1. 從“會(huì)用工具”到“會(huì)選模型”數(shù)據(jù)分析師的核心分水嶺干了這么多年數(shù)據(jù)分析我見過(guò)太多同行包括早期的我自己都曾陷入一個(gè)誤區(qū)把數(shù)據(jù)分析等同于熟練使用SQL、Python或者某個(gè)BI工具。工具用得再溜函數(shù)寫得再花哨如果面對(duì)一個(gè)具體的業(yè)務(wù)問(wèn)題時(shí)腦子里一片空白不知道該用什么“套路”去拆解那充其量只是個(gè)“數(shù)據(jù)操作員”。真正的價(jià)值在于你能像一個(gè)經(jīng)驗(yàn)豐富的偵探面對(duì)一堆雜亂無(wú)章的線索數(shù)據(jù)知道該用哪種“推理模型”去找到真相。今天我就把我這些年積累的、最常用的18種數(shù)據(jù)分析模型和方法結(jié)合真實(shí)的業(yè)務(wù)場(chǎng)景掰開揉碎了講給你聽。這不僅是測(cè)繪、金融、電商等任何領(lǐng)域畢業(yè)論文的利器更是你日常工作中從“被動(dòng)取數(shù)”走向“主動(dòng)洞察”的必備武器庫(kù)。2. 基礎(chǔ)認(rèn)知層描述現(xiàn)狀與發(fā)現(xiàn)問(wèn)題在動(dòng)手分析任何問(wèn)題之前我們得先搞清楚“發(fā)生了什么”。這個(gè)階段的目標(biāo)是客觀、準(zhǔn)確地描繪現(xiàn)狀為后續(xù)的深度分析打下堅(jiān)實(shí)基礎(chǔ)。很多初級(jí)分析報(bào)告的問(wèn)題恰恰就出在這一步——描述不清或者帶著預(yù)設(shè)的結(jié)論去描述。2.1 對(duì)比分析沒(méi)有對(duì)比就沒(méi)有傷害和洞察這是所有分析方法的基石簡(jiǎn)單但威力巨大。核心就一句話孤立的數(shù)據(jù)沒(méi)有意義。一個(gè)產(chǎn)品本月銷售額1000萬(wàn)是好是壞不知道。和上個(gè)月比環(huán)比、和去年同期比同比、和行業(yè)標(biāo)桿比橫向?qū)Ρ?、和預(yù)設(shè)目標(biāo)比目標(biāo)對(duì)比答案才會(huì)浮現(xiàn)。實(shí)操要點(diǎn)與避坑選擇合適的對(duì)比對(duì)象這是最容易出錯(cuò)的地方。對(duì)比一個(gè)不相關(guān)的對(duì)象會(huì)得出完全錯(cuò)誤的結(jié)論。例如對(duì)比暑期教育產(chǎn)品的銷售額和冬季的意義不大。要對(duì)比去年同期的暑期或者對(duì)比競(jìng)品同期的暑期。確保口徑一致這是數(shù)據(jù)工作的“生命線”。對(duì)比前必須確認(rèn)數(shù)據(jù)的時(shí)間范圍、統(tǒng)計(jì)維度如“活躍用戶”的定義、計(jì)算邏輯是否完全一致。我踩過(guò)的坑是一次分析用戶留存發(fā)現(xiàn)結(jié)果異常好后來(lái)才發(fā)現(xiàn)是技術(shù)部門中途修改了“用戶登錄”的事件埋點(diǎn)定義導(dǎo)致前后數(shù)據(jù)不可比。務(wù)必在分析啟動(dòng)前與數(shù)據(jù)生產(chǎn)方如數(shù)倉(cāng)、業(yè)務(wù)系統(tǒng)負(fù)責(zé)人對(duì)齊指標(biāo)口徑。多維度交叉對(duì)比單一維度的對(duì)比可能掩蓋問(wèn)題。比如總銷售額同比上漲了20%看起來(lái)不錯(cuò)。但拆開新老用戶看發(fā)現(xiàn)老用戶銷售額暴跌全靠新用戶補(bǔ)貼拉起來(lái)的這就揭示了增長(zhǎng)結(jié)構(gòu)不健康的問(wèn)題。2.2 分組分析維度拆解把大象裝進(jìn)冰箱先得分塊看當(dāng)對(duì)比分析發(fā)現(xiàn)了問(wèn)題如“總體銷售額下降”下一步就是定位問(wèn)題到底出在哪兒。分組分析也叫維度下鉆就是把整體數(shù)據(jù)按照某個(gè)或某幾個(gè)維度如地區(qū)、用戶類型、產(chǎn)品類別、渠道來(lái)源進(jìn)行拆分觀察各個(gè)子群體的表現(xiàn)。經(jīng)典應(yīng)用漏斗分析與矩陣分析漏斗分析本質(zhì)上是一種特殊的分組分析按照用戶行為流程進(jìn)行分組。從“曝光”-“點(diǎn)擊”-“注冊(cè)”-“付費(fèi)”每一步都是一個(gè)分組。分析的核心是計(jì)算每一步的轉(zhuǎn)化率并定位流失最大的環(huán)節(jié)。例如一個(gè)電商App發(fā)現(xiàn)從商品詳情頁(yè)到下單支付的轉(zhuǎn)化率驟降那么問(wèn)題很可能出在支付流程、優(yōu)惠券使用或庫(kù)存提示上。矩陣分析象限法比如經(jīng)典的波士頓矩陣用“市場(chǎng)增長(zhǎng)率”和“相對(duì)市場(chǎng)份額”兩個(gè)維度把產(chǎn)品分為明星、金牛、問(wèn)題和瘦狗四類。這不僅是描述更直接指向策略投資明星、收割金牛、審視問(wèn)題、放棄瘦狗。在用戶運(yùn)營(yíng)中可以用“最近購(gòu)買時(shí)間R”和“購(gòu)買頻率F”構(gòu)建RFM模型也是矩陣思想的體現(xiàn)用于用戶分群與精準(zhǔn)營(yíng)銷。我的心得分組時(shí)維度不是越多越好。優(yōu)先選擇與業(yè)務(wù)假設(shè)最相關(guān)的1-2個(gè)核心維度進(jìn)行拆解。貪多會(huì)導(dǎo)致每個(gè)分組的樣本量過(guò)小結(jié)論不可靠而且會(huì)讓報(bào)告變得冗長(zhǎng)混亂。2.3 結(jié)構(gòu)分析看清業(yè)務(wù)的“成分表”結(jié)構(gòu)分析關(guān)注的是總體中各個(gè)部分的占比及其變化。它回答的是“構(gòu)成如何”和“哪個(gè)部分最重要”的問(wèn)題。靜態(tài)結(jié)構(gòu)看某個(gè)時(shí)間點(diǎn)的構(gòu)成。例如公司營(yíng)收中產(chǎn)品A、B、C各自的占比。動(dòng)態(tài)結(jié)構(gòu)看占比隨時(shí)間的變化趨勢(shì)。例如連續(xù)幾個(gè)季度高利潤(rùn)產(chǎn)品占比是否在提升低毛利產(chǎn)品占比是否在下降這直接反映了產(chǎn)品策略和運(yùn)營(yíng)重點(diǎn)是否有效。在測(cè)繪領(lǐng)域的應(yīng)用聯(lián)想在測(cè)繪科學(xué)畢業(yè)論文中你可以分析某個(gè)區(qū)域土地利用類型的構(gòu)成耕地、林地、建設(shè)用地、水域的占比并研究其多年來(lái)的結(jié)構(gòu)變化從而揭示該區(qū)域的城鎮(zhèn)化進(jìn)程或生態(tài)變遷。這就是典型的結(jié)構(gòu)分析。3. 診斷歸因?qū)犹骄俊盀槭裁础泵枋銮宄鞍l(fā)生了什么”之后自然要問(wèn)“為什么會(huì)這樣”。這個(gè)層面的模型幫助我們建立變量間的因果關(guān)系或相關(guān)關(guān)系找到問(wèn)題的根因。3.1 相關(guān)分析發(fā)現(xiàn)線索間的“曖昧關(guān)系”相關(guān)分析用于衡量?jī)蓚€(gè)或多個(gè)變量之間關(guān)系的強(qiáng)度和方向。核心指標(biāo)是相關(guān)系數(shù)如皮爾遜相關(guān)系數(shù)范圍在-1到1之間。正值表示正相關(guān)一個(gè)增加另一個(gè)也增加負(fù)值表示負(fù)相關(guān)絕對(duì)值越接近1關(guān)系越強(qiáng)。重要警告相關(guān)不等于因果這是數(shù)據(jù)分析中最經(jīng)典的陷阱。夏天冰淇淋銷量和溺水人數(shù)高度正相關(guān)但你能說(shuō)是冰淇淋導(dǎo)致溺水嗎不它們都受第三個(gè)變量“氣溫”的影響。所以發(fā)現(xiàn)相關(guān)性只是提出了一個(gè)假設(shè)絕不能直接當(dāng)作結(jié)論。實(shí)操建議在做相關(guān)分析時(shí)一定要結(jié)合業(yè)務(wù)常識(shí)進(jìn)行判斷。并且可以進(jìn)一步使用下面提到的回歸分析在控制其他變量的情況下檢驗(yàn)這種關(guān)系是否依然穩(wěn)健。3.2 回歸分析量化影響預(yù)測(cè)未來(lái)如果說(shuō)相關(guān)分析是發(fā)現(xiàn)“A和B有關(guān)”回歸分析則是試圖量化“A變化一個(gè)單位B會(huì)平均變化多少”。它是診斷歸因和預(yù)測(cè)的利器。線性回歸最基礎(chǔ)的形式假設(shè)因變量和自變量呈線性關(guān)系。比如研究廣告投入X對(duì)銷售額Y的影響得到方程 Y aX b。系數(shù)a就表示廣告每多投入1萬(wàn)元銷售額平均增加a萬(wàn)元。邏輯回歸當(dāng)因變量是二分類結(jié)果如是/否買/不買時(shí)使用。它預(yù)測(cè)的是事件發(fā)生的概率。常用于用戶流失預(yù)測(cè)、信用風(fēng)險(xiǎn)評(píng)分等場(chǎng)景。避坑指南多重共線性如果多個(gè)自變量之間高度相關(guān)會(huì)導(dǎo)致回歸系數(shù)估計(jì)不準(zhǔn)難以解釋。解決方法是使用方差膨脹因子VIF進(jìn)行診斷或采用嶺回歸、主成分回歸等方法。過(guò)擬合模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)完美但在新數(shù)據(jù)上一塌糊涂。這說(shuō)明模型可能“死記硬背”了訓(xùn)練數(shù)據(jù)中的噪聲。解決方法是使用更多的數(shù)據(jù)、進(jìn)行特征選擇、或使用正則化技術(shù)。忽略殘差分析做完回歸一定要檢查殘差預(yù)測(cè)值與實(shí)際值之差是否隨機(jī)分布。如果殘差有規(guī)律如隨時(shí)間增大說(shuō)明模型遺漏了關(guān)鍵變量需要改進(jìn)。3.3 杜邦分析財(cái)務(wù)問(wèn)題的“解剖刀”這是一個(gè)專門用于財(cái)務(wù)分析的神器它通過(guò)層層分解凈資產(chǎn)收益率ROE這個(gè)核心指標(biāo)來(lái)診斷企業(yè)盈利能力的驅(qū)動(dòng)因素。公式為ROE 凈利潤(rùn)率 × 總資產(chǎn)周轉(zhuǎn)率 × 權(quán)益乘數(shù)。凈利潤(rùn)率反映公司的盈利能力賣一件貨賺多少錢?？傎Y產(chǎn)周轉(zhuǎn)率反映公司的運(yùn)營(yíng)效率資產(chǎn)用來(lái)賺錢的速度。權(quán)益乘數(shù)反映公司的財(cái)務(wù)杠桿用多少別人的錢來(lái)賺錢。通過(guò)對(duì)比公司歷史數(shù)據(jù)或行業(yè)標(biāo)桿你可以一眼看出公司的ROE變化到底是由于產(chǎn)品利潤(rùn)變薄了凈利率下降還是庫(kù)存積壓周轉(zhuǎn)慢了資產(chǎn)周轉(zhuǎn)率下降或是降低了負(fù)債權(quán)益乘數(shù)下降。這為管理層提供了極其清晰的改進(jìn)方向。3.4 5W2H分析萬(wàn)能的問(wèn)題拆解框架這其實(shí)是一個(gè)思維模型而非統(tǒng)計(jì)模型但在歸因時(shí)極其好用。面對(duì)任何問(wèn)題都從這七個(gè)角度去追問(wèn)What發(fā)生了什么問(wèn)題現(xiàn)象是什么Why為什么會(huì)發(fā)生根本原因是什么Who是誰(shuí)的責(zé)任涉及哪些角色When什么時(shí)候發(fā)生的頻率如何Where在哪里發(fā)生的How怎么發(fā)生的過(guò)程如何How much程度如何數(shù)量或代價(jià)是多少這個(gè)模型能幫你避免歸因時(shí)的片面性系統(tǒng)地梳理所有可能的相關(guān)因素。例如一個(gè)線上活動(dòng)效果不佳用5W2H一過(guò)活動(dòng)內(nèi)容What是否吸引人目標(biāo)用戶Who定位準(zhǔn)了嗎推送時(shí)間When合適嗎活動(dòng)頁(yè)面Where體驗(yàn)流暢嗎參與流程How是否太復(fù)雜投入產(chǎn)出How much是否合理這樣排查很難有遺漏。4. 預(yù)測(cè)與評(píng)估層預(yù)見未來(lái)與衡量?jī)r(jià)值基于歷史和現(xiàn)狀我們對(duì)未來(lái)進(jìn)行推測(cè)并對(duì)不同的方案或結(jié)果進(jìn)行評(píng)價(jià)。4.1 時(shí)間序列分析從歷史曲線中看到未來(lái)這是預(yù)測(cè)的核心方法認(rèn)為事物的未來(lái)發(fā)展會(huì)延續(xù)過(guò)去的某些模式和趨勢(shì)。核心是分解時(shí)間序列的四個(gè)成分趨勢(shì)T長(zhǎng)期上升或下降的方向。季節(jié)S固定周期內(nèi)的重復(fù)波動(dòng)如每季度、每年。周期C非固定周期的波動(dòng)如經(jīng)濟(jì)周期。隨機(jī)I無(wú)法預(yù)測(cè)的噪聲。常用模型包括移動(dòng)平均、指數(shù)平滑如Holt-Winters模型和更復(fù)雜的ARIMA自回歸積分滑動(dòng)平均模型。個(gè)人經(jīng)驗(yàn)對(duì)于業(yè)務(wù)預(yù)測(cè)不要一味追求模型的復(fù)雜性。很多時(shí)候一個(gè)簡(jiǎn)單的指數(shù)平滑模型因?yàn)閰?shù)少、易于解釋和調(diào)整其表現(xiàn)和穩(wěn)定性會(huì)優(yōu)于復(fù)雜的ARIMA。關(guān)鍵是理解業(yè)務(wù)本身是否有強(qiáng)烈的季節(jié)性如零售、旅游或趨勢(shì)性如成長(zhǎng)期的互聯(lián)網(wǎng)產(chǎn)品。4.2 聚類分析物以類聚人以群分這是一種“無(wú)監(jiān)督學(xué)習(xí)”方法即在沒(méi)有預(yù)先標(biāo)簽的情況下根據(jù)數(shù)據(jù)本身的相似性將樣本劃分為不同的群組。目的是讓組內(nèi)樣本盡可能相似組間樣本盡可能不同。K-Means聚類最常用的算法。你需要預(yù)先指定聚類的數(shù)量K。常用于客戶分群、用戶畫像構(gòu)建、市場(chǎng)細(xì)分。層次聚類不需要指定K會(huì)形成一個(gè)樹狀的聚類結(jié)構(gòu)你可以根據(jù)業(yè)務(wù)需要選擇合適的切割層次。在測(cè)繪領(lǐng)域的應(yīng)用在遙感圖像分析中聚類算法可以用于土地覆蓋分類將像素點(diǎn)根據(jù)光譜特征自動(dòng)聚成林地、水體、城市等類別為畢業(yè)論文提供自動(dòng)化分類的方法。關(guān)鍵點(diǎn)聚類前必須進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化因?yàn)椴煌卣魅缒挲g和收入的量綱差異巨大會(huì)嚴(yán)重影響距離計(jì)算。同時(shí)聚類的結(jié)果需要業(yè)務(wù)專家進(jìn)行解讀和驗(yàn)證給每個(gè)簇賦予業(yè)務(wù)意義如“高價(jià)值活躍用戶”、“低頻薅羊毛用戶”。4.3 分類模型給數(shù)據(jù)貼上標(biāo)簽與聚類相反分類是“有監(jiān)督學(xué)習(xí)”。我們有一批已經(jīng)知道標(biāo)簽的數(shù)據(jù)如“已流失用戶”和“未流失用戶”讓模型學(xué)習(xí)其中的規(guī)律然后去預(yù)測(cè)新數(shù)據(jù)的標(biāo)簽。決策樹非常直觀像一棵倒置的樹每個(gè)節(jié)點(diǎn)都是一個(gè)判斷條件如“年齡30”最終葉子節(jié)點(diǎn)就是分類結(jié)果。優(yōu)點(diǎn)是易于理解和解釋。隨機(jī)森林構(gòu)建多棵決策樹通過(guò)“投票”決定最終結(jié)果。它比單棵決策樹更強(qiáng)大、更穩(wěn)定不易過(guò)擬合。支持向量機(jī)SVM擅長(zhǎng)處理高維數(shù)據(jù)和非線性分類問(wèn)題通過(guò)核函數(shù)。應(yīng)用場(chǎng)景信用評(píng)分判斷好壞客戶、圖像識(shí)別判斷圖片中是貓還是狗、疾病診斷根據(jù)指標(biāo)判斷是否患病。4.4 A/B測(cè)試因果推斷的“黃金標(biāo)準(zhǔn)”當(dāng)你有一個(gè)改進(jìn)產(chǎn)品的想法如新按鈕顏色、新推薦算法時(shí)如何科學(xué)地證明它真的有效A/B測(cè)試就是答案。它將用戶隨機(jī)分為兩組或多組一組體驗(yàn)原方案A組另一組體驗(yàn)新方案B組在相同時(shí)間內(nèi)運(yùn)行然后對(duì)比關(guān)鍵指標(biāo)如轉(zhuǎn)化率、點(diǎn)擊率。核心原則與常見坑隨機(jī)性用戶分組必須完全隨機(jī)確保兩組用戶在實(shí)驗(yàn)前除了實(shí)驗(yàn)因素外其他方面如活躍度、偏好統(tǒng)計(jì)上無(wú)差異。這是得出因果結(jié)論的前提。單一變量理想情況下A/B兩組只應(yīng)有一個(gè)不同如按鈕顏色這樣才能把結(jié)果的差異歸因于這個(gè)變量。如果同時(shí)改了顏色和文案就無(wú)法知道是哪個(gè)起了作用。樣本量與統(tǒng)計(jì)顯著性實(shí)驗(yàn)需要足夠的樣本量和運(yùn)行時(shí)間以確保觀察到的差異不是隨機(jī)波動(dòng)。必須使用假設(shè)檢驗(yàn)如t檢驗(yàn)計(jì)算p值通常p0.05才認(rèn)為結(jié)果統(tǒng)計(jì)顯著。關(guān)注長(zhǎng)期影響有些改動(dòng)短期看指標(biāo)上升如更激進(jìn)的彈窗但可能損害長(zhǎng)期用戶體驗(yàn)和留存。A/B測(cè)試應(yīng)關(guān)注包括留存率在內(nèi)的綜合指標(biāo)。5. 戰(zhàn)略與決策層從分析到行動(dòng)數(shù)據(jù)分析的最終目的是為了做出更好的決策。這個(gè)層面的模型幫助我們系統(tǒng)化地評(píng)估選項(xiàng)、分配資源、制定策略。5.1 SWOT分析內(nèi)外兼修看清全局這是一個(gè)經(jīng)典的戰(zhàn)略規(guī)劃工具從內(nèi)部?jī)?yōu)勢(shì)、劣勢(shì)和外部機(jī)會(huì)、威脅四個(gè)維度審視一個(gè)項(xiàng)目、產(chǎn)品或公司。優(yōu)勢(shì)我們做得好的、獨(dú)有的內(nèi)部因素。劣勢(shì)我們做得不好、需要改進(jìn)的內(nèi)部因素。機(jī)會(huì)外部環(huán)境中有利于我們發(fā)展的因素。威脅外部環(huán)境中可能帶來(lái)風(fēng)險(xiǎn)或挑戰(zhàn)的因素。關(guān)鍵不在于羅列而在于組合分析交叉矩陣SO策略利用優(yōu)勢(shì)抓住機(jī)會(huì)進(jìn)攻型。ST策略利用優(yōu)勢(shì)規(guī)避威脅防御型。WO策略利用機(jī)會(huì)克服劣勢(shì)扭轉(zhuǎn)型。WT策略減少劣勢(shì)規(guī)避威脅生存型。這樣SWOT就從靜態(tài)清單變成了動(dòng)態(tài)的策略生成器。5.2 PEST分析站在宏觀角度看賽道如果說(shuō)SWOT側(cè)重企業(yè)自身和行業(yè)競(jìng)爭(zhēng)PEST則幫你分析更宏觀的外部環(huán)境適合市場(chǎng)進(jìn)入、長(zhǎng)期戰(zhàn)略規(guī)劃等場(chǎng)景。它分析四個(gè)宏觀因素政治政策、法規(guī)、穩(wěn)定性等。經(jīng)濟(jì)增長(zhǎng)率、利率、通貨膨脹、消費(fèi)水平等。社會(huì)人口結(jié)構(gòu)、文化觀念、生活方式等。技術(shù)技術(shù)變革、創(chuàng)新、自動(dòng)化等。例如分析新能源汽車行業(yè)PEST框架會(huì)讓你系統(tǒng)性地思考政府補(bǔ)貼政策P、居民可支配收入E、環(huán)保意識(shí)普及S、電池技術(shù)突破T分別帶來(lái)了哪些影響。5.3 邏輯樹/議題樹復(fù)雜問(wèn)題的“分解神器”又名MECE原則相互獨(dú)立完全窮盡。當(dāng)面對(duì)一個(gè)龐大復(fù)雜的問(wèn)題如“如何提升公司利潤(rùn)”時(shí)邏輯樹將它層層分解成若干個(gè)相互獨(dú)立、沒(méi)有重疊的子議題直到這些子議題都變得足夠具體、可以著手分析或解決為止。例如第一層利潤(rùn) 收入 - 成本。第二層收入端收入 銷量 × 單價(jià)。銷量 新客戶銷量 老客戶復(fù)購(gòu)銷量。第三層新客戶銷量新客戶銷量 潛在客戶數(shù) × 轉(zhuǎn)化率 × 客單價(jià)…… 如此不斷分解最終形成一個(gè)樹狀結(jié)構(gòu)。它能確保思考的全面性和條理性是麥肯錫等咨詢公司的核心工具。5.4 帕累托分析二八法則抓住關(guān)鍵少數(shù)這個(gè)原理認(rèn)為80%的結(jié)果往往由20%的原因所導(dǎo)致。在數(shù)據(jù)分析中我們通過(guò)繪制帕累托圖一種特殊的柱狀圖折線圖來(lái)識(shí)別這些“關(guān)鍵少數(shù)”。如何操作列出所有問(wèn)題項(xiàng)如產(chǎn)品缺陷類型、客戶投訴原因。計(jì)算每項(xiàng)的頻率或成本并從高到低排序。計(jì)算累計(jì)百分比。繪制圖表柱狀圖顯示每項(xiàng)的值折線圖顯示累計(jì)百分比。你會(huì)發(fā)現(xiàn)排在前幾項(xiàng)的問(wèn)題其累計(jì)百分比往往迅速達(dá)到70%-80%。那么你的改進(jìn)資源就應(yīng)該優(yōu)先投入到解決這幾個(gè)問(wèn)題上這樣才能用最小的投入獲得最大的改善效果。5.5 平衡計(jì)分卡化戰(zhàn)略為可執(zhí)行的指標(biāo)這是一個(gè)戰(zhàn)略管理和績(jī)效評(píng)估工具旨在將組織的愿景和戰(zhàn)略轉(zhuǎn)化為一套具體的、平衡的績(jī)效指標(biāo)。它從四個(gè)平衡的維度來(lái)設(shè)定目標(biāo)財(cái)務(wù)維度我們?nèi)绾卧诠蓶|眼中成功如營(yíng)收、利潤(rùn)客戶維度我們?nèi)绾卧诳蛻粞壑谐晒θ鐫M意度、市場(chǎng)份額內(nèi)部流程維度我們必須擅長(zhǎng)什么如生產(chǎn)效率、交付周期學(xué)習(xí)與成長(zhǎng)維度我們?nèi)绾纬掷m(xù)提升和創(chuàng)造價(jià)值如員工技能、信息系統(tǒng)它的精髓在于“平衡”和“因果”。不僅關(guān)注財(cái)務(wù)結(jié)果也關(guān)注驅(qū)動(dòng)這些結(jié)果的內(nèi)部過(guò)程、客戶以及未來(lái)的成長(zhǎng)能力。四個(gè)維度的指標(biāo)之間應(yīng)有因果關(guān)系形成一個(gè)“戰(zhàn)略地圖”。例如“員工培訓(xùn)投入學(xué)習(xí)成長(zhǎng)”提升 - “產(chǎn)品創(chuàng)新速度內(nèi)部流程”加快 - “客戶滿意度客戶”提高 - “公司營(yíng)收財(cái)務(wù)”增長(zhǎng)。6. 綜合實(shí)戰(zhàn)如何為你的論文或項(xiàng)目選擇模型面對(duì)這么多模型你可能會(huì)懵我的問(wèn)題到底該用哪個(gè)記住模型是工具問(wèn)題是核心。選擇模型的過(guò)程就是診斷問(wèn)題的過(guò)程。一個(gè)簡(jiǎn)單的決策流程明確目標(biāo)我到底要回答什么問(wèn)題是描述現(xiàn)狀、查找原因、預(yù)測(cè)未來(lái)還是評(píng)估方案評(píng)估數(shù)據(jù)我有什么數(shù)據(jù)是時(shí)間序列數(shù)據(jù)、截面數(shù)據(jù)、還是面板數(shù)據(jù)數(shù)據(jù)質(zhì)量如何樣本量夠嗎匹配模型想描述/對(duì)比用對(duì)比分析、分組分析、結(jié)構(gòu)分析。想找原因用相關(guān)分析找線索、回歸分析量化影響、杜邦分析財(cái)務(wù)歸因、5W2H系統(tǒng)梳理。想做預(yù)測(cè)用時(shí)間序列分析基于歷史趨勢(shì)、分類/聚類模型基于特征預(yù)測(cè)。想做實(shí)驗(yàn)驗(yàn)證用A/B測(cè)試。想制定策略用SWOT、PEST、邏輯樹、帕累托分析、平衡計(jì)分卡。迭代驗(yàn)證沒(méi)有哪個(gè)模型是“唯一正確”的。通常需要結(jié)合使用并用業(yè)務(wù)常識(shí)和新的數(shù)據(jù)去驗(yàn)證模型的結(jié)論是否合理。給測(cè)繪科學(xué)與技術(shù)專業(yè)同學(xué)的建議 如果你的畢業(yè)論文涉及處理大量的空間、遙感或測(cè)量數(shù)據(jù)除了上述通用模型你還需要重點(diǎn)關(guān)注與空間分析相關(guān)的特定方法它們往往是你論文的亮點(diǎn)空間自相關(guān)分析檢驗(yàn)地理事物在空間上是否是隨機(jī)分布的是否存在聚集或分散模式如莫蘭指數(shù)。地統(tǒng)計(jì)分析用于空間插值如克里金法根據(jù)已知點(diǎn)的測(cè)量值預(yù)測(cè)未知點(diǎn)的值常用于繪制等高線、污染物濃度分布圖等。緩沖區(qū)分析研究地理要素如河流、道路對(duì)其周圍區(qū)域的影響范圍。疊加分析將多個(gè)地理圖層進(jìn)行疊加產(chǎn)生新的空間關(guān)系和屬性如將土地利用圖層與坡度圖層疊加找出適合建設(shè)的區(qū)域。將這些空間分析模型與前面提到的統(tǒng)計(jì)模型如回歸分析可以升級(jí)為地理加權(quán)回歸以考慮空間異質(zhì)性聚類分析可用于遙感影像分類結(jié)合起來(lái)你的論文在方法論上就會(huì)顯得非常扎實(shí)和前沿。最后我想說(shuō)掌握這些模型不是讓你死記硬背公式而是要在你大腦里搭建一個(gè)“分析工具箱”。下次再面對(duì)一堆數(shù)據(jù)和模糊的問(wèn)題時(shí)你能下意識(shí)地反應(yīng)“哦這個(gè)問(wèn)題我可以用A/B測(cè)試來(lái)驗(yàn)證這個(gè)功能效果用漏斗分析定位流失環(huán)節(jié)用回歸分析量化那幾個(gè)因素的影響大小……” 這才是數(shù)據(jù)分析師真正的核心能力。工具和模型會(huì)不斷更新但這種結(jié)構(gòu)化的分析思維才是你長(zhǎng)期吃飯的本錢。先從徹底搞懂這18個(gè)最常用的開始在每一個(gè)實(shí)際項(xiàng)目中刻意練習(xí)你會(huì)發(fā)現(xiàn)自己看問(wèn)題的深度和說(shuō)服力完全不一樣了。