为什么掌握了这么多工具和技能你依然做不好数据分析

　　什么是分析思维？怎么拥有数据分析思维？
　　引言
　　数据分析师究竟要掌握哪些技能？
　　大部分的数据分析教学都会教你excel，Python，sql，机器学习，还有一些分析方法比如对比分析、漏斗分析、留存分析等等技能。
　　但是，很多人掌握了这么多工具和技能，依然做不好数据分析。面对具体的业务问题，我们还是容易两眼一抹黑。
　　就像我们大部分人学习英语，都会学习单词、语法、音标等等，但是一开口就跪了。而英语母语的人就算不懂语法是什么，却能如同抬手睁眼一样自然地用英语表达。
　　这其中的区别，便是因为英语母语的人拥有英语思维。
　　想要做好数据分析也一样，单单会工具和技能是不够的，还必须拥有数据分析思维。数据思维决定了你如何思考问题，如何搭配这些分析方法，如何得出结论，如何确定问题。
　　那么究竟什么是分析思维呢？我认为有以下几个方面。
　　1。说事实，而不是观点
　　数据分析师第一个要训练的思维方式便是：只说事实，不说观点。
　　事实和观点这两个名词看起来区别很大。但实际上在生活中我们经常会将两者混淆。
　　比如说你的同事告诉你：最近的转化率大幅下降。
　　这句话到底是事实还是观点呢？
　　很显然这句话是观点。究竟下降多少算大幅下降？也许你认为的大幅下降在我看来变化并不大。
　　那么如果他说：转化率下降了。这句话是事实还是观点呢？
　　这句话看起来已经非常像事实了，但是实际上它依然属于观点。
　　有这样一种情况，转化率在短期内它看起来是下降的，但是你站在宏观的层面上，以月为单位甚至以年为单位，它是它是上涨的，那么你究竟说他是上涨还是下跌呢？
　　那么什么是事实？
　　周一到周三的转化率持续下降，周三相比周一已经下跌了5。这句话就是事实，这句话不同的人都能理解，不会出现歧义。
　　只有分清楚观点和事实才有继续分析的可能性。
　　因为观点的沟通会出现误差，而事实则不会。如果我们用观点进行沟通，自然会出现大量的误解。
　　如果连背景都没有理解清楚，后续的分析也就无从谈起。
　　2。用客观标准代替主观判断
　　但是单纯只有数据，对业务问题的分析没有什么帮助。毕竟我们得知道这个数据到底带来了哪些业务信息。所以最后事实还是要归纳成观点。
　　不过如果我们用主观判断数据的好坏，那么还是回到了原来的老路上去。
　　那么周三相比周一转化率下跌了5，这个数据到底表现如何呢？
　　想要解读出观点，我们需要先找到一个标准。
　　标准怎么找？
　　可以是老板定的标准，看数据是否符合老板心中的标准。虽然这也是拍脑袋，不过老板毕竟是老板，他们心中有些战略构想是建立在某些条件满足的基础上的。所以没什么说的，如果老板不满意，那这数据肯定是有问题的。
　　可以看行业和竞品的平均标准，看数据下降是否是行业的普遍现象。
　　看企业过去的平均水平，可以在历史数据中找到类似场景下的数据情况，和自己的过去对比。
　　然后我们通过数据和这些标准进行对比，得出一个观点。比如我们可以分析每周的情况，看历史上是否存在这一的趋势，平均下跌是多少？如果历史上每周三都会下跌，平均下跌7，那么我们就可以认为目前数据比较正常，没有问题。
　　这样得出的结论全都是客观的，如果你不找标准，而用主观判断数据的好坏，那么不同部门的人会沟（shuai）通（guo）很久。
　　3。不预设立场
　　人们总是习惯于通过自己的现存经验和知识去判断未知事物。
　　这本身是进化带来的优势，它能让人在信息不完备的情况下迅速做出决断并付诸实施。
　　这种预设立场的思维在原始人的时代很有价值，其优势在于：
　　第一，不浪费宝贵的能量，大脑是能量消耗大户；
　　第二，快速决断，避免因为低效决断而错失机会，这一点在避免伤害时尤为重要。
　　在数据分析的场景下，我们需要尽可能地找出真实原因。此时这种预设立场的决断方式会造成许多错误，因为现有经验和知识在应对未知事物时是不足的，是有偏差的。
　　而且不同岗位的人还会存在屁股决定脑袋的现象。
　　如果出现了业务问题，关联的业务方往往预设一个立场：这事没有看起来那么糟，或者这事和我没关系。
　　比如转化率下降了，业务方的反应往往是这个数据下降肯定跟自己无关。
　　自己的运营活动明明做的很成功，转化率下降一定是行业因素、用户质量等等其他因素导致的。于是为了证明这个观点，他们顺着这个预设的前提，找到一些相关的证据来解释转化率下降的现实。
　　实际上，想要证明一个观点，只要你肯去找，不管观点多么荒谬，总能找到支持你的理由。
　　不仅辛普森悖论这种统计学的把戏可以得出完全相反的结论，即使最简单的真话不全说的方法，也能达到这种目的。
　　比如，我说两个比较荒诞的列子：
　　1。把正例说成反例
　　我想要证明一种物质是有害的，我列举出以下论点：
　　它是酸雨的主要成分；
　　对泥土流失有促进作用；
　　过多的摄取可能导致各种不适；
　　皮肤与其固体形式长时间的接触会导致严重的组织损伤；
　　吸入该物质容易引发窒息；
　　处在气体状态时，它能引起严重灼伤；
　　在不可救治的癌症病人肿瘤中已经发现该物质；
　　怎么样，你会不会觉得这是一种非常危险的物质，实际上上面描述的是水。
　　2。想要把反例说成正例也没问题
　　比如中国男足，想要把男足描述成世界强队行不行？
　　当然行。
　　哥斯达黎加是世界杯史上为数不多能够战胜中国队的国家
　　即使是巴西队这样的世界强队也仅战胜过中国队一次
　　自2002年韩日世界杯后，中国队在世界杯正赛上不败纪录已经延续12年
　　纵观漫长的世界杯史，中国队也仅输过三次
　　中国队从未在世界杯点球大战中失利过
　　中国队在领先的情况下从未丢过球
　　你看，只要你想证明一件事，总能找出一些证据。
　　所以，预设立场再去找证据是一件相当不靠谱的事。
　　数据分析部门一般独立于业务部门之外，这样可以确保数据分析师没有业绩压力，分析具有独立性。
　　因为数据分析的独立性，所以最终问题究竟是在产品上、运营上或者市场上，数据分析师不会有明显的偏向，只认客观数据。
　　同样是转化率下降了，数据分析师的职责就是找出下降的真实原因。他们要梳理出和转化相关联的各个环节，获取数据，根据数据推演出合理的结论。
　　有些资深的数据分析师有一定的业务敏感度，他们会提出一些可能性很大的假设。比如他们猜测可能是运营出现了问题，那么就需要找到一些数据来验证这个假设。
　　但是假设验证和预设立场不同。
　　预设立场，是要找到证据来证明猜想，一个数据不行，那就换另一个数据。直到能证明这个观点为止。
　　而验证假设，则是事先规划验证这个假设需要的数据。如果数据最终不符合假设，那么就抛弃这个假设。
　　好的数据分析师，能够根据客观数据，随时抛弃旧的假设，并建立新的假设。
　　抛弃固有的思维定式，这是非常反人性的，这也是为什么说数据分析需要专业训练的原因。
　　4。演绎而不是归纳
　　逻辑思维方法分为归纳法和演绎法。
　　归纳法是从特殊到一般的推理，是从结果找原因的方法。
　　也就是说，通过观察很多个别事物的特殊性，然后概括出同类事物的特征。
　　但是我们一般不可能观察到这个事物的所有样本。所以归纳法得出的结论是不确定正确性的。
　　你有没有听过这个故事：
　　在一个火鸡饲养场里，一只火鸡发现，不管是艳阳高照还是狂风暴雨，不管是天热还是天冷，不管是星期三和星期四，每一天上午的9点钟，主人都会准时出现，并给它喂食。
　　于是，它得出了一个惊天大定律：主人总是在上午9点钟给我喂食。
　　时间来到圣诞节的前一天，上午9点，主人又一次准时出现，但是这一次，主人带来的并不是食物，而是把它变成了食物。
　　这个是英国哲学家伯特兰罗素提出的一个问题，被称为罗素的火鸡，用来讽刺那些归纳主义通过有限的观察，得出自以为正确的结论。
　　大部分人思考问题，会优先使用归纳法。因为这是人类认识世界的方法，这是人性决定的。
　　比如一月到三月的成交金额连续上升，初级分析师往往会说：成交金额呈现上升的趋势。
　　这句话的潜台词是，预计交易金额在四月份也会上升。
　　这是典型的归纳法思维：因为过去是这样的，所以未来应该也会继续这样。这和那只火鸡的思维其实也没有什么本质的差别。而且这和没分析一样，你把数据丢给业务方，他们也能看出目前呈现上涨的趋势。
　　如果想要做好数据分析，就不能滥用归纳法，这点依然很反人性。
　　那我们用演绎法，如何思考这个问题的呢？
　　演绎法是从一般到特殊的推理，是从原因找结果的方法。
　　要想预测四月份的成交金额会如何，首先需要分析前三个月的成交金额为什么会上涨？当时的背景是什么？上涨需要哪些条件？四月份的这些条件是否依然存在？如果维持成交金额上涨的条件不变，我们才能说四月份会继续延续这种上涨的势头。
　　经过演绎法推理的结论才是合理的，而且我们通过深挖找出了内部的原因，这才是业务人员想要知道的。
　　数据分析的价值就体现在这。
　　5。找出背后的逻辑
　　数据分析师是需要大量的逻辑思维训练，但我们自己做好还不够，我们的工作必需和业务方沟通，帮助他们解决实际的业务问题。
　　但是很多业务人员没有考虑清楚就跑来沟通，他们的需求可能充满了逻辑问题，这时我们就需要帮对方理清思路，找出对方表述背后的逻辑。
　　数据分析师往往会听到业务方这样问：本周的转化率相比上周已经下降了5，怎么办？
　　这句话听起来感觉没什么问题，实际上逻辑并不是特别严密。
　　首先，这句话的前半部分很好地表达了事实，值得表扬。如果前半句是一个观点，我们还要先找到事实。
　　但是这句话的后半句有问题，后半句的怎么办，放在这个语境中，潜台词其实是这样的：
　　本周转化率相比上周下降了5
　　这是个不好的情况
　　需要解决这个问题
　　怎么办？
　　相比最开始的表述，我们分析出这句话中间出现了两个衍生的问题。
　　问题1：转化率下降5真的是不好的情况吗？
　　这就涉及到了标准了，之前提到了我们要找到一个客观标准，通过标准解决出数据的业务含义。
　　因此我们首先要协助业务方找到一个标准。
　　问题2：如果数据表现真的不好，那么这是现在急需解决的问题吗？
　　这个问题的答案也是不一定。
　　商业世界要解决的问题太多，在同一时刻，永远存在着各种各样的问题。
　　而企业的资源是有限的，不可能同时解决所有的问题。问题的解决必然有轻重缓急之分。
　　那么凭什么要先解决转化率的问题，而不是解决引流的问题、留存的问题、活跃度的问题？
　　数据分析师必须了解企业当前的战略方向，把有限的资源投入到更重要的方向上。
　　如果上面这两个隐藏的问题不想清楚，就开始分析怎么办，那么这类分析师的工作往往会费力不讨好，做很多低绩效的工作。
　　技艺理性需要长时间的练习
　　说到这儿你有没有觉得，分析师的工作和法律工作者非常的像。
　　法官只看事实，一切都讲证据。
　　法官需要标准，标准就是法律文本。即使被告的行为看起来多么地不符合社会道德，只要法律没有规定不允许，那么法官就不能认为有罪。
　　法官不预设立场，法律的原则是无罪推断，任何人在未经证实和判决有罪之前，都视其无罪。
　　法官要用演绎法推断。法官的判决讲究证据链完整。证据链中的链字，就有一环扣一环的含义在其中。很明显就是需要用演绎法来进行分析。
　　最后律师要理清当事人的逻辑，大部分人是说不清一件事的，当事人在律师的引导下把事情逐渐还原。
　　法律史上有一个非常著名的故事，可以为我们带来一些启发。
　　在1608年，英国国王詹姆斯召见了法官，提出一项要求：既然法官只是国王的代理人，国王自然有权直接裁决诉讼案。
　　但大法官柯克反对说：国王本人不能裁决任何案件。
　　詹姆斯一世说：法律以理性为基础，除了法官之外，我和其他人一样具有理性，为什么就不可以裁决诉讼案？
　　柯克大法官很聪明，先夸了国王一番：确实，上帝赋予了陛下卓越的技巧和高超的天赋；
　　接着，他又说：
　　但陛下对于英格兰本土的法律并没有研究，而涉及陛下之臣民的生命或遗产、或货物、或财富的案件，不应当由自然的理性，而应当依据技艺理性和法律的判断来决定，而法律是一门需要长时间地学习和历练的技艺，只有在此之后，一个人才能对它有所把握。
　　这个故事中非常重要的观点就是自然理性不等同于技艺理性，而技艺理性是需要长时间的专业练习的。数据分析也一样。
　　总结
　　很多人想要数据分析速成。他们认为自然理性加上分析工具和方法就能做好数据分析。分析工具、分析方法等技能确实可以速成，但是数据分析的能力不是自然理性能够驾驭的。想要做一个好的数据分析师，必须拥有数据分析的思维，这是一种技艺理性，有一点反人性，必须花大量的时间训练才能掌握。
　　如果你学会了很多数据分析的工具和技巧，依然做不好数据分析。建议尝试练习本文提到的思维。要点很简单，坚持，坚持，坚持。