No.3 啥是数据运营（三）：思维方式

今天这篇可以说是思维方式的总结，一共十四对我个人而言较为重要的思维方式，分享给大家。请不要嫌弃我的灵魂画作。

1.信号与噪音（信度与效度）

信度的英文为Reliability，简单就是说可信度。在看数据的时候有时会出现与日常数据相差很大的点，这时就需要注意了。效度的英文为Validity，代表测量工具或手段能够准确测出所需测量的事物的程度。这个概念代表着数据的精确程度，越精确越可靠。但是在实际的操作中一味的追求效度可能会导致成本升高，效率下降。通过信度分析可以隔离信号中的噪音，通过效度分析可以提高信号的精确度。这是数据分析的最重要的前提。

2.时间序列

根据时间变化来观察目标变化，这是一个很基础的思维，不过实际情况下，当数据发生变化时却想不起当时发生了什么，所以需要记录日志。在运营过程中有几个方面基本都会带来数据变化：节假日、社会热点、新功能变化。

3.同期群分析

英文为cohort analysis，《精益数据分析》中翻译为同期群分析，其指导思想为将数据按照等长时段等方式分割为不同的子集，这些子集有相同的特征和结构，进而分析这些数据在不同时段内的变化。这种分析方式在留存分析中很常见，当你分析次日留存的变化时，其实就是以天为单位将一段时间的数据进行分割，然后看每天的数据（留存）变化。

同期群分析与常规的时间序列分析不同的是，时间序列是在连续的时间线上的数据变化，同期群是在时间颗粒上的数据变化。

4.管道与漏斗

面神说用户有行为就会有行为链，这个链条视为管道，每一个模块或者页面都可以视为管道的每个段，彼此之间是由一个个的管道节点组成。有的节点可以通往不同管道，有的节点会漏，有的节点堵塞严重。而我们可以使用使用时长、跳出率等来衡量不同节点的表现情况，而工具就是漏斗。如果一个过控工程师运营设计了一套管道，那他需要了解每个阀门、节点的情况。（是的，我想起了我的专业）

5.分类与矩阵

分类人人会，但需要合理分类。分类的依据只要记住一句话即可：不同分类之间的核心指标差距明显。以用户细分为例，工具用户和社区用户、浅层消费用户与深度消费用户、优质创作者和普通用户等等，其之间的某项核心指标对比明显，这样才能更好的去分析不同用户之间行为的差异。

矩阵相当于分类依据的聚合，这种情况下处于不同矩阵的目标可能在某一种指标上很相似，但却在其他指标上有明显不同。

不管是分类还是矩阵，指标有可能是定量的也有可能是定性的。分类与矩阵思维在进行用户细分时最常见。

6.相关与因果

相关思维和因果思维应用很广，但是，相关并不一定有因果。如果A和B相关，有至少五种可能性：A导致B、B导致A、C导致A和B、A和B互为因果、小样本引起的巧合。

经典案例“啤酒与尿布”就是“C导致A和B”。超市经理发现去买尿布的油腻中年人经常会买啤酒，啤酒和尿布之间仿佛存在某种关系，虽然超市经理没有想出原因但还是默默的把啤酒放在了尿布旁边，果然啤酒就买的飞快了，原来是出来买尿布的男人会情不自禁的买一瓶啤酒回去喝。虽然这个案例是编的，但他展示了一个数据分析中很关键的思维：不同事物之间有时存在高度的相关关系，有时并不存在因果关系（比如尿布和啤酒，目标用户都不一样），但可能存在相关关系。

7.相关度

对于一个目标来说，其相关事物有很多，不同事物的影响程度也不同，所以需要确定每个影响事物的相关度。当无法定量或者定量很难时，这种判断也会很难。当数据增长时，不同部门对自己的贡献的评估不同，这就是一个实例，一般新增归功于市场，留存归功于产品和开发，活跃归功于运营。

8.降维

在数据发生变化的时候，你为了找出具体原因可能会把所有相关的细分维度都列出来，但反过来这种方式会降低分析的效率。为了简化，可以将不同数据按照一定的参数归纳成一个公式，当公式中的某个值发生变化的时候就可以看出其对目标的最终影响程度了，以常见的带有时间重力因子的排行榜热度公式为例，把播放、喜欢、时间变化之类的整理到一个公式中来实现排序。

吃我一记二向箔！

9.闭环

AARRR中就有一段形成了闭环。这种情况下很难继续用漏斗去衡量整个回路的效果。不过大家提起闭环一般都会苦笑一下，因为闭环策略很难落地，但是在分析诸如分享类的活动的时候，需要有闭环思维。

10.分解与扩展

分解就是把一个问题分解到更小的维度，而扩展则是将问题上升到更大的维度，然后再找到同类问题进行参考。在春节期间数据会发生下跌，而其他节假日不会，这时通过简单的拆分没法找到原因，我们上升一个维度，看一下所有app的活跃度变化，会发现有几个品类的app数据均发生下降，这时再去看这几个品类的使用场景，会发现春节期间因为用户空闲活动变化，花在部分app上的时间减少，导致数据下降。

如果只是问题下钻的一种方式，逻辑树思维对于分解问题时很有帮助，而且使用很广泛.把一个已知问题当成树干，然后开始考虑这个问题和哪些相关问题或者子任务有关。每想到一点，就给这个问题（也就是树干）加一个“树枝”，并标明这个“树枝”代表什么问题。一个大的“树枝”上还可以有小的“树枝”，如此类推，找出问题的所有相关联项目。逻辑树主要是帮助你理清自己的思路，不进行重复和无关的思考。

11.颗粒度

在创建细分或问题拆分时，需要注意颗粒度。颗粒度其实是细分目标时所选择的最小单位的大小程度。实际上在基于标签系统的推荐算法中，很重要的一部分就是标签的颗粒度，颗粒度太大则推荐不准确，颗粒度太小则会影响效率。在给内容打标签时，美女帅哥、搞笑可以分别打，如果要精确一些，搞笑还可以分为恶搞、段子等，没有合适的颗粒度，只有符合要求的颗粒度。

12.MECE（mutually exculsive,collectively exhaustive）

MECE的概念类似与穷举，这是一个问题分解时的原则，即“相互独立，完全穷尽”，在分解的时候遵循这个原则在不同维度上对问题进行分解，不管是使用鱼骨图、swot还是什么其他的方式，MECE原则是贯彻到底的。分解问题时可以考虑的维度有：时间与空间、成分、要素和逻辑。

13.测试与对比

分析问题基本都需要相应的测验，最常见的就是A/B Test和MVT，MVT可以同时测试几种要素的组合，其原理与A/B Test差不多。测试过程中需要注意：测试组与对照组标识稳定、分流合理、时间可控。

14.数据可视化

数据可视化就是将数字转化为图表或者其他容易表达的内容方式，因为图表更快更容易被理解，尤其是因为不同的人对数据的理解能力不同。

道理大家都懂，但需要试试才能过好这一生（大雾）。