当前课程知识点:商业数据思维与实战 > 第二章 数据思维 > 2.2 大数据时代的数据思维 > 2.2.1 数据思维的具体方法
好 这一讲
我们一起来学习和了解
数据思维的具体方法
我们总结了数据思维的八大方法
分别是比较思维 分解思维
溯源思维 相关思维 假定思维
反向思维 联合思维跟全局思维
第一种 比较思维
它是将数据进行比较后观察
把发生问题的数据
和未发生问题的数据进行比较
从而找到问题的原因
数据比较的具体方式有很多
比如
我们可以按照不同的时间
进行纵向的比较
昨天和今天的数据拿来对比
上周和本周的数据进行比较
去年和今年的数据做对比
以及同一个事件
上次和本次的数据进行比较等等
当然
也可以按照空间进行横向的比较
比如
我们可以把企业内部
不同部门之间的数据进行比较
也可以把本企业
和市场同类竞争对手的数据
进行比较等等
还有一种比较常用的方式
是按照用户的属性来进行对比
常用的用户属性数据有性别 年龄
职业 地区和用户偏好等等
比较思维看似原理简单
但非常直接有效
也符合我们日常的思维习惯
我们在制作报表和数据分析时候
经常会做比较
因为只有比较才能发现问题
第二种是分解思维
它是将复杂问题简单化的
一种思维方法
将数据逐层的分解后进行观察
其中一种比较有效的分解方式
是因素分解
一般预期结果
往往可能是由多个因素来决定的
我们就可以将这些因素
逐步的分解细化
对数据进行观察
到底什么因素对结果的影响更大
举例来说
比如 本月平均消费的金额
是由本月消费总额
比上本月消费人数的
如果我们发现每月平均消费金额
减少了
要么是本月消费的总额减少
要么是本月消费人数增加了
我们可以把结果数据
拆分成两个因素数据
然后再去深挖
为什么本月消费的总额会减少
或者消费人数是如何增加的
直到找到最根本的原因为止
如果数据不能直接由公式进行拆解
就需要讨论数据结果的
所有影响因素
以及每种影响因素的影响大小
然后 分析哪些因素发生了变化
比如 本月用户的满意度下降了
满意度
我们并不能够用公式
去直接的分解和表达
就可以去分析
满意度有哪些影响因素
比如 涉及满意度的可能有
产品的质量 产品的价格
品牌的影响力
售前或售后服务质量等等
看看反映这些因素的数据
有哪些发生了变化
如果有的因素发生变化了
很有可能是引起用户满意度降低的
最根本的原因
第三种 溯源思维
有的时候
即使运用比较思维和分解思维
依然找不到原因或者得不到结论
那这个时候我们可以尝试用一下
溯源思维
溯源思维就是对数据本身的来源
进行追溯
追溯数据源的详细记录
然后基于此去思考
数据背后可能隐藏的其他问题
或许会有意外的发现
比如 通过用户满意度的调查
显示满意度有所下降了
我们通过分解和比较
并没有发现明显的数据变化
是售后服务质量下滑
还是品牌影响力降低
这时 我们可以扩大调查范围
变更调查的方式
通过数据溯源去找到问题的原因
如果我们不断用溯源思维去分析
对数据的敏感性和业务的理解
也会逐步的加深
第四种 相关思维
前面我们提到
大数据时代数据的核心特征之一
就是相关性
相关思维就是建立在
相关性分析基础上的一种思维方法
既可以直接从数据中去挖掘
事物间存在的某种关联关系
也可以直接用数据分析的结果
去分析这种关联的具体方向
类型或者原因等等
比如 今日头条的个性化信息推荐
天猫超市的商品布局和广告推荐
当当网的图书关联推荐系统等等
这些都是通过对用户的行为数据
比如像浏览记录 购买记录等等
做数据统计和关联分析
来发掘问题之间的某种联系
及相关关系
并且进行了具体的应用
数据相关思维
需要打破传统的思维方式
从数据本身寻找规律
有些看似毫不相干的事物之间
可能会因为相关性
而被联系和集中到一起
在很多情况下
一旦我们完成了相关分析
而又不再仅仅满足于是什么的时候
我们可能会继续向更深层次的方向
去挖掘因果关系
找到问题背后的原因
也就是为什么
第五种 假设思维
当我们还没有足够的数据和证据
来证明某件事或某种行为
可能产生结果的时候
我们可以先大胆的假设
通过数据模型和模拟仿真实验
然后再验证假设的结果是否成立
举个例子
比如
你要推出一个分享优质商品的APP
需要测试即将上线的推荐系统的
某项新功能界面
这时可以应用假设思维
去设计具体的数据指标来进行判断
如果增加这个新的界面
是否能够增加用户停留的时长等等
第六种 反向思维
反向思维是指打破固有的思维模式
突破常规的一种思维方法
数据分析有的时候也需要反向思维
从相反的方向来思考问题
比如 SEM是网络营销中
比较常见的一种推广方法
在竞价推广中
我们经常遇到这样的问题
要么有显示无点击
要么有点击无咨询
或者有咨询无转化等等
面对这些问题
常见正向思维的解决办法是
调整价格 提高竞价的排名
或者查看并修改增加关键词
或者是修改对话内容
加强对话的引导性等等
可是往往到最后发现
效果却并不明显
甚至越来越差
不仅浪费了合适的推广时机
而且还大大增加了推广的成本
得不偿失
上述操作是运用正向思维
在流量红利时能解决的一些问题
并且效果可能还不错
但是随着当今市场环境的变化
和获客成本的激增
在流量分散的时代
这种解决方法无疑效果甚微
企业在进行网络推广时
如果只是简单的调价格
或者提高关键词排名是远远不够的
我们可以借助于反向思维
面对网络推广中出现的问题
从数据统计分析
精准获客营销的策略
包括数据效果的监控等方面
来搭建一个整体的数据优化策略
从根本上解决问题
提高网络推广的效果
实现精准获客
因此 不仅在推广思路上
我们需要转变思维
在数据分析的策略上
我们也更需要如此
第七种 联合思维
在许多数据背后的问题
需要我们站在不同的
利益干系人的角度去思考和分析
这样 才会理解问题的本质
尤其对于涉及多个部门
和多个层次的业务和管理问题
还要注意联合的深度和广度
比如我们可以通过头脑风暴等形式
来减少或消除信息的不对称
不能关起门来看数据
心有灵犀才能一点就通
所以 了解数据相关的人 事 物
学会换位思考
用好联合思维
第八种 全局思维
在了解完数据的全貌之后
我们需要站在更高 更远的角度
去看这些问题
站在更高的层次上
比如 我们可以从企业 组织
甚至是整个市场环境的角度
去思考并找到问题的原因
或者站在更长远的角度
从更长的时间周期
比如说季度或者年
来进行数据的比较
会当凌绝顶 一览众山小
全局思维会让你更清楚的明确方向
关键是要建立起长远的目标
全局的观念和整体概念
完整的分析数据 挖掘潜在价值
当然 在实际操作中
我们往往会综合使用其中的几种
或多种思维方法
在日常生活中我们也可以有意识的
进行数据思维的训练
培养数据的敏感度
好 这一讲的内容我们先到这儿
-1.1 数字和数字的产生
--测验1
-1.2 信息、信息技术和信息经济
--测验2
-1.3 数字经济及其特征、发展趋势
--测验3
-1.4 数据伦理
--测验4
-单元测验
-2.1 数据与数据思维
--2.1测验
-2.2 大数据时代的数据思维
--2.2测验
-单元测验
-3.1 大数据时代的商业模式变革
--3.1 测试
-3.2商业数据思维案例分析
-单元测试
-4.1 大数据时代下的统计分析
--4.1 测试
-4.2 数据分析基础
-4.3 统计分析方法专题Ⅰ
--4.3 测试
-单元测试
-5.1 统计分析方法专题Ⅱ
--5.1 测试
-5.2 文本分析
--评论语料
--5.2 测试
-结合从网络中已爬取的商业数据,讨论如何对其中的文本数据进行分析?
-单元测试
-6.1 商业选题
--6.1 测试
-6.2 数据提取
--6.2 测试
-单元测试
-7.1 数据预处理
--7.1 测试
-7.2 数据分析与挖掘
--7.2 测试
-基于对研究数据的预处理结果,讨论如何对其进行进一步的分析与挖掘?
-单元测试
-8.1 数据可视化
--8.1 测试
-8.2 报告撰写
--8.2 测试
-基于对数据不同阶段的处理结果,讨论如何对其进行可视化展示?
-单元测试
-期末考试