B端产品应具备什么样的数据分析思维？
source link: https://www.pmcaff.com/discuss/3542581261281344?newwindow=1
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
B端产品应具备什么样的数据分析思维？ - PMCAFF产品经理社区
不管哪端，数据分析的核心目标就是寻找因果性。
因为从资本的逻辑讲，就是简单和可复制。如果我们能找到一种存在因果效应的方法或模式，那就可以大量复制它，进而才能产生规模效应。
SQL、Python、R语言这些都是术，重要的是你分析数据的思路，尤其是要小心一些谬误。这里我也尝试总结一下：
1、因果性和相关性
譬如说一个人工作不积极，你能推导出消极么？其实是不能的，因为在不积极和消极之间还存在无所谓积极与不积极，你一定要穷尽变量，才能做因果推断，或者概率性的因果推断。
2、怎么做一个好的假设
- 假设不应有主观预设、结论先行的情况，问题锚点一旦设计错误，难免会出现「只找对自己的观点有利证据」的情况，人的理性是有限的；
- 假设应该简化问题，找关键因子，这点很考验分析人的判断力；
- 假设应该对答案无实质性影响。
3、小心平均数和绝大多数
过于宏观的平均数会忽略掉对一些细分人群的观察，而现在的很多产品都是细分化的。在此之上，不要只比较平均数，还要看数据的实际分布情况。其实这里也符合二八原则，要注意那些占据80%重要性的数据，重要的数据我们要持续观察；再一个就是绝大多数，51%是大多数，99%也是大多数，你说的是哪个呢？这里一定要有具体的比例。
4、小心单一解释
这里我有个总结：对一个复杂体而言，一元归因论是不靠谱的，当然，二极管思维也不可取。人类基因本身就有趋向简单的本能，试图用简单的方案解决复杂的问题。为什么现在的人都这么追求方法论？这就是关于人性本能很好的例证。
5、忽略随机性
随机性也是种选择，尤其是对一些聪明人而言，他们擅长自上而下地分析问题，但往往容易忽略这一选项。忽略了随机性，又容易出现锤子和钉子的问题，以为什么都可以用数据预测。有时候单纯的数字变化，并不意味着事情本身真的发生了变化。
6、注意一般性和典型性
简单说，就是不能用典型推一般。不能用极端案例推导普遍特征，这个时候就需要你跳出去看你所得到的数据了。
7、小心自己的预期
这事很有意思，比如我把茅台和小老窖（新疆的一种酒）撕掉标签放在两个透明杯子里，你真的能尝出来哪个好喝哪个不好喝么？有时候我们觉得茅台好喝只是因为它的价格，价格会影响我们的预期。
最后，我想说的是，对于这道题，我很难告诉你一个终极式的打包方案，假设检验只是流程，如果你看什么都是钉子再怎么走这个流程效用都很有限，我们唯一能做的就是比别人少犯错。所谓数据分析思维的尽头，我以为还是要搞定作为人类本身而存在的种种局限性。
思考到这，我或许能给出一个很抽象的结论：
先假设我们都是随机漫步的傻瓜，谁能更反人性，谁就能占更大的优势。
以上，希望对你有所帮助。
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK