数据驱动决策的13种思想武器

“数据驱动决策”，为了不让这句话变成空话，请先装备以下13种思想武器，相信你以后会用到的！第一，信度和效率思维可能是全文最难理解的部分，但我觉得也是最重要的。没有这种思维，决策者很可能会在数据中迷失方向。信度和效率的概念最初来自于调查和分析，但现在我认为它可以延伸到数据分析的各个方面。**所谓信度，是指数据或指标本身的可靠性，包括准确性和稳定性**取数逻辑是否正确？有计算错误吗？这是准确性；每次计算算法是否稳定？直径一致吗？当以相同的方式计算不同对象时，准确性是否波动？这是稳定性。做到以上两个方面，就是一个好的数据或指标？其实还不够，还有一个更重要的因素，就是效率！**所谓效率，是指数据或指标的生成，需要适应它所需要衡量的东西，即指标的变化可以代表东西的变化。**只有在信度和效率上达标，才是有价值的数据指标。例如：为了衡量我身体的肥胖，我选择了服装号码作为指标。一方面，相同衣服尺寸对应的实际衣服尺寸不同，会有美国韩国版等因素，使准确性差；同时，穿这个品牌的衣服，穿那个品牌的衣服，使测量方法的结果非常不稳定；因此，服装尺寸的可信度不够。另一方面，用衣服的大小来衡量身体肥胖？你一定觉得很荒谬，尺寸不能反映肥胖，对吧？所以效率也不够。体脂率是肥胖的衡量指标，信度和效率都符合标准。在我们的实际工作中，很多人会想当然地使用指标，这是非常警惕的。可悲的是，你想切骨头却拿着手术刀吗？信度和效率的本质其实是**数据质量**的问题，这是所有分析的基石，再怎么重视也不过分！第二，说到平衡思维，大家都很熟悉。相信大家都能很快理解平衡思维。简单地说，在数据分析的过程中，我们需要经常找到事物之间的平衡关系，这往往是一个与企业经营有关的大问题，如市场供求关系、工资和效率关系、工作时间和错误率关系等。**平衡思维的关键在于寻找能够显示平衡状态的指标！**也就是说，在图中的红框中，我们需要找到这个准确的量化指标来观察天平的倾斜度。如何找到这个指标？根据我的经验，我通常首先发现双向问题，即高或低，然后量化为指标，最后计算成一定的比例，经过长期跟踪，观察其可信度和效率。三是对客户进行分类思考，对产品进行分类，对市场进行分类，对绩效进行评价…很多事情都需要进行分类思考。主管拍脑袋也可以分类，机器学习算法也可以分类，所以很多人都很模糊。如何应用分类思维？**关键是，分类后的事物需要在核心指标上拉开距离！**也就是说，分类后的结果必须是显著的。如图所示，横轴和纵轴通常是您操作中关注的核心指标（当然不限于二维），分类对象可以看到，它们的分布不是随机的，而是有明显的集群倾向。例如：假设图片反映了消费者群体的结果，水平轴代表购买频率，垂直轴代表客户单价，那么绿色群体，是明显的“傻钱”“切手金客户”。四是矩阵思维矩阵思维是分类思维的发展，它不再局限于用量化指标进行分类。很多时候，当我们没有数据作为支持时，我们只能通过经验推断出一些重要因素可以组合成矩阵，大致定义好坏的方向，然后进行分析。百度经典的管理分析方法“波士顿矩阵”模型。第五，管道/漏斗思维的思维方式已经普及:注册转化、购买流程、销售管道、浏览路径等。这种思维的影子可以在太多的分析场景中找到。但我想说的是，模型越普遍，就越容易理解，它的应用就越谨慎和谨慎。在漏斗思维中，要特别注意漏斗的长度。漏斗从哪里开始到哪里结束？根据我的经验，漏斗的环节不应超过5个，漏斗中每个环节的百分比值不应超过100倍（漏斗的第一个环节从100%开始，最后一个环节的转化率值不应低于1%）。如果超过我提到的两个数值标准，建议分为多个漏斗进行观察。当然，这两个是经验值，只是供你参考～原因是什么？超过5个环节，往往会出现多个关键环节，因此在一个漏斗模型中分析多个重要问题容易造成混乱。数值级差距过大，难以察觉数值之间的波动关系，容易遗漏信息。例如，漏斗的前部环节从60%变为50%，这让你感觉很棒，而漏斗最后部分0.1%的变化不能引起你的注意，但往往是漏斗的最后0.1％变化非常致命。第六，我们观察指标的相关思维，不仅要看单个指标的变化，还要观察指标之间的关系！正相关系(图中红色实线)和负相关系(蓝色虚线)。最好经常计算指标之间的相关系数，并定期观察变化。相关思维的应用太广泛了，我经常被忽视。现在很多企业管理层面临的问题不是没有数据，而是数据太多，却不知道怎么用。相关思维的应用之一是帮助我们找到最重要的数据，消除过多混乱数据的干扰！**怎样执行？您可以计算多个指标之间的相互关系，选择与其他指标相关系数相对较高的数据指标，分析其逻辑、相应的问题，并评估信度和效率。如果它们都符合标准，该指标可以被定位为核心指标！建议你养成一个习惯，经常计算指标之间的相关系数，仔细思考相关系数背后的逻辑，有些是明显的常识，如订单数量和买家数量，有些可能会给你带来惊喜！此外，“无关”往往成为惊喜的来源。第七，在与管理层的许多朋友沟通后，我发现他们经常掌握大量的数据和报告，但他们的注意力非常跳跃和分散。如何避免？一是通过相关思维找出核心问题和指标；第二，这部分要说的是建立远进步的思维方式。确定核心问题后，分析其它业务问题与核心问题之间的距离，从近到远，有计划地分配自己的精力。例如：最近的核心任务是提高客户服务人员的服务质量，所以客户服务人员、客户评价渠道、客户服务系统的相应速度是最近的子问题，需要关注，客户询问习惯、客户购买周期是相对较远的问题，暂时放。当然，我的经历是有限的，例子不合适的地方还是看着读者的海涵。第八，我相信你见过很多次逻辑树思维如图的树形逻辑。逻辑树分叉时，一般会提到“分解”和“汇总”的概念。我在这里改变它，使它更接近数据分析，称为“下钻”和“上卷”。当然，这两个词不是我发明的，已经存在了。所谓下钻，就是在分析指标变化时，按照一定的维度不断分解。例如，根据地域维度，从大区到省，从省到市，从省到市。所谓上卷就是反过来。随着维度的下钻和上卷，数据将不断细分和总结。在这个过程中，我们经常可以找到问题的根源。下钻和上卷不局限于一个维度，通常是多维组合节点，分叉。将逻辑树延伸到算法领域就是决策树。关键是什么时候做决定(判断)。当分叉时，我们经常选择最不同的维度进行拆分。如果差别不够大，分支就不细分了。能产生显著差异的节点将被保留并继续细分，直到没有区别。通过这个过程，我们可以找出影响指标变化的因素。举个简单的例子：我们发现全国客户数量下降，我们从区域和客户年龄两个维度观察，发现各年龄段客户下降，部分区间下降，然后我们根据区域拆分第一个逻辑树节点，拆分到区域，发现省差异明显，然后继续拆分到城市，最终发现浙江杭州大量客户，覆盖各年龄段，一波推广活动被竞争对手转化。原因是通过三层逻辑树找到的。原因是通过三个层次的逻辑树找到的。第九，时间序列思维有很多问题，我们找不到横向比较的方法和对象，所以与历史情况相比会变得非常重要。事实上，很多时候，我更愿意用时间维度的比较来分析问题。毕竟，发展也是“红色方法论”的重要组成部分。这种方法很容易消除一些外部干扰，特别适合创新的分析对象，如新行业的公司或新产品。时间序列思维有三个关键点:**第一，时间点越近，越要注意**(图中的深度，最近发生的事情越多，再次发生的可能性就越大)；二是做**同比**(图中的尖头指示，指标往往有一定的周期性，需要在周期的同一阶段进行比较，才有意义)；第三，当**出现异常值时，需要注意**(如历史最低值或历史最高值，建议在时间序列中添加平均值和平均值的两倍或两倍标准差，以便于观察异常值）。时间序列思维中有一个子概念必须提到，那就是“生命周期”的概念。时间序列思维有一个子概念，就是“生命周期”的概念。用户、产品、人员等都有生命周期。我最近也把注意力集中在这一领域。直觉上，生命周期的明确衡量可以很容易地确定一些“阀门值”问题，使产品和操作的节奏更加清晰。随着数据运算能力的提高，队列分析思维逐渐显露出头脚。英文名称是cohortanalysis。说实话，我不知道如何表达这个概念。我的理解是，**将观察对象按照一定的规则切片，形成观察样本，然后观察样本的某些指标随着时间的发展而变化。保留分析是目前使用最广泛的场景。举个常用的例子:假设我们在5月17日举办了促销活动，那么我们就把这一天的新用户作为观察样本，观察他们在5月18日、5.19.之后的日常活动。在队列分析中，指标实际上是时间序列，不同的是衡量样本。队列分析中的测量样本在时间颗粒上发生变化，而时间序列的样本相对固定。第十一，循环／闭环思维循环／闭环的概念可以延伸到许多场景，如业务流程闭环、用户生命周期闭环、产品功能闭环、营销策略闭环等。很多时候，你会认为这是一个不落地的概念，因为提到的人很多，做事的例子也很少。但我认为这种思维方式是非常必要的。经理更容易定义业务流程的闭环，列出公司的所有业务环节，整理业务流程，然后定义各环节之间的相互影响指标，跟踪这些指标的变化，掌握公司的整体经营状况。例如，软件公司的典型业务流程：推广行为（市场部）->流量进入主站(市场)＋产研）->注册流程(产研)->试用体验(产研＋销售）->进入采购流程(销售部)->并部署交易(售后)＋使用、续约、推荐(售后)＋市场）->推广行为，闭环下来，各连接环节的指标，值得注意的是：广告点击率->注册流程进入率->注册转化率->试用率->销售管道各环节转化率->付款率->推荐率／续约率...这将涉及漏斗思维，如前面所述，**千万不要用漏斗来衡量一个循环**。通过循环思维，您可以更快地建立逻辑关系指标系统。有了循环思维，你可以更快地建立一个逻辑指标系统。第十二，测试／对比ABtest思维，大家肯定都很熟悉。那么如何细化这个概念呢？首先，在条件允许的情况下，在做出决定之前尽量进行比较测试；第二，在测试过程中，我们必须注意参考小组的选择。建议在任何实验中保留一组样本，不会发生任何变化，作为最基本的参考。现在数据获取越来越方便了。在保证数据质量的前提下，希望大家多做实验，多发现规律。第十三，指数思维指数思维是指将衡量一个问题的多个因素分别量化，组合成综合指数(降维)进行持续跟踪的方式。在最后的讨论中，目的是强调它的重要性。正如前面所说，许多管理者面临的问题是“数据太多，可用性太少”，这需要“降低维度”，即将多个指标压缩为单个指标。指数化的好处是显而易见的。**首先，它减少了指标，使管理者更加专注；其次，指数化指标往往提高数据的可信度和效率**；第三，指数可以长期使用，易于理解。该指数的设计是一个大学问题。这里有三个关键点：一是遵循**独立和耗尽**的原则；二是注意各指标的单位，尽量做**标准化**，消除单位的影响；第三，权重和需求等于1。独立耗尽的原则，即您定位的问题，在收集和衡量问题的多个指标时，每个指标之间应尽可能独立，同时可以测量问题的指标应尽可能耗尽（收集完整）。例如：在设计公司销售部门的指标体系时，目的是衡量销售部门的绩效，确定销售的核心指标，我们将绩效分为订单数量、客户单价、线索转换率、订单周期、续约率五个独立指标，这五个指标涵盖销售绩效的各个方面（耗尽）。我们设计的销售绩效综合指数＝0.4＊订单数＋0.2＊客单价＋0.2＊线索转化率＋0.1＊成单周期＋0.1＊续约率，每个指标都采用max-min标准化。通过这个例子，我相信你可以理解指数思维。这篇文章的内容在我脑海中酝酿了2月多，但当我开始写作时，我仍然觉得我的思考还不够