“資料驅動決策”，為了不讓這句話成為空話，請先裝備以下13種思想武器，將來你一定能用上！～
文／胡晨川
第一、信度與效度思維
這部分也許是全文最難理解的部分，但我覺得也最為重要。沒有這個思維，決策者很有可能在資料中迷失。
信度與效度的概念最早來源於調查分析，但現在我覺得可以引申到資料分析工作的各方面。
所謂信度，是指一個資料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；每次計算的演算法是否穩定？口徑是否一致？以相同的方法計算不同的物件時，準確性是否有波動？這是穩定性。做到了以上兩個方面，就是一個好的資料或指標了？其實還不夠，還有一個更重要的因素，就是效度！
所謂效度，是指一個資料或指標的生成，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，才是一個有價值的資料指標。舉個例子：要衡量我身體的肥胖情況，我選擇了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；同時，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。另一方面，衡量身體肥胖情況用衣服的尺碼大小？你一定覺得荒唐，尺碼大小並不能反映肥胖情況，是吧？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。你要切骨頭卻拿了把手術刀，是不是很可悲？信度和效度的本質，其實就是資料質量的問題，這是一切分析的基石，再怎麼重視都不過分！！
第二、平衡思維
說到天平大家都不陌生，平衡的思維相信各位也都能很快理解。簡單來說，在資料分析的過程中，我們需要經常去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！也就是如圖中紅框，我們要去尋找這個準確的量化指標，來觀察天平的傾斜程度。怎麼找這個指標呢？以我的經驗，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。
第三、分類思維
客戶分群、產品歸類、市場分級、績效評價…許多事情都需要有分類的思維。主管拍腦袋也可以分類，通過機器學習演算法也可以分類，那麼許多人就模糊了，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，橫軸和縱軸往往是你運營當中關注的核心指標（當然不限於二維），而分類後的物件，你能看到他們的分佈不是隨機的，而是有顯著的叢集的傾向。
舉個例子，假設該圖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，那麼綠色的這群人，就是明顯的“人傻錢多”的“剁手金牌客戶”。
第四、矩陣思維
矩陣思維是分類思維的發展，它不再侷限於用量化指標來進行分類。許多時候，我們沒有資料做為支援，只能通過經驗做主管的推斷時，是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。大家可以百度經典的管理分析方法“波士頓矩陣”模型。
第五、管道/漏斗思維
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，太多的分析場景中，能找到這種思維的影子。
但我要說，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。在漏斗思維當中，我們尤其要注意漏斗的長度。
漏斗從哪裡開始到哪裡結束？以我的經驗，漏斗的環節不該超過5個，且漏斗中各環節的百分比數值，量級不要超過100倍（漏斗第一環節100%開始，到最後一個環節的轉化率數值不要低於1%）。若超過了我說的這兩個數值標準，建議分為多個漏斗進行觀察。當然，這兩個是經驗數值，僅僅給各位做個參考～
理由是什麼呢？超過5個環節，往往會出現多個重點環節，那麼在一個漏斗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，數值間波動相互關係很難被察覺，容易遺漏資訊。比如，漏斗前面環節從60%變到50%，讓你感覺是天大的事情，而漏斗最後環節0.1%的變動不能引起你的注意，可往往是漏斗最後這0.1％的變動非常致命。
第六、相關思維
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（圖中紅色實線）和負相關關係（藍色虛線）。最好能時常計算指標間的相關係數，定期觀察變化。
相關思維的應用太廣了，我這裡就說一點，往往是被大家忽略的。現在的很多企業管理層，面對的問題並不是沒有資料，而是資料太多，卻太少有用的資料。相關思維的其中一個應用，就是能夠幫助我們找到最重要的資料，排除掉過多雜亂資料的干擾！
如何執行呢？你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資料指標，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！
建議大家養成一個習慣，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，有的是顯而易見的常識，比如訂單數和購買人數，有的或許就能給你帶來驚喜！另外，“沒有相關關係”，這往往也會成為驚喜的來源哦。
第七、遠近度思維
現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資料和報表，注意力卻是非常的跳躍和分散。這當然不是好現象，但如何避免呢？一是上文說的通過相關思維，找到最核心的問題和指標；二就是這部分要說的，建立遠進度的思維方式。
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，把自己的精力有計劃地分配上去。比如，近期你地核心任務就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、客服系統的相應速度等就是靠的最近的子問題，需要重點關注，而客戶的問詢習慣、客戶的購買週期等就是相對遠的問題，暫時先放一放。當然，本人經歷有限，例子舉得不恰當的地方還望讀者們海涵。
第八、邏輯樹思維
所謂下鑽，就是在分析指標的變化時，按一定的維度不斷的分解。比如，按地區維度，從大區到省份，從省份到城市，從省市到區。所謂上卷就是反過來。隨著維度的下鑽和上卷，資料會不斷細分和彙總，在這個過程中，我們往往能找到問題的根源。
下鑽和上卷並不是侷限於一個維度的，往往是多維組合的節點，進行分叉。邏輯樹引申到演算法領域就是決策樹。有個關鍵便是何時做出決策（判斷）。當進行分叉時，我們往往會選擇差別最大的一個維度進行拆分，若差別不夠大，則這個枝椏就不在細分。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。
舉個簡單的例子：我們發現全國客戶數量下降了，我們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下降，而地區間有的下降有的升高，那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大量客戶且涵蓋各個年齡段，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原因。
第九、時間序列思維
很多問題，我們找不到橫向對比的方法和物件，那麼，和歷史上的狀況比，就將變得非常重要。其實很多時候，我更願意用時間維度的對比來分析問題，畢竟發展地看問題，也是“紅色方法論”中的重要一環。這種方式容易排除掉一些外在的干擾，尤其適合創新型的分析物件，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（圖中的深淺度，越近期發生的事，越有可能再次發生）；二是要做同比（圖中的尖頭指示，指標往往存在某些週期性，需要在週期中的同一階段進行對比，才有意義）；三是異常值出現時，需要重視（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，新增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）。
時間序列思維有一個子概念不得不提一下，就是“生命週期”的概念。使用者、產品、人事等無不有生命週期存在。本人最近也正在將關注的重心移向這塊，直覺上，生命週期衡量清楚，就能很方便地確定一些“閥值”問題，使產品和運營的節奏更明確。
第十、佇列分析思維
隨著資料運算能力的提高，佇列分析的方式逐漸展露頭腳。英文名稱為cohort analysis，說實話我不知道怎麼表述這個概念，我的理解就是按一定的規則，在時間顆粒度上將觀察物件切片，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。
舉個經常用的例子：假設5.17我們舉辦了一次促銷活動，那麼將這一天來的新使用者作為一個觀察樣本，觀察他們在5.18、5.19…之後每天的活躍情況。
佇列分析中，指標其實就是時間序列，不同的是衡量樣本。佇列分析中的衡量樣本是在時間顆粒上變化的，而時間序列的樣本則相對固定。
第十一、迴圈／閉環思維
迴圈／閉環的概念可以引申到很多場景中，比如業務流程的閉環、使用者生命週期閉環、產品功能使用閉環、市場推廣策略閉環等等。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，幹出事情來的例子很少。
但我覺得這種思考方式是非常必要的。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，能從全域性上把握公司的執行狀況。
比如，一家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：廣告點選率➡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…這裡會涉及漏斗思維，如前文所述，千萬不要用一個漏斗來衡量一個迴圈。
有了迴圈思維，你能比較快的建立有邏輯關係的指標體系。
第十二、測試／對比思維
AB test,大家肯定不陌生了。那麼怎麼細化一下這個概念？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，都要留有不進行任何變化的一組樣本，作為最基本的參照。
現在資料獲取越來越方便，在保證資料質量的前提下，希望大家多做實驗，多去發現規律。
指數化思維
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），來持續追蹤的方式。把這個放在最後討論，目的就是強調它的重要性。前文已經說過，許多管理者面臨的問題是“資料太多，可用的太少”，這就需要“降維”了，即要把多個指標壓縮為單個指標。
指數化的好處非常明顯，一是減少了指標，使得管理者精力更為集中；二是指數化的指標往往都提高了資料的信度和效度；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；三是權重和需要等於1。
獨立窮盡原則，即你所定位的問題，在蒐集衡量該問題的多個指標時，各個指標間儘量相互獨立，同時能衡量該問題的指標儘量窮盡（收集全）。舉個例子：當初設計某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，我們將績效拆分為訂單數、客單價、線索轉化率、成單週期、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）。我們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＊成單週期＋0.1＊續約率，各指標都採用max-min方法進行標準化。
通過這個例子，相信各位就能理解指數化思維了。
小節
本篇內容在我腦中醞釀了2月有餘了，但當起筆成文時，依然覺得自己的思考還不夠全面，經驗也不夠豐富。各種思維方式的應用，似乎沒有孰好孰壞，是否啟用看似也比較隨機。希望隨著我經歷的不斷豐富，能夠總結出一套行之有效的思維技巧，但目前還不行。
總的來說，資料質量依然是我覺得最大的前提。重要事情說三遍，動手前，一定要保證好資料質量！
來自：個人微信公眾號“川術”