1. 什么是数据分析思维
数据分析的本质，是把思维建立在牢固的事实基础上，通过有逻辑的分析，推理出接近真相的答案。数据分析代表了理性、严谨、缜密的思考过程。和数据分析相反的概念，就是通过感受或者经验来做决策。但是我们很难将分析建立在虚无缥缈的感受上，很容易出错。
比如说我们定义 BI 的活跃用户的标准，如果有足够的业务经验的话，可以感性拍一个定义，但是这个拍出来的标准对拍的人要求太高了，拍的人不同拍出来的标准也不同。如果用数据分析思维的话，就可以通过分位数法、拐点理论等分析用户编辑次数的分析情况，有逻辑的定义活跃标准。
我们常说的相关分析、回归分析、 SWOT 、 PEST 、都是一些分析的思路和方法。在实践过程中，不是一个方法一路应用到底的，而是组合起来，从搞清楚发生了什么问题开始，到跟踪问题解决结束的。
下面通过实际的案例—— BI 打卡营活动，对上图中每一步进行讲解，较清晰的了解数据分析思维。
2. 日常积累
收集信息，理解业务背景：
这一步很重要，所有的数据分析都是建立在业务基础之上的，没有业务背景，数据分析就没有意义。并且看似相似的业务，背后的逻辑都有可能是不同的，比如 FR 和 BI ，都是做数据看板，二者的业务逻辑深挖相差是非常大的。
理解业务背景，就是要理解业务在干什么，为什么要干这些事。真正明白业务的需求，而不是业务让我干这件事。
应用：为了解决业务用户不会用 BI 的问题，将 BI 的新用户（从未使用过 FineBI )以企业为单位，拉到一个微信群中。提前设置好每天的学习任务，新用户完成学习任务后在群里打卡。
3. 分析前期准备
3.1 把具体问题转化为需求
数据分析需求：
是什么（评估）：梳理评估标准、单维度定量评估、多维度定量评估、分类评估
为什么（原因）：有假设（验证）、无假设（探索）
会怎样（预测）：基于发展趋势、基于驱动原因
应用：
业务的需求：打卡营活动的效果怎么样，存在哪些问题，可以怎么改进？——评估类、原因类的需求
数据分析需求：通过打卡营活动，结合产品和社区内的数据
a. 如何衡量打卡营活动的效果----定义一个评估标准；
b. 打卡营每个环节的转化情况----评估效果；
c. 转化率低的环节应该如何改进----原因分析。
3.2 定义问题，总结方法
方法总结：
清晰描述问题（不能听需求者说要一个什么样的东西，而是要了解为什么要这个东西）
划分问题的边界
区分问题类型（是什么、为什么、怎么样）
明确输出产物
a. 是什么：明确输出数据、数据报表，明确判断标准、判断依据是什么；
b. 为什么：列出原因123，判断哪个原因影响最大；
c. 会怎么样：列出预计123。
应用：这一步和上一步的思考逻辑差不多，差别点为需要结合业务背景及定义的最终产出物。此处每个类型的产品物都有涉及，包括：
定义一个评估标准；
评估低/高的原因；
如果改的话，预计会怎样。
4. 分析过程
4.1 梳理流程，认清现状
梳理流程的方法总结：
目标要分清，要明确，要聚焦；
拆分过程中达到目标的步骤越细越好；
每一个步骤能干什么框出一个范围；
最后确认数据记录了哪些没记录哪些（没记录的有没有可能多记录一些）。
应用： BI 打卡营活动流程梳理如图所示。
4.2 明确评判指标
指标可分为两种类型：结果类指标、行为类指标
结果类指标：指向最终结果，相对容易量化，多见于结果类问题（针对结果发问）。
行为类指标：指向达成结果的1、2、3 步骤，相对难量化，但越接近结果则越具体，多见于过程类问题（针对过程发问）。
一般分析过程类的问题，会将行为类指标与结果类问题（指标）进行捆绑，进而综合评估。
应用：
衡量指标定为：
行为类指标：报名人数、每天学习任务完成率、每天任务完成率、任务按时完成率、产品内编辑仪表板的用户率、平均每天编辑仪表板次数.......
结果类指标：用户完成打卡任务比例、用户产品活跃率、用户1个月后的产品活跃率、用户2个月后的产品活跃率。
4.3 寻找问题产生的原因
寻找原因有两种方法：演绎法与归纳法
演绎法的适用场景：过程清晰的时候，能相对清晰地了解问题发生的逻辑。
归纳法的适用场景：当过程是个黑箱的时候，无法知道具体问题的发生逻辑。
应用：
BI打卡营活动的过程非常清晰，且数据也比较清晰，采用演绎法：
梳理业务逻辑
提出分析假设
验证分析假设
提炼总结
可以提出以下假设：
参加打卡营的用户，产品使用能力比未参加打卡营的用户高
用户光看文档，不能提高产品使用能力
用户通过实操任务，可以提高产品使用能力
第一天的学习任务太重了，很多用户都不能准时完成
第一天的学习任务完成后，可以不用看后面的学习任务，也能得到相同的能力
案例类的学习文档，更能引起用户的学习积极性
......
基于数据分析的结果，验证假设内容，得出结论。
4.4 评估方案提出分析建议
如何提解决方案，并评估方案的可行性：
解决方案：问题定义清楚后，从方法库中选择合适的建议（过往的经验，对手的经验）
方案是否可行：不违反业务逻辑；符合时间、成本等条件限制；能达成预期目标
利用业务假设，预测问题未来情况：
业务假设法的基础：假设发展趋势不变
提炼业务假设：
a. 可变量：一般是业务部门直接努力可以提升的指标
b. 假设常量：一般设在一定范围内稳定的转化率指标
c. 找关键变量：找到驱动业务的核心因素，才能设公式
d. 设定假设常量与可变量
e. 设定假设常量范围：通过经验总结
应用：通过上一步得出结论，每一个环节的转化率很低。就可以假设该环节的转化率，通过业务部门的直接努力可以达到多少；假设发展趋势不变的前提下，最终的转化率将提升多少。
5. 分析后总结
阶段性汇报、总结汇报：
数据分析报告格式：
1. 标题页：
1.1 解释基本观点
1.2 概括主要内容
1.3 交待分析主题
1.4 提出问题
2. 目录
3. 前言
3.1 分析背景
3.2 分析目的
3.3 分析思路
4. 正文
5. 结论与建议
6. 附录
总结下来，第一，有两个流程都在关注：一是业务真正的需求是什么；二是为什么要这个需求。第二，分析过程最重要的是有业务假设，有了假设才能找到原因、给出方案。这两点需要在后续的工作和能力培养中重视起来。
