如果你是刚入门的数据小白，请先培养数据分析思维

数据分析的目的就是为了驱动决策。

在日常数据分析过程中，如果不知道从何下手，那就先培养数据分析思维，为精准分析、正确决策打基础。

结构化思维

结构化思维，是把复杂分解成多种单一因素的过程。

练习结构化思维，参考麦肯锡“金字塔原理”，即“任何事情都可以归纳出中心论点，由中心论点出发，可由三至七个论据支撑，每个一级论点可以衍生出其他的分论点。”

第一，提取核心论点，论点可以是问题、原因、预测、假设等。

第二，结构拆分，自顶而下，层层相扣，不断拆分论点。

第三，依据MECE原则，每个论点（结构）互相独立，尽可能剖析所有原因。

最后，验证。

示例图：以结构化思维分析销售额的影响因素

假说演绎思维

如果说结构化思维是正推，属于归纳推理；那么假说演绎思维就是倒推，属于演绎推理。

示例图：以商品提高单价为例，利用“假说演绎思维”分析不同用户的购买决策，根据历史数据汇总的规律，预测市场变化。

指标化思维

如果说结构化思维、假说演绎思维属于定性分析，那么指标化思维属于定量分析。换句话说，通过加减乘除、指数法等运算方法将指标可量化，用数据衡量。

需要遵循的原则是，在结构化思维的基础上，建立数据分析体系。

示例图：电商行业的销售指标体系

维度分析思维

维度是观察数据的角度，例如时间、地区、产品、金额、品牌等。

通过多个维度的组合，形成数据模型。

多维度是一种精细驱动的思维，只要数据齐全且丰富，均可以使用。

处理大数据量，维度丰富且复杂的数据有较好的效果，但是维度过多会消耗很多时间。若维度过多，对不同维度进行交叉分析，尽量避免辛普森悖论。

可多维分析操作包括：钻取（Drill-down）、上卷（Roll-up）、切片（Slice）、切块（Dice）以及旋转（Pivot），见下图。

总体而言，指标化思维、假说演绎思维、指标化思维、维度分析思维是常用的数据分析思维。但是，它们通常不单一存在，需根据工作需要交叉使用，期待大家带着好奇心去探索数据，多思考、多总结。