介紹數據分析的文章數不勝數，我看了很多篇，不管是頭條、百度還是知乎上的，都沒有發現一篇是按照一個邏輯體系來梳理數據分析的。在前面的思維篇中我已 經詳細介紹了數據分析工作中各類思維的介紹和它們相互之間的邏輯關系圖（下圖），本文将先對思維和方法之間的關系進行梳理。

本節先根據常見方法的特性将其劃分到各自的思維方式裡面，具體如下圖。

（1）歸納思維

前文也說了，歸納思維是通過經驗歸納出分析的維度，從而限定系統思維的分析框架。我們常用的歸納法有SWOT、PEST、5W2H、4P等等。

以4P方法來說。它是一個營銷學概念，由産品（product）、價格（price）、渠道（place）和促銷（promotion）四部分組成，由于每個名字的英文首字母都是P，所以就成為4P理論。在我們進行數據分析時，當确定了分析目标後，就首先要考慮從哪些維度出發，選擇的維度就是通過歸納法，4P理論就是給予了我們四個分析維度，在這4個維度下，我們的分析框架也就定下來了，系統範圍也就定下來了。所以它是歸納思維的一種方法。其它方法也行同此理。

（2）演繹思維

演繹思維的常見方法就是流程圖，因為它的任務是建立維度和目标之間的邏輯關系，這種關系我們一般用流程圖來表示。

（3）統計思維

統計思維的具體方法會根據我們數據分析任務的不同而有所不同，我們都知道數據分析的任務可分為三種：描述現狀、尋找原因、預測未來。那這每類任務都對應着什麼方法呢？

描述現狀的統計方法就是指标體系，這一點想必都很好理解；尋找原因的統計方法就是對比法，因為隻有對比才能确認因變量的差距是否是由自變量造成的。在進行對比時要注意控制變量；預測未來的統計方法就是數學建模，不管是分類還是回歸的預測，這樣的複雜問題都得通過數學模型才能得到。

如此，我們就把各種思維方式和分析方法之間的關系梳理清楚了，有了這幅圖，我們就可以很好地理解并靈活應用它們了。

數據分析的流程這一點幾乎是沒什麼争議的，本文也不多說，隻是簡單介紹下。

• 确定目标。确定目标就是要搞懂需求的本質，建議采用第一性原理拆解需求
• 分析目标。得到了本質需求後，這也就是我們的目标，先不要急着去收集處理數據，要首先對目标進行好好地演繹分析，确定我們的分析框架。這一步就是我們前面提到的思維方式和分析方法的應用。
• 準備數據。根據我們對目标進行分析後的結果，準備好所需要的數據。這一步包含數據的收集和清洗。
• 分析數據。數據整理好後就可以按照框架付諸于實施了。
• 呈現結果。結果的呈現也是一門學問，建議采用金字塔原理。

數據分析的流程就介紹完了，這一點應該都沒什麼異議。

最後要說下數據分析工作的痛點，因為這一點困擾着大多數數據分析師。數據分析工作的痛點其實和很多分析工作中的痛點是類似的，即産出被認為沒有價值。

其實它的痛點和其工作性質有關，因為首先它不像業務方能直接産生業績，給公司帶來收入，其次它不像技術工程師能直接實現功能，讓人看得見摸得着；再者它也不像運營工作中可以直接優化流程，讓用戶享受到便捷……它更像幕後軍師，它的結果價值衡量存在着很大的主觀性，即領導如何評價。

我這以前的文章中提到過：數據分析的本質是要尋找到解決問題的有效方法，所以痛點的根本就在于我們是否能找到解決問題的有效方法。

在尋找有效方法的過程中，數據分析逐漸誕生了三個方向：業務分析、機器學習、數據運營。

• 業務分析。業務分析方向的人深入紮進業務中，時刻以業務需求為導向，對于業務的精通比普通數據分析師要強很多。
• 機器學習。這個方向的人更喜歡專研技術，希望通過先進的模型來解決業務問題。由于花在技術上的時間占比過多，導緻他們對于業務的了解程度不是很多。
• 數據運營。這個方向的人也是偏向于業務，但這種偏向是屬于業務的運營管理，即不僅僅是分析問題，他們還會通過數據分析方法去主動解決從數據中發現的問題。

其實不論是哪一個方向，要解決痛點都必要能有拿得出的成果——有效方法，區别就在于不同方向的具體有效方法會有所區别。

人工智能時代，數據分析工作中的現狀描述任務會逐漸被各類BI工具取代，預測未來的任務也會有更加先進的框架來部分取代，唯一還暫時無法取代的就是分析原因這一塊，因為人工智能畢竟還不具備人的智能，在原因分析這一塊，分析師還是有很大的存在價值的，所以這就要求我們在業務、技術、運營這三個方向必須得擅長一個或是多個以上，不能隻是單純的數據分析。

總之，數據分析必須得依附于某一個方向才會能走得更長遠！加油！

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!