數據分析入門：如何訓練數據分析思維？
作者：吳彬彬
歡迎訪問網易雲社區，了解更多網易技術產品運營經驗。
我們在生活中，會經常聽說兩種推理模式，一種是歸納 一種是演繹，這兩種思維模式能夠幫助數據分析師完成原始的業務邏輯積累，在此基礎上快速定位業務問題，提升分析效率，但是對於剛入門的數據分析師，在項目經驗不足的前提下，如何快速完成項目的分析報告？ 這裏引進一種外展推理的思維模式，方便入門分析師的完成日常的工作。
那什麽是外展推理模式呢？
在麥肯錫思維模式中它將人的推理過程涉及的實體分為三個部分：規則，情況以及結果。
規則: 通常是對這個世界的看法；
情況：就是這個世界存在的已知事實；
結果：將規則用於情況，預期要發生的事兒。
這三個任何一個實體都可以作為推理的起點，然而起點不同意味著，推理的方法也有所差異。
以規則為起點的推理方法可以稱之為演繹推理。
舉個例子，如果平時不努力，考試成績將不及格(規則)；現實中a平時不努力(情況)；所以a考試不及格(結果)。
以情況為起點的推理方法就是歸納推理。
a平時不努力(情況)；a考試不及格(結果)；所以a考試不及格的原因可能是平時不努力。
以結果為起點的推理方法就是外展型思維方法。
a考試不及格(結果)，考試不及格通常是由於平時不努力(規則)，檢查是否平時不努力(情況)。
從日常工作中，我們可以發現，外展推理的思維模式十分切合日常數據分析師的多維分析定位原因的工作模式，是數據分析師尤其是入門數據分析師最應該具備的一種思維邏輯，那如何進行外展推理呢？外展推理用大白話來說就是強迫自己思考產生問題的各種可能原因，之後的重點就是收集資料，以證明是這些原因或不是這些原因。在工作過程中MECE結構化分解是主要手段，按日常的工作可以簡化如下三個流程：
將所思考的問題的相關因素全部羅列出來。
對所有相關的因素進行層級和相關性比較，分離不同層級的因素，合並同一層級中相同的因素，確保各因素的獨立性。
按照正確的邏輯關系，把各因素進行排列組合。
如下圖：我們可以將問題進行分解，分解的原則為
各部分之間相互獨立 （Mutually Exclusive）
所有部分完全窮盡 （Collectively Exhaustive）
在此基礎上按層級進行數據分析定位，找到最細的原因。
在工作中，我們主要會用到的分解方法有這兩種，
按業務職能結構劃分，比如渠道，運營，功能等相關模塊，將相關指標映射到主要模塊，通過簡單快速的溝通，能快速的定位問題原因，但是缺點是分析結果不夠直接，依賴外部資源信息搜集。
按因果結構劃分（指標分解）營收=日活*付費率*arpu等指標因果關系進行劃分，通過定位指標波動，定位最細指標，輔助維度下轉，能夠清楚的問題原因，該方式是較為穩妥的方式，是日常工作中的主要方式，但是缺點是需要構建相對完整的指標邏輯體系。
如上兩種分解方法針對不同的項目要求進行組合應用，但是外部資源搜集及完整的指標邏輯體系訓練是入門數據分析師到資深分析師最難跨越的兩道門檻，在經過階段訓練後，逐步利用歸納和演繹的思維，提升業務熟悉程度，完成業務的初始積累後，後續的分析過程中就可以逐步減少拓展推理的層級及組合，逐步提升問題原因定位的效率。
網易有數：企業級大數據可視化分析平臺。面向業務人員的自助式敏捷分析平臺，采用PPT模式的報告制作，更加易學易用，具備強大的探索分析功能，真正幫助用戶洞察數據發現價值。可點擊這裏免費試用。
相關文章：
【推薦】 大咖分享 | 一文解鎖首屆雲創大會幹貨——上篇（文末附演講ppt文件免費下載）
數據分析入門：如何訓練數據分析思維？