聊聊我做数据分析的思路( 二 ) 我是一个着迷于产品和运营的

怎么验证？先建指标。现代管理学之父彼得·德鲁克说过一句很经典的话：
如果你不能衡量它，那么你就不能有效增长它。
所谓衡量，就是需要建立统一的标准来定义和评价。你认为的不错，别人不一定这么认为，老板可能还认为很糟糕。所以，建立指标的目的其实就是统一口径，使得同一份数据能让更多人得到一致的理解。
建立和使用单一指标是数据分析的第一步，接下来你需要建立指标体系，因为孤立的指标发挥不出数据的价值。
一个还不错的指标体系，至少要满足以下三点：
有三个以内的核心指标。核心指标不仅仅是数字，是所有人需要盯着看去努力的。就像销量和销售额，用户数和活跃用户数，大多数情况下后者都比前者重要。
指标之间存在关联性。
单一指标至少有两个以上维度。（比如，同比、环比等）
指标体系没有放之四海而皆准的模板，不同业务形态有不同的指标体系。移动APP和网站不一样， SaaS和电子商务不一样，低频消费和高频消费不一样。比如婚庆业务不需要考虑复购率指标；互联网金融必须要风控指标；电商领域里的用户需要分为卖家和买家，而且他们的指标各不一样。
对我们上面的案例，摆上指标后大致是这个样子。

文章图片
/04清洗数据/
好了，「体」建设完之后，接下来就是把数据填入进去了。但是在复杂的数据分析场景下，我们可能在数据填入之前还要做一件事。
由于在实际的业务场景中，原始数据可能会来自于各个内部以及外部系统。指标口径对不上，总会出现不一致、重复、不完整、存在错误或异常的数据。
因此需要通过一些额外操作对这些数据做清洗，得到符合我们要求的原始数据。我们这里不讲太技术性的东西。从逻辑上主要做以下几件事。
数据清洗：去掉噪声和无关数据
数据聚合：将多个数据源中的数据结合起来存放在一个一致的数据存储中
数据转换：把原始数据转换成为适合做分析的数据格式。
/05用数据验证/
好了，框架搭好了，原始数据也有了。剩下的就是通过数据来验证猜想了。
怎么验证呢？
这里我又要给出一个大杀器了，就是多用「演绎法」，而不是「归纳法」。
虽然这俩这都属于逻辑思维，但是归纳法有一个很大的问题：因为我们不可能观察到某个事物的所有影响因素，所以归纳法得出的结论是不一定是正确的。
比如，某个指标下降了5% ，真的是个不好的情况吗？不一定，如果行业下降了20% ，你才下降了5% ，这就是一个还不错的结果。
而演绎法的本质是，找到发生变化的原因，如果某个原因在未来还会继续存在，那么可以支撑某个结论。
比如，行业为什么下降了20%？导致下降的原因未来是否还会存在？如果这些因素无法消除，那么未来继续下滑是在预期之内的。
/06保持迭代/
当你形成了一套自己的数据分析体系之后，还不能一劳永逸，需要保持迭代。因为在业务的不同时期，我们关注的点会不同。
比如，在业务的初期，我们会更多关注流量、转化率这些，但到了成长期以及成熟期之后，还需要关注用户活跃度、复购率等等数据指标。
好了，这次就聊这么多。惯例总结一下。
这篇呢， Z哥和你分享了我在数据分析上的一些经验。
我的思路其实是一个构建「点->线->面->体」的过程，主要分为以下六个步骤。