三个思维方法，轻松搞定数据运营难题

三个思维方法，轻松搞定数据运营难题

精细化运营的核心是数据驱动增长，透过数据分析指引产品迭代和运营推广。因此，运营人员需要掌握一定的数据运营能力。本文作者从自身工作实践出发，梳理总结了3个最常用的运营方法，与大家分享。

随着近些年互联网电商蓬勃发展，对运营的要求随之提高，面试运营岗位的时候，常会提问数据运营分析相关的问题，但回答常常令人失望，要么说不清楚分析思路，要么抓不到核心指标。

这种场景，在产品和运营工作中也是经常发生的，试想领导问”近期销售下滑是什么原因““为什么转化率掉了？”这些问题时，你会怎么应对？

可见，数据分析思维的重要性，未来具备产品思维和数据分析能力的运营，才能获得更多的空间，创造更高价值。

身边很多朋友都苦恼如何提高自己数据分析的能力，说实话，EXCEL数据处理技巧，可视化图表，这些工具都是容易学习上手的，但是难点在抛出一个问题，如何通过数据找到解决这个问题的方法，关键就在数据分析思维。

思维方法有非常多，经过多年运营工作的积累，个人认为有三种思维是最常用的：细分思维、对比思维、相关思维，很多其他的思维模型，大多是这三种思维的综合应用衍生出来的。

一、细分思维

细分思维应用的最频繁，几乎每天都在应用，比如应用思维导图对某项任务的细分拆解。细分思维主要是将某个指标层层分解，拆解成最小颗粒度，定位分析问题的一种思维方法。

那在数据分析上，细分思维如何应用呢？

1. 单一维度细分

通过时间、空间、过程等单一维度进行拆解，比如将全年销售分解成12个月，将全国GDP分解成各个省市地区。

2. 2个维度交叉细分

通过2个维度的交叉，分析定位问题和原因，单一维度的应用虽然简单，但却过于浓缩，会将各组数据的差异在合并过程中消除掉，所以有时在分析问题时，需要再细分分解，如某学校男女生录取比例一致，但是再细分到学院分析，发现文学院女生的录取率比男生高，而理学院的男生录取率比女生高。

运营工作中，2个维度的交叉细分应用，比如研究新老客户对品类的需求差异，那么就是维度一新老客户和维度二各个品类的交叉分析

3. 多个维度交叉细分

多维度的交叉细分相对复杂一些，主要应用场景更多是在用户运营，用户研究分析上，例如RFM模型，通过最近一次消费 (Recency)、消费频率 (Frequency)、消费金额 (Monetary)三个维度，每个维度一分为二，将用户群切割成八个小群体进行针对性的运营。

二、对比思维

对比思维也是运营最常见的一种思维方法

1. 纵向对比：自己和自己比，包括环比（和上一期自己比）、同比（和去年同期自己比）
2. 横向对比：自己和他人比，比如IOS和安卓的销售额，女装和男装的销售额等等

对比思维经常被错误应用，把不可比的数据放在一起对比，比如A品牌20年同比增长42%，B品牌20年同比增长仅28%，说明A品牌20年的销售表现比B品牌更好？

事实上，A品牌19年业绩仅3000万，而B品牌19年业绩达3亿，量级差太大，根本没有可比性。

如何避免对比思维的错误应用：

1. 确保数据来源一致：比如对于同一指标，系统直接拉的数据和bi代码跑的数据可能都不一样
2. 确保统计口径、定义一致：比如销售额包不包含拒退
3. 时间属性一致：比如同样是2月，但有的是28天，有的是29天，也不能直接对比
4. 对象一致：样本属性统一，比如研究死亡率，士兵死亡率和城市居民死亡率，对象不一致就没有可比性

三、相关思维

相关思维是比较复杂的统计学数据思维，相关思维包含正相关、负相关、非线性相关、不相关等多种类型，大部分应用在生物学、科学领域。复杂的相关分析需要应用函数，建模才能完成，而现实工作中，大部分应用不到这么深层复杂的程度。

大部分应用主要研究A与B之间的关系，如销售额与UV之间的关系，广告费用成本与获取曝光量之间的关系。

应用好相关思维，当我们在处理复杂问题的时候，能帮助我们刨除无关数据的干扰，找到关键的因素和指标解决问题。

但在相关思维的应用上，也经常犯错，最常见的就是混淆相关关系和因果关系，即因为事件A和事件B存在某种关联影响，解读成因事件A导致了事件B的发生。所以在相关思维应用，我们要知道事件A和事件B可能存在的关系，避免陷入误区

1. 事件A引起了事件B
2. 事件B引起了事件A
3. 事件A、事件C引起了事件B
4. 事件A、事件B没有直接关联，但是事件C可能会同时引起事件A、事件B
5. 事件A、事件B一点关系都没有，只是数据凑巧相关

比如看电视会导致孩子学习成绩下降，试想是看电视导致学习成绩下降，还是学习成绩下降的孩子更喜欢看电视，难道不看电视孩子的学习成绩就会提升吗？难道学习成绩提升的孩子都不看电视吗？如果出现这类型的数据时，在解读前，不妨像这样反问自己，以确认数据逻辑的合理性。

数据分析思维说难不难，只要在应用或看数据的时候多留心眼，多打个问号，不要执着数据表现，多思考数据背后的关联和差异，复杂的问题就会变得简单了。

看完这篇文章，大家不妨把过去那些解不开的疑难杂症，再拿出来重新思考练习下吧！

本文由 @南鱼 授权发布于运营派。未经许可，禁止转载

题图来自Unsplash，基于CC0协议