如何培养数据分析的思维？
01
结构化思维
02
漏斗思维
03
矩阵思维
04
相关性思维
相关性思维是通过分析几个指标之间相互关系的方法，得到相应的规律，为企业的决策做支撑。说到相关性思维，不得不提大家耳熟能详的啤酒和尿布的故事。
20世纪90年代美国沃尔玛超市发现年轻的父亲在购买尿布的同时也会买啤酒，于是超市将啤酒和尿布两个看起来毫不相关的商品放在一起促销，结果反而提升了促销额，这个案例就是购物篮分析，通过分析顾客购物篮中的商品之间的关联，挖掘顾客的消费习惯，从而为卖方的营销做决策支撑。这就是相关性思维，在分析时，不仅要看单个指标的变化，还应关注两个甚至多个指标之间的相互关系，从而发现一些内在的规律。
需要注意的是，相关性并非因果性，相关性是指两个变量有着相同（或相反）的变化趋势，因果性是说一个变量的变化导致另一个变量也跟着变化，所以有相关关系的两个变量不一定存在因果关系，比如科学家经过统计发现，人的睡眠时间同收入呈反比，那我们可以得出睡眠时间越短，收入就越高的结论吗，显然不对，这两个变量只是在统计学上存在相关关系，而非因果关系。蝴蝶效应可以说是一种因果关系，因为蝴蝶扇动了翅膀，因此导致身边的空气系统发生变化，进而引发了龙卷风，但是蝴蝶效应更趋向于一种混沌现象，现实生活中，100%的因果关系很难找到。
05
降维思维
数据量大且多是大数据时代一个典型的特征，如何通过大量繁复的数据得到一个问题的解答，就要用到降维的思维。降维首先要有维度，将大量的数据拆解成各个维度，每个维度再赋予相应的权重，最后得到一个综合指数，将多个数据变成了一个指标，这就是降维，方便理解和分析。
举一个最简单的例子，如何评价学生的综合能力从而确定优秀学生呢，我们从语文成绩、数学成绩、英文成绩、体育成绩、思想政治成绩五个相互独立的指标来衡量，每个指标进行标准化，将所有的成绩指标都转换为0~100之间的数值，并确定每个指标的权重（权重根据历史数据和经验划定，或根据特定算法计算，权重累加为1），最后得到学生综合能力的得分=语文成绩ｘ0.2+数学成绩ｘ0.3+英文成绩ｘ0.3+体育成绩ｘ0.1+思想政治成绩ｘ0.1，这就是降维思维的应用。
降维思维的运用经常能在各个数据分析报告中看到，如高德地图发布的2019年Q1中国主要城市交通分析报告中提到的一个“地面公交出行幸福指数”这样一个指标，该指标融合了地面公交运行的多项指标，综合地描述地面公交的运行水平，该指数越高，说明公交运行水平越好，类似降维的思维运用的十分广泛。
提供入门级数据分析的学习路线规划，分享从Excel到统计学的干货。数据分析是一项技能，希望人人都能分析数据。
发送给作者