数据分析框架1.0 从黄金思维圈到万能三步走

2023-08-03 12:46 由饼干哥哥数分发表于 #其他

有上过我SQL实战项目课程的同学会知道，这个项目很复杂，因为我在万能三步走的基础上，把分析逻辑拆成了两层：数据层和业务层。

虽然逻辑复杂了，但同学反馈很实用，甚至有同学在工作中反复回看说能一次次地解决ta问题。

今天，就给各位介绍这个落地的分析框架，我给它起名叫：勤思·平行分析框架。

为了能从0讲清楚，分成两篇内容，今天这篇是1.0版本

起点：黄金圈思维

核心：为什么，是什么，怎么办？

在求职写简历或面试的时候，如何讲述项目经历？要用「问题思维」，先讲工作中遇到什么问题，再讲你是如何思考如何分析，并解决问题，最终得到什么结果。

包括很多人推崇的「STAR框架」，也很适合用于项目经历的讲述：

有没有发现，这些优秀的解决方案都有一个共同点：就是它们的叙述逻辑都是从「为什么」出发的。

其背后的底层逻辑就是黄金圈思维。

黄金圈思维是由 3 个同心圆组成，分为内圈、中圈和外圈。

备注：这是我修改后的版本，模型思维的核心在于「灵活」，让模型为我们所用，所以不必纠结原版到底是什么。

这种思考方式可以帮助我们更好地理解和解决问题，同时也能够更好地与他人沟通。

讲一个学校分班的例子。在没分班之前，假设所有班级的成绩平均分是80分，从表面上看，这个分数证明学生理解知识点是没问题的。

但事实上，这个分数是高成绩和低成绩的两拨人的差异被相互抵消的结果，也就是说如果老师按80分的标准讲课，那高成绩的那拨人觉得效率低，但低成绩那拨人又听不懂。

这就是问题所在，是学校分班这个场景下的痛点，对应着why

后来分班之后，高成绩人群所在的班级高于80分，低成绩人群班级平均低于80分，差异就被重新体现出来了。所以学生分班，以及用户分层的本质都是在去平均化，把人群之间的差异放大，才能给到不同的营销策略。

而学生分班的过程，是按成绩划分的，更专业地说，是按成绩这个指标做的人群聚类，在用户分层的过程中，我们可以用单一指标比如用价位段来将人群划分成不同价格偏好的人人群，也可以用多指标做聚类，比如RFM模型就是一个多指标的人群聚类

所以小结一句，就是用户分层的本质就是在做去平均化以及指标聚类

以上把用户分层的本质是什么讲出来了，对应着what

那说了这么多，用户分层该怎么做？需要两个要素：分层维度和分层标准

我们再看学校的分班操作，学生的成绩就是分班的维度，70分则是分班的标准，

在用户分层实战中，分层维度以及分层标准都很依赖业务经验，从众多指标中选择符合业务场景的指标，并应用分析方法计算阈值来划分人群

最后这部分就是用户分层怎么做，对应着how

要想把黄金圈转化为行动，实现更好地影响他人，关键不是告诉他人「是什么」或「怎么做」，而是给出「为什么」的理由。

启动黄金圈思维的关键，就是要找到「为什么」，也就是要找到深层的内在动机。

在《如何启动黄金圈思维》这本书中，作者介绍了找到「为什么」的 7 个步骤：

最关键的一步在于最后：用「一句话」讲清楚你的使命、项目遇到的问题等。如果不能用一句话讲清楚，证明理解还不够深。

核心：明确问题-分析原因-落地建议

回到数据分析场景，基于黄金圈思维：

考虑到最终我们要交付一份数据分析报告，所以我们需要在上述基础中，加上写报告的「总-分-总」逻辑，这样我们就得到了一个通用的数据分析框架1.0：数据分析「万能三步走」↓↓↓

在做数据分析时，需要有结构、有主线地进行，这样得出的结果才能找到依据。如上学时语文老师在作文课上经常强调的「总-分-总」行文结构，在数据分析里，同样也是在遵循这样的原则：

「总」 - 先进行全局的分析，对总体现状有认识
- 这个阶段对应数据分析流程中的「明确问题」：通过对整体数据的分析，透视业务现状，并结合分析框架明确业务问题
「分」 - 基于数据全貌的观察，找到问题点进行针对性分析
- 这个阶段对应数据分析流程中的「分析原因」：把复杂的业务问题通过多维度分析方法拆解成多个小问题，并选择合适的分析方法、分析模型逐一对问题进行分析
「总」 - 最后汇总并总结各部分的分析，并以业务目标为中心提建议
- 这个阶段对应数据分析流程中的「落地建议」：分析得到的数据结论，需要结合业务场景，转成可落地执行的策略建议，帮助赋能业务增长

接下来，我们会在1.0的基础上，继续升级，得到2.0的分析框架。

愿无知者有力，愿有力者前行。
我是@饼干哥哥，持续为您打造数字化时代的分析能力。