编辑导读：在上篇文章中，作者为我们梳理了数据思维在工作上基本应用范围以及如何应用，明白了数据思维的重要性。但是，数据思维要如何培养呢？本文作者分享了一些数据思维的训练方法，以及在面对不同的业务时，如何快速掌握核心数据来指导制定业务策略，希望对你有帮助。

我们上篇内容，从广泛的意义上出发，简单梳理了数据思维在工作上基本应用范围以及如何应用，不同行业有不同的情况或者属性，且数据思维也可以说是一种底层的思维模式，所以，说白了就是如何让数据创造价值的思考方式。（详情请看：数据思维怎么用？）那通常情况下，我们在面对数据分析问题时，一些想法以及思维是零散的，需要我们逐步培养锻炼自己数据敏感度以及分析思维，需要将零散的想法形成有条理的分析思路或者思维。

然而，数据思维并不是一日可形成，是需要我们结合日常工作生活来刻意练习，去实践，发现问题、解决问题、总结问题的一个不断积累经验的过程。不过，刚刚入门数据分析还是可以通过一些方法和习惯去训练思维，培养逻辑能力的。本文简单梳理和分享一些数据思维该如何训练，其目的主要给大家提供如何锻炼数据思维的一些建议，以及在面对不同的业务时，如何快速掌握核心数据来指导制定业务策略，仅供参考！

一、提升对数据的敏感度

首先，养成对数据的深究，知道数据怎么来的？理解数据、理解业务是便于我们进行数据采集及分析溯源，对结论和成果有着一定的数据保证，同时也要判断数据来源的可靠性。

其次，梳理数据指标有哪些维度？理解评估标准，不同业务有不同的关键业务指标，利用思维导图积累相关业务的指标体系，多总结多问为什么；指标体系经常用于数据细分找原因，知道数据构成才能更快地拆分数据，找到异常原因。

最后，了解数据是如何说明业务？找到业务背后的基本逻辑。在数据的日常工作中带入业务思维，从而要知道数据指标在业务中的代表什么，业务数据正常水平是怎么样的，受节假日或者活动营销的影响的数据又是怎么样的，要多对比，结合环比同比明白数据高低的意义。

二、养成对数据指标拆解习惯

拆解能力决定了能否有效处理和解决复杂事务，简单来说，就是把一个复杂问题拆解成一个个基础元素，通过研究这些元素，控制和改变基本的元素进而解决复杂的问题。

1. 结构化拆解

简单地说，就是按照各不同维度进行拆分，定位当前问题，从问题核心出发拆解影响因素，最终确定验证角度。再通过指标、公式、模型的方式找到验证影响因素的量化标准。比如销售额下滑了，销售额=销售数据*单价，拆分后的结果比拆分前的清晰得多，就可以区分是线上销售下降还是线上销售下降，还可以进一步发现是具体某一个渠道下滑，这样分析更具针对性。如图：

2. 流程化拆解

简单地说，用户行为路径所要经过的核心流程步骤，用户在流程的走向过程中会逐渐的减少。梳理各流程环节涉及复杂业务过程关键业务的节点，而漏斗图是对业务流程最直观的一种表现形式，并且也最能说明问题的所在。比如获客就是一个链路比较长的业务场景，涉及到活动曝光、客户点击、客户意愿、填写信息、客服回访、客户下载、激活、注册、下单等一系列业务环节，通过漏斗图可以很快发现业务流程中存在问题的环节，确定业务瓶颈。如图：

三、常用数据做多维度对比

“对比、细分、溯源“是数据分析的6字箴言，而对比虽然是最简单的，却是在培养数据思维中非常重要的一环。所谓对比是指将两个或两个以上的数据（指标）进行比较，分析它们的差异，从而揭示这些数据所代表的事物发展变化情况和规律性。来判断业务进展情况以及追踪业务是否有问题。其特点：简单、直观、量化。即可以非常直观的看出事物某方面的变化或差距，并且可以量化、准确地表示出这种变化或差距是多少。

对比分析思维的分为两类类：静态比较（和行业比）和动态比较（和自己比）

1. 静态比较

即在同一时间条件下对不同总体指标的比较，如不同部门、不同地区、不同国家的比较叫做横向比较，简称横比。

举个例子：女友问你“你觉得我胖么？”你去拿全国女生体重平均值和女友体重做对比，这就是和行业比。

一般来说，同业的数据来源主要公开发表的数据，包括上市公司的财报、主动披露的数据等等，数据的信息源不同其准确性也会存在各种差异，但是通过仔细分析还是能得到一些自己想要的东西，取决于每个人数据思维能力的高低。

2. 动态比较

即是在同一总体条件下对不同时期指标数值的比较，也叫纵向比较，简称纵比。

再举个例子：比如女友问“我比上个月胖么？”就是和自己比。

一般来说，会进行同比、环比等，通过趋势图观察一段时间的走势，这是常见的比较思路，但是注意不要忘记最初设定的目标。在工作中会发现有个问题就是有时候我们会发现同比环比之后，指标都上涨了，营造出欣欣向荣的局面，但其实并没有达到我们的目标，只是基准值太低，这是一种典型的目标侵蚀。

总之，这2种方法既可单独使用，也可结合使用。纵向的是因果，横向的是相关。然而对比分析的时候要遵从以下原则：

1. 对比对象要一致
2. 对比时间属性要一致
3. 对比指标的定义和计算方法要一致
4. 对比数据源要一致最后就是多比较

四、多熟悉各种数据分析模型

数据模型其实是各种数据分析经验的抽象集合，你拥有了更多的数据模型，也就拥有了更多的认知“数据”世界的工具。在斯科特·佩奇的《模型思维》一书中，提到了20多个思维模型，我们在数据分析过程中可能会经常用到的主要有：AARRR（海盗模型）、漏斗模型、Google’s HEART、金字塔模型、RFM模型、用户生命周期模型、滑梯模型、消费者行为模型等等。

1. AARRR模型

AARRR增长模型出自于增长黑客，又称海盗模型，即获客、激活、留存、变现、传播推荐。

获取用户（Acquisition）、提高活跃度（Activation）、提高留存率（Retention）、获取收入（Revenue）、用户推荐（Refer），这个五个单词的缩写，分别对应用户生命周期中的5个重要环节。

获取用户（Acquisition）：通过一定的方式让产品在一些渠道上面得到展现，并使看到展现的用户转化成产品用户。

提高活跃度（Activation）：提高产品的使用粘性，提升用户使用产品的深度。

提高留存率（Retention）：如何让用户不断的使用我们的产品，减少用户的流失，提升用户粘性。让用户无法离开产品。

获取收入（Revenue）：通过一些手段和渠道从用户那里获取收益。

用户推荐（Refer）：通过提升产品的竞争力，使用户给他的朋友推荐我们的产品。

2. Google’s HEART模型

Google’s HEART是一个用来评估以及提升用户体验的模型，它由五个维度组成：Engagement（参与度）、Adoption（接受度）、Retention（留存度）、Task Success（任务完成度）和Happiness（愉悦度）。

Engagement（参与度）：通常指的是用户访问产品的行为，相关的指标是和用户访问相关。包含用户的活跃度（DAU/WAU/MAU）、UV、PV、人均访问次数等，通过这些数据可以很好的反应整个产品的用户访问情况。

Adoption（接受度）：用户在规定的时间内对产品的操作情况。接受度相关的指标主要和用户的操作行为有关。包含点击行为、点击率、人均点击次数、下单金额、支付情况和人均订单数等等。

Retention（留存度）：留存度体现用户人群对产品或者某个功能的粘性。留存度的相关指标主要和用户再次访问/操作的行为有关。包含留存用户数、留存率、复购用户数和复购率等。

Task Success（任务完成度）：任务完成度体现用户各个流程的转化率情况。任务完成度的相关指标主要和用户各个流程节点的转化率有关。包含各节点转化率、平均停留时长、返回率、跳出率和退款率等。

Happiness（愉悦度）：愉悦度体现用户使用完产品后的整体感受情况，是否有推荐给其他用户的意愿。愉悦度的相关指标是NPS净推荐值。

3. 波士顿矩阵模型

波士顿矩阵其实是利用二维四象限将产品分成了明星、金牛、瘦狗和问题四种类型。在电商运营中波士顿也具有很大的指导意义,我们可以根据波士顿矩阵的方式制定平台的产品矩阵：引流款、利润款、留存款。让商城的产品更符合交易逻辑。通过波士顿矩阵模型，可以将我们面临的问题进行轻重缓急排序，并针对性地部署相应的策略，把主要资源放在哪个区域。

·······

这里就不一一展开了，简单介绍几个常见的，抛砖引玉，而更多的数据模型还需要我们在日常的工作中不断的积累。总之，大家可以找更多的资料深入学习数据模型，复用现有模型，更重要的是，需要我们通过熟悉主流的数据模型产出逻辑，并从中找到规律，培养自己的思维能力

五、其他建议

1. 具备一定的好奇心

美国心理学家布鲁纳认为好奇心是人类行为的原始动机之一。它常由人们所接触的不明确的事物或未完成的事情引起。当事物尚未明确，事态尚未完成时，人们时常受好奇心的驱使去探索这些未知的行为过程或结果，并从中得到满足。然而，在锻炼数据思维时，一定是有好奇心的，有兴趣去知道数据背后的逻辑的。

2. 说事实，而不是观点

《原则》一书中举的例子是：大部分人不是真正地寻找事实,而是寻找那些能证明自己观点的事实。我们大部分人表达的事实，可能已经是带有自己价值取向的观点。因此，我们要注意自身的观点，用事实说话。

3. 用客观标准代替主观判断

主观是指人的意识、思想、认识等；客观是指人的意识之外的物质世界或认识对象。我们不能用主观判断数据的好坏，以符合实际业务场景的客观事实的标准来判断，可以根据竞对数据，往期数据，目标数据等维度来制定准备。

4. 多看、多练、常总结

首先，我们可以多看写权威、专业的数据分析报告，梳理以及了解人家的分析过程。去不同行看看不同数据报告，发现问题，总结经验，还可以多看自己业务的数据和每天的各种数据报表，整理出来，每天看走势，发现异常及时分析。其次，还有多多去尝试用同样的分析方法去分析类似的数据。可以套用别人的分析思路去尝试分析自己的业务问题，最后，总结分析过程中的问题以及经验。总之，就是多看，多练，尝总结。

六、总结

以上是分享的一些培养数据思维的建议。具备数据思维的人来讲，要有数据敏感性，要能够合理怀疑，首要确认数据是否准确，对一些异常敏感的数据尤其如此，这就需要通过时间培养数据常识，只能刻意练习。

总之，数据思维需要结合日常工作生活来不断通过一些习惯和方法去培养，去实践，发现问题、解决问题、总结问题积累经验的一个过程。其核心价值在于是否指导了你的决策行为。我们在生活工作利用以上建议，从一个广告数据、一个活动数据、一个产品数据、一组访问数据、一个数据报告等进行培养和刻意练习。

#专栏作家#

木兮擎天＠，微信公众号：木木自由，人人都是产品经理专栏作家。多年互联网数据运营经验，涉猎运营领域较广，关注于运营、数据分析的实战案例与经验以及方法论的总结，探索运营与数据的神奇奥秘！

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自unsplash，基于CC0协议