗，漏鬥的環節不該超過5個，且漏鬥中各環節的百分比數值、量級不要超過100倍（漏鬥第一個環節從100%開始，到最後一個環節的轉化率數值不要低於1%）。若超過了這兩個數值標準，建議分為多個漏鬥進行觀察。當然，這兩個是經驗數值，僅為讀者提供一個參考。
理由是什麼呢？超過5個環節，往往會出現多個重點環節，那麼在一個漏鬥模型中分析多個重要問題容易產生混亂。數值量級差距過大，數值間變化的實際意義很難被察覺，容易遺漏信息。例如，漏鬥的第一個環節到第二個環節的轉化率從60%變到50%，讓你感覺是天大的事情，而漏鬥最後環節的轉化率發生0.1%的變動，你卻不以為然，其實往往是漏鬥最後這0.1%的變動非常致命。
6.相關思維
如圖4-62所示，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係。有正相關關係（實線）和負相關關係（虛線）。最好能時常計算指標間的相關係數，定期觀察變化。
相關思維現在很多企業管理層，面對的問題並不是沒有數據，而是數據太多，有用的數據太少。相關思維的一個應用，就是幫助我們找到最重要的數據，排除過多雜亂數據的幹擾。
如何執行呢？可以計算能收集到的多個指標間的相互關係，挑出與其他指標相關係數都相對較高的數據指標，分析它的產生邏輯、對應的問題，並評估信度和效度，若都滿足標準，這個指標就能定位為核心指標。
建議讀者養成一個習慣，經常計算指標間的相關係數，仔細思考相關係數背後的邏輯，或許能給你帶來驚喜！另外，「沒有相關關係」，也會成為驚喜的來源。在第5章中，我們會針對相關係數模型做詳細的討論，你會更多地體會相關思維的好處。
7.遠近度思維
在與許多處在管理層的朋友交流後，發現他們往往手握眾多數據和報表，注意力卻非常跳躍和分散。這當然不是好現象，但如何避免呢？一是通過相關思維，找到最核心的問題和指標；二是建立遠進度的思維方式，如圖4-63所示。
遠近度思維確定好核心問題後，分析其他業務問題與該核心問題的遠近程度，由近及遠，有計劃地分配自己的精力。例如，近期你的核心任務是提高客服人員的服務質量，那麼客服人員的話術、客戶評價通道、客服系統的響應速度等就是靠得最近的子問題，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。
除了事務的遠近度，還需要思考人事的遠近度。與核心業務指標關係近的人，需要重點關注，多檢查他們的工作方式和工作效率，多與他們溝通，保持信息的同步。
8.邏輯樹思維
如圖4-64所示，樹狀圖相信大家見過許多回了。一般說明邏輯樹的分叉時，都會提到「分解」和「匯總」的概念。這裡把它變一變，使其更貼近數據分析，稱為「下鑽」和「上卷」。當然，這兩個詞不是作者發明的，早已有之。
邏輯樹思維下鑽和上卷並不是局限於一個維度的，往往是多維組合的節點進行分叉。邏輯樹引申到算法領域就是決策樹。有個關鍵點是何時做出決策（判斷）。當進行分叉時，往往會選擇差別最大的一個維度進行拆分，若差別不夠大，則這個枝芽就不再細分。能夠產生顯著差別的節點會被保留，並繼續細分，直到分不出差別為止。經過這個過程，我們就能找出影響指標變化的因素。
舉個川術公司的例子：作為川術公司的CEO，你發現全國客戶數量下降了，你從地區和客戶年齡層級兩個維度先進行觀察，發現各個年齡段的客戶都在下降，而地區間有的下降有的升高，說明按地區進行分支能夠獲得更多信息，我們就按地區來拆分第一個邏輯樹節點。拆分到大區後，發現各省間的差別是顯著的，那就繼續拆分到城市，最終發現是浙江省杭州市的大量客戶（涵蓋各個年齡段），被競爭對手的一波推廣活動轉化走了。就此，通過三個層級的邏輯樹找到了問題所在。
9.時間序列思維
很多問題，我們找不到橫向對比的方法和對象，那麼，和歷史上的狀況比，就將變得非常重要。其實很多時候，作者更願意用時間維度的對比來分析問題。這種方式容易排除一些外在幹擾，尤其適合創新型的分析對象（沒有參照物），比如一個新行業的公司，或者一款全新的產品。
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（在圖4-65中用顏色的深淺度表示，越近期發生的事，越有可能再次發生）；二是要做同比（用箭頭指示，指標往往存在某些周期性，需要在周期中的同一階段進行對比才有意義）；三是異常值出現時，必須重視（比如出現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，便於觀察異常值）。
時間序列思維時間序列思維有一個子概念不得不提，就是「生命周期」的概念。用戶、產品、人事等無不有生命周期存在。衡量清楚生命周期，就能方便地確定一些「閾值」問題，使產品和運營的節奏更明確。
10.隊列分析思維
隨著數據運算能力的提高，隊列分析（Cohort Analysis）的方式逐漸嶄露頭腳，如圖4-66所示。作者的理解是按一定的規則，在某些維度上將觀察對象切片，組成一個觀察樣本，然後觀察這個樣本的某些指標隨著時間的演進而產生的變化。目前使用得最多的場景就是留存分析。
隊列分析思維舉個川術公司的例子：該公司在5月17日舉辦了一次促銷活動，將這一天來的新用戶作為一個觀察樣本，觀察他們之後每天的活躍情況。可以想像，若在5月17日、6月17日、7月17日都舉辦了活動，那麼這三天來的新用戶，在註冊後一段時間的使用情況就像3條隊伍一樣向後延伸。
11.循環／閉環思維
如圖4-67所示，循環／閉環的概念可以引申到很多場景中，例如業務流程的閉環、用戶生命周期閉環、產品功能使用閉環、市場推廣策略閉環等。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，幹出事情的很少。
閉環思維業務流程的閉環是管理者比較容易定義出來的，列出公司所有業務環節，梳理出業務流程，然後定義各個環節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。
例如，川術軟體公司的典型業務流：推廣行為（市場部）流量進入主站（市場＋產研）註冊流程（產研）試用體驗（產研＋銷售）進入採購流程（銷售部）交易並部署（售後＋產研）使用、續約、推薦（售後＋市場）推廣行為，一個閉環下來，各個銜接環節的指標，就值得關注了：廣告點擊率註冊流程進入率註冊轉化率試用率銷售管道各環節轉化率付款率推薦率／續約率……這裡會涉及漏鬥思維，但千萬不要用一個漏鬥來衡量一個循環。
不知你有沒有發現，閉環思維，實際上提供了一種設計指標體系的方式。有了循環思維，你能比較快地建立有邏輯關係的指標體系。
12.測試／對比思維
如圖4-68所示，A/B測試大家肯定不陌生。一是在條件允許的情況下，決策前儘量做對比測試；二是測試時，一定要注意參照組的選擇，建議任何實驗中都留有不進行任何變化的一組樣本，作為最基本的參照。
測試思維現在很多公司都能支持灰度發布，數據獲取也越來越方便。因此，在保證數據質量的前提下，希望大家多做實驗，多去發現規律。在使用A/B測試方法時，在進行數據分析時千萬不要忘記上文中所介紹的DID方法。
13.指數化思維
如圖4-69所示，指數化思維是指將衡量一個問題的多個因素分別量化後，組合成一個綜合指數（降維）來持續追蹤。前文已經說過，許多管理者面臨的問題是「數據太多，可用的太少」，這就需要「降維」，即把多個指標壓縮為單個指標。
指數化思維指數化的好處非常明顯，一是減少了指標，使得管理者精力更集中；二是指數化的指標往往提高了數據的信度和效度；三是指數能長期使用且便於理解。
指數的設計是門大學問，這裡簡單提三個關鍵點：一是要遵循獨立和窮盡（MECE）的原則；二是要注意各指標的單位，儘量做標準化來消除單位的影響；三是權重和要等於1。
舉個例子：在設計川術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後，你將績效拆分為訂單數、客單價、線索轉化率、成單周期、續約率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）。你設計的銷售績效綜合指數＝0.4×訂單數＋0.2×客單價＋0.2×線索轉化率＋0.1×成單周期＋0.1×續約率，各指標都採用max-min的方法進行標準化。這樣，作為銷售總監，在時間倉促時，只需要盯住銷售績效綜合指數這一個數字，就能知道各個銷售團隊或者銷售員的表現，而不需要從多維度進行對比。
14.極端化思維
許多時候，我們總覺得想解答的問題受到各種因素的幹擾，有正向的也有反向的，如圖4-70所示。這時，建議大家啟用極端化思維。一是把眾多因素極端地縮減到1個或者2個；二是把這一兩個因素的影響放到最大。例如，在思考競爭格局時，不妨將思考因素鎖定為一個，並將它的影響設定為最大（如潛在進入者只有一家，它是全球最有錢的公司），然後想想我們自身的機會在哪裡，該怎麼做。
極端化思維在數據分析中，多因素影響的窘境是經常遇到的。往往一個指標的變動受到太多因素的影響，根本分解不出來。這時，就會假設指標只受到與它相關性最高的那一個因素的影響，同時維度上也只挑選一個維度，然後去探查原因。
15.反向思維
反向思維一般應用在歷史數據回顧這樣的場景中。在回顧歷史數據的需求產生時，往往會先列出一堆當前看來非常正常的事情，然後一項項地將當前正常的事情所對應的反常情況羅列出來，最後到歷史數據中尋找反常事件出現的時間或者維度，如圖4-71所示。
反向思維在運營中，我們可以採用這種思維方式觀察數據，或者不自覺地採用這種思維方式觀察數據。我們將自己認知的正常的數據表現（大部分情況下出現的）進行詳細的羅列，然後列出它們所對應的反常情況。在追蹤數據時，我們的注意力就著重放在這些反常情況上。反常情況一旦出現，我們就需要定位問題。
作者：胡晨川； 本文接自《數據化運營速成手冊》4.6章節，獲作者與出版社授權轉載。
文章來源：微信公眾號數據分析
（責任編輯：婁在霞 HN151）