數據科學與數學思維和統計思維?編輯導讀：企業具備了數據思維，就可以深刻洞察業務線存在問題以及原因，厘清業務，并找到有效的方法提高業務數據指标，驅動增長個人可以讓決策更加理智，具有更強的核心競争力那麼，數據思維如何應用呢？本文作者對此進行了分析，與你分享，今天小編就來說說關于數據科學與數學思維和統計思維?下面更多詳細答案一起來看看吧!

數據科學與數學思維和統計思維

編輯導讀：企業具備了數據思維，就可以深刻洞察業務線存在問題以及原因，厘清業務，并找到有效的方法提高業務數據指标，驅動增長。個人可以讓決策更加理智，具有更強的核心競争力。那麼，數據思維如何應用呢？本文作者對此進行了分析，與你分享。

我們上篇内容，從業務層面的視角梳理了關于數據分析各個環節中可能存在的引發誤導的一些陷阱，大家在以日後的數據分析的工作中會時刻注意這些“陷阱”。（詳情請看：警惕！數據分析的陷阱？）在随着大數據和5G在各個行業領域應用的不斷深入，數據作為基礎性戰略資源的地位日益凸顯，精準的數據能夠為公司或者業務人員來指導決策，驅動業務發展，提升企業管理水平、效率、 可持續發展等。然而當我們在看到業務線上産生的各類龐雜數據時，很多人卻無從下手，甚至連數據代表什麼都不清楚，别說分析數據了。

此時，若企業具備正确的數據思維，做好數據挖掘、數據處理、數據分析等工作，就可以深刻洞察業務線存在問題以及原因，厘清業務，并找到有效的方法提高業務數據指标，驅動增長。若我們個人而言具備正确的數據思維，就可以讓你的決策更理性、更理智，在進行溝通時更高效，注重整體的理解和判斷，可以在未來職場上具備一定的核心競争力等。

我們在《淺談在探索數分之路上的“數據思維”論述》文章中梳理了何為數據思維，就是讓數據傳達出真正的信息，且呈現出畫面感，而不是一堆堆冰冷的數據指标，即能站在多方角度，用數據來精确描述現狀，分析問題，解決問題的一種思維方式。

那麼，數據思維應該如何應用呢？本文将從廣泛的意義上出發，簡單的聊聊數據思維在工作上基本應用範圍以及如何應用數據思維，不同行業有不同的情況或者屬性，且數據思維也可以說是一種底層的思維模式，說白了就是如何讓數據創造價值的思考方式。因此，其目的主要給大家梳理一下數據思維應用基本的思路和相對立體的認識。

數據思維能夠讓工作更加客觀、更加結構化和更具延展性，其存在價值就是了解需求，然後通過各種方法收集數據，再提取有價值的信息去優化業務線，從而改進決策，不斷疊代，降本提效，驅動增長，最終創造價值。概括起來，數據思維應用大緻思路是：

▼[明确目标]

首先，數據波動，數據來源是哪裡，目标是誰？比如活躍用戶數波動，付費轉化用戶數據如何？

▼[理解數據]

其次，你得知道數據來源以及意義，數據是怎麼産生的？比如數據提升或者下降代表什麼？

▼[确認目的]

再次，要明确分析的目的？比如活躍用戶數同比、環比波動較大，是什麼原因呢？

▼[預期效果]

想通過分析達到什麼效果？比如通過分析會員付費用戶，找到問題，解決問題從而提升收入？

▼[需要什麼]

想做出分析，需要什麼維度的數據？如會員付費總額、付費企業數、客單價、會員付費次數、會員各等級占比？

▼[拆解指标]

我們需要找到核心數據指标進行拆解，為後續明确收集哪些數據，這裡可以采用結構化分解的方法“MECE法則”，即“相互獨立、完全窮盡”，也就是“不重疊，不遺漏”。

▼[數據采集]

拆解指标後，我們對數據進行采集，是直接數據庫調取或者提前讓技術埋點等。

▼[數據整理]

數據出來，如何整理用戶數據、各個渠道新增報表等？

▼[如何分析]

完成數據整理後，是如何對數據進行綜合分析，相關分析或者對比分析？還要考慮用什麼分析方法——5w2h分析法，4p分析法，杜邦分析法等？其他競對做的活動更具吸引力？産品付費功能是否出現問題？

▼[數據展現]

找到問題後，讓數據呈現出畫面感。如新增渠道的付費轉化率較低，那麼轉化率低代表什麼？此時我們就需要考慮用什麼圖表表現？是用柱狀圖還是趨勢圖等？環狀圖用于展示各個數據在總數據中的占比，适用于看數據分布的比例，如渠道流量分布、各個應用商店App的下載量分布等。柱狀圖用于展示數據分布，如用戶年齡分布、新增來源渠道分布等。折線圖用于展示數據的變化趨勢。不同的圖表有相應的表現形式，還有餅狀圖，推積圖，條形圖，面積圖等，這裡就不一一列舉了。

▼[輸出價值]

最後，找準問題，就要進行決策，需要我們考慮如何輸出？比如怎麼說技術？如何說服運營策劃？具體執行方案是什麼？預期達到的效果如何？最後通過不斷疊代，降本提效，驅動增長，最終創造價值。

······

上述是比較基本的數據思維應用思路，對于實際的數據分析工作來講，我們根據又需要不同業務場景使用相應的數據分析模型，例如漏鬥分析模型、全行為路徑分析模型、歸因分析模型、杜邦分析法、AARRR模型等等。總之，當你覺得數據分析毫無頭緒，雜亂無章；冷靜下來，根據以上思路進行梳理，當我們有大概的數據思維應用基本思路之後再做行動，隻有這樣才能培養自己嚴謹的邏輯分析能力。

數據思維應用在工作和生活中不同的場景中。

在工作中：

在廣告投放時，若具備的數據思維，就去從廣告的受衆群數量大小、渠道數量、成本和效果回收情況，想辦法去拆解出各種影響因素、預期效果、投入成本等信息。

在優化産品時，若具備的數據思維，就去梳理其商業模式、面對的用戶群體、群體的使用場景，以及可能設置的付費點并去驗證，同時想到可改進的價值點，并觀察後續運營動作是否驗證了改進點。

在整理回訪數據時，若具備的數據思維，就會通過線索來源，通話總次數，通話有效次數&時長，線索意向級别，銷售司齡等數據維度來判斷這組客戶的意向度，來縮短成單周期。

·······

在生活中：

若具備的數據思維，當看到為什麼滴滴打車你的價格高？就會觀察并思考可能是你周圍叫車用戶多而司機少，也可能”其他原因”。

若具備的數據思維，當看到為什麼微信訂閱号文章改版後，有了點贊，還要增加在看？會觀察并思考微信想加深用戶粘性，讓你看到更多朋友的世界，也讓微信文章得到更多曝光。

若具備的數據思維，當看到為什麼每個超市都鼓勵辦會員卡後，就會觀察并思考可能是因為要留住你，增加你選擇去他們消費的機會，減少去競争對手消費的機會。

·······

總之，數據思維的應用是非常廣泛，還有在管理的應用，人力的應用等，這裡就不一一擴展了，其應用基本都是大同小異，隻要我們掌握了基本的思維思路，再者不斷的提升工具的使用，結合實際的業務場景，貼合業務來應用數據思維，就能在工作和生活中發現問題，解決問題，總結問題。

現在我們以放渠道選擇與預算分配最優的具體廣告投放案例，再來簡單了解一下數據思維的應用。

在制訂渠道投放計劃時，如何有效地篩選廣告投放渠道？以及如何合理地分配投放的預算呢？對于這兩個問題，我們都需要從數據思維的基本思路開始着手。

下面來以一個考勤類APP的新增渠道投放為例，如下表所示，假設現在有小米、華為、蘋果等五個應用市場拉新投放渠道，通過一段時間的廣告投放後，我們獲取了各個渠道的新增數據、下載量、消耗費用及單個獲客成本等數據。

首先，在對這幾個渠道的數據有了基本的認知之後，明确其分析目标，我們可以根據廣告投放的實際情況進行預算的控制和調整。比如，在縮減預算的情況下，應該如何優化投放費用的最優分配呢？

其次，理解數據，從5個渠道中可以看出，小米和oppo的單個企業獲客成本最高，是做預算控制的首選渠道，應該削減這兩個渠道的預算，這樣能夠快速産生成本壓縮的效果。

進而，通過各個渠道的轉化漏鬥分析，看看各個渠道的轉化率，環比往期數據，來優化新增渠道。其目的可以測試不同策略和素材的效果，還可以橫向對比不同投放方式的渠道拉新成本，擇優選擇。我們就按小米渠道的各環節轉為為例，轉化環節可以簡單的分為下載→激活→注冊→創建企業。如圖所示：

可根據小米渠道人群受衆、廣告頁面、落地頁以及注冊方式等這些實際内容都可以通過測試數據，并進行調整優化。衡量優化效果的核心指标是漏鬥對應層級的轉化率是否得到提高。

在增加投放費用時，需要快速增加拉新量的情況下，又應該如何優化預算分配呢？這時，從數據上看将預算全都使用到單個企業獲客成本最低的vivo渠道。但從實際的廣告投放經驗以及過往數據來看，vivo渠道的新增用戶數相對最低，但用戶精準度并不高，無法快速擴量。

最後，輸出結論。根據往期數據以及用戶質量和企業轉化來看，蘋果和華為渠道的用戶精準度較高，才是擴大預算投放的首選渠道，因為從拉新量來看，這兩個渠道也是大流量渠道，在平均拉新量較低的情況下，可以輕松擴量。

當然，在實際做用戶拉新的廣告投放時，數據比上述例子複雜得多，考慮的因素也叫多，我們需要能夠通過實際數據對比，不斷地優化預算分配，以獲得性價比更高的渠道投放策略。

數據思維是一種底層的思維模式，其作用有：

用數據作為分析素材，提高制定決策的合理性以及科學性；

從紛繁複雜的現象中找到問題與短闆，有助于找到解決方案；

快速準确的調整工作方向，提高與公司戰略及發展階段的匹配性。

還有，數據思維不同于數據知識和數據技能，數據思維是用數據提出問題和找到解決問題的辦法。其次，數據思維要發揮作用，需要與其他的能力組合。如問題意識、行動能力，這些都是與數據思維不同的能力和品質，它們與數據思維組合起來，創造更高效的價值。

總之，數據思維所涉及的知識點遠遠不止上述梳理的這些，還需要我們不斷的認知升級，觀念更新，來擴大對自己掌握的數據知識和數據技能的理解。

#專欄作家#

木兮擎天＠，木木自由，人人都是産品經理專欄作家。多年互聯網數據運營經驗，涉獵運營領域較廣，關注于運營、數據分析的實戰案例與經驗以及方法論的總結，探索運營與數據的神奇奧秘！

本文原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自unsplash，基于CC0協議

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!