400 8877 001市場調研決策思維：數據驅動決策的13種思維
時間：2018-11-09 17:37:00 閱讀：4500 整理：廣州市場調查公司
“數據驅動決策”，為了不讓這句話成為空話，華夏經緯市場調研公司為你準備了以下13種思想武器，相信將來你一定能用上!
第一、信度與效度思維
這部分也許是全文最難理解的部分，但我覺得也最為重要。沒有這個思維，決策者很有可能在數據中迷失。
信度與效度的概念最早來源于調查分析，但現在我覺得可以引申到數據分析工作的各方面。
所謂信度，是指一個數據或指標自身的可靠程度，包括準確性和穩定性
取數邏輯是否正確?有沒有計算錯誤?這屬于準確性;每次計算的算法是否穩定?口徑是否一致?以相同的方法計算不同的對象時，準確性是否有波動?這是穩定性。做到了以上兩個方面，就是一個好的數據或指標了?其實還不夠，還有一個更重要的因素，就是效度!
所謂效度，是指一個數據或指標的生成，需貼合它所要衡量的事物，即指標的變化能夠代表該事物的變化。
只有在信度和效度上都達標，才是一個有價值的數據指標。舉個例子：要衡量我身體的肥胖情況，我選擇了穿衣的號碼作為指標，一方面，相同的衣服尺碼對應的實際衣服大小是不同的，會有美版韓版等因素，使得準確性很差;同時，一會兒穿這個牌子的衣服，一會兒穿那個牌子的衣服，使得該衡量方式形成的結果很不穩定;所以，衣服尺碼這個指標的信度不夠。另一方面，衡量身體肥胖情況用衣服的尺碼大小?你一定覺得荒唐，尺碼大小并不能反映肥胖情況，是吧?因此效度也不足。體脂率，才是信度和效度都比較達標的肥胖衡量指標。
在我們的現實工作中，許多人會想當然地拿了指標就用，這是非常值得警惕的。你要切骨頭卻拿了把手術刀，是不是很可悲?信度和效度的本質，其實就是*數據質量*的問題，這是一切分析的基石，再怎么重視都不過分!
第二、平衡思維
說到天平大家都不陌生，平衡的思維相信各位也都能很快理解。簡單來說，在數據分析的過程中，我們需要經常去尋找事情間的平衡關系，且平衡關系往往是關乎企業運轉的大問題，如市場的供需關系，薪資與效率關系，工作時長與錯誤率的關系等等。
平衡思維的關鍵點，在于尋找能展示出平衡狀態的指標!
也就是如圖中紅框，我們要去尋找這個準確的量化指標，來觀察天平的傾斜程度。怎么找這個指標呢?以我的經驗，一般先找雙向型的問題，即高也不是低也不是的問題，然后量化為指標，最后計算成某個比率，長期跟蹤后，觀察它的信度和效度。
第三、分類思維
客戶分群、產品歸類、市場分級、績效評價...許多事情都需要有分類的思維。主管拍腦袋也可以分類，通過機器學習算法也可以分類，那么許多人就模糊了，到底分類思維怎么應用呢?
關鍵點在于，分類后的事物，需要在核心指標上能拉開距離!也就是說分類后的結果，必須是顯著的。如圖，橫軸和縱軸往往是你運營當中關注的核心指標(當然不限于二維)，而分類后的對象，你能看到他們的分布不是隨機的，而是有顯著的集群的傾向。
舉個例子：假設該圖反映了某個消費者分群的結果，橫軸代表購買頻率，縱軸代表客單價，那么綠色的這群人，就是明顯的“人傻錢多”的“剁手金牌客戶”。
第四、矩陣化思維
矩陣思維是分類思維的發展，它不再局限于用量化指標來進行分類。許多時候，我們沒有數據做為支持，只能通過經驗做主管的推斷時，是可以把某些重要因素組合成矩陣，大致定義出好壞的方向，然后進行分析。大家可以百度經典的管理分析方法“波士頓矩陣”模型。
第五、管道/漏斗思維
這種思維方式已經普及：注冊轉化、購買流程、銷售管道、瀏覽路徑等，太多的分析場景中，能找到這種思維的影子。
但我要說，看上去越是普世越是容易理解的模型，它的應用越得謹慎和小心。在漏斗思維當中，我們尤其要注意“漏斗的長度”。
漏斗從哪里開始到哪里結束?以我的經驗，漏斗的環節不該超過5個，且漏斗中各環節的百分比數值，量級不要超過100倍(漏斗第一環節100%開始，到最后一個環節的轉化率數值不要低于1%)。若超過了我說的這兩個數值標準，建議分為多個漏斗進行觀察。當然，這兩個是經驗數值，僅僅給各位做個參考～
理由是什么呢?超過5個環節，往往會出現多個重點環節，那么在一個漏斗模型中分析多個重要問題容易產生混亂。數值量級差距過大，數值間波動相互關系很難被察覺，容易遺漏信息。比如，漏斗前面環節從60%變到50%，讓你感覺是天大的事情，而漏斗最后環節0.1%的變動不能引起你的注意，可往往是漏斗最后這0.1%的變動非常致命。
第六、相關思維
我們觀察指標，不僅要看單個指標的變化，還需要觀察指標間的相互關系!有正相關關系(圖中紅色實線)和負相關關系(藍色虛線)。最好能時常計算指標間的相關系數，定期觀察變化。
相關思維的應用太廣了，我提往往是被大家忽略的一點。現在的很多企業管理層，面對的問題并不是沒有數據，而是數據太多，卻不知道怎么用。相關思維的其中一個應用，就是能夠幫助我們找到最重要的數據，排除掉過多雜亂數據的干擾!
如何執行呢?你可以計算能收集到的多個指標間的相互關系，挑出與其他指標相關系數都相對較高的數據指標，分析它的產生邏輯，對應的問題，并評估信度和效度，若都滿足標準，這個指標就能定位為核心指標!
建議大家養成一個習慣，經常計算指標間的相關系數，仔細思考相關系數背后的邏輯，有的是顯而易見的常識，比如訂單數和購買人數，有的或許就能給你帶來驚喜!另外，“沒有相關關系”，這往往也會成為驚喜的來源哦。
第七、遠近度思維
現在與許多處在管理層的朋友交流后，發現他們往往手握眾多數據和報表，注意力卻是非常的跳躍和分散。如何避免呢?一是上文說的通過相關思維，找到最核心的問題和指標;二就是這部分要說的，建立遠進度的思維方式。
確定好核心問題后，分析其他業務問題與該核心問題的遠近程度，由近及遠，把自己的精力有計劃地分配上去。比如：近期你地核心任務就是提高客服人員的服務質量，那么客服人員的話術、客戶評價通道、客服系統的相應速度等就是靠的最近的子問題，需要重點關注，而客戶的問詢習慣、客戶的購買周期等就是相對遠的問題，暫時先放一放。當然，本人經歷有限，例子舉得不恰當的地方還望讀者們海涵。
第八、邏輯樹思維
如圖的樹狀邏輯相信大家已經見過許多回了。一般說明邏輯樹的分叉時，都會提到“分解”和“匯總”的概念。我這里把它變一變，使其更貼近數據分析，稱為“下鉆”和“上卷”。當然，這兩個詞不是我發明的，早已有之。
所謂下鉆，就是在分析指標的變化時，按一定的維度不斷的分解。比如，按地區維度，從大區到省份，從省份到城市，從省市到區。所謂上卷就是反過來。隨著維度的下鉆和上卷，數據會不斷細分和匯總，在這個過程中，我們往往能找到問題的根源。
下鉆和上卷并不是局限于一個維度的，往往是多維組合的節點，進行分叉。邏輯樹引申到算法領域就是決策樹。有個關鍵便是何時做出決策(判斷)。當進行分叉時，我們往往會選擇差別最大的一個維度進行拆分，若差別不夠大，則這個枝椏就不在細分。能夠產生顯著差別的節點會被保留，并繼續細分，直到分不出差別為止。經過這個過程，我們就能找出影響指標變化的因素。
舉個簡單的例子：我們發現全國客戶數量下降了，我們從地區和客戶年齡層級兩個維度先進行觀察，發現各個年齡段的客戶都下降，而地區間有的下降有的升高，那我們就按地區來拆分第一個邏輯樹節點，拆分到大區后，發現各省間的差別是顯著的，那就繼續拆分到城市，最終發現是浙江省杭州市大量客戶且涵蓋各個年齡段，被競爭對手的一波推廣活動轉化走了。就此通過三個層級的邏輯樹找到了原因。
第九、時間序列思維
很多問題，我們找不到橫向對比的方法和對象，那么，和歷史上的狀況比，就將變得非常重要。其實很多時候，我更愿意用時間維度的對比來分析問題，畢竟發展地看問題，也是“紅色方法論”中的重要一環。這種方式容易排除掉一些外在的干擾，尤其適合創新型的分析對象，比如一個新行業的公司，或者一款全新的產品。
時間序列的思維有三個關鍵點：一是距今越近的時間點，越要重視(圖中的深淺度，越近期發生的事，越有可能再次發生);二是要做同比(圖中的尖頭指示，指標往往存在某些周期性，需要在周期中的同一階段進行對比，才有意義);三是異常值出現時，需要重視(比如出現了歷史最低值或歷史最高值，建議在時間序列作圖時，添加平均值線和平均值加減一倍或兩倍標準差線，便于觀察異常值)。
時間序列思維有一個子概念不得不提一下，就是“生命周期”的概念。用戶、產品、人事等無不有生命周期存在。本人最近也正在將關注的重心移向這塊，直覺上，生命周期衡量清楚，就能很方便地確定一些“閥值”問題，使產品和運營的節奏更明確。
第十、隊列分析思維
隨著數據運算能力的提高，隊列分析的方式逐漸展露頭腳。英文名稱為cohort analysis，說實話我不知道怎么表述這個概念，我的理解就是“按一定的規則，在時間顆粒度上將觀察對象切片，組成一個觀察樣本，然后觀察這個樣本的某些指標隨著時間的演進而產生的變化。”目前使用得最多的場景就是留存分析。
舉個經常用的例子：假設5.17我們舉辦了一次促銷活動，那么將這一天來的新用戶作為一個觀察樣本，觀察他們在5.18、5.19...之后每天的活躍情況。
隊列分析中，指標其實就是時間序列，不同的是衡量樣本。隊列分析中的衡量樣本是在時間顆粒上變化的，而時間序列的樣本則相對固定。
第十一、循環/閉環思維
循環/閉環的概念可以引申到很多場景中，比如業務流程的閉環、用戶生命周期閉環、產品功能使用閉環、市場推廣策略閉環等等。許多時候你會覺得這是一個不落地的概念，因為提的人很多，干出事情來的例子很少。
但我覺得這種思考方式是非常必要的。業務流程的閉環是管理者比較容易定義出來的，列出公司所有業務環節，梳理出業務流程，然后定義各個環節之間相互影響的指標，跟蹤這些指標的變化，能從全局上把握公司的運行狀況。
比如，一家軟件公司的典型業務流：推廣行為(市場部)?流量進入主站(市場+產研)?注冊流程(產研)?試用體驗(產研+銷售)?進入采購流程(銷售部)?交易并部署(售后+產研)?使用、續約、推薦(售后+市場)?推廣行為，一個閉環下來，各個銜接環節的指標，就值得關注了：廣告點擊率?注冊流程進入率?注冊轉化率?試用率?銷售管道各環節轉化率?付款率?推薦率/續約率...這里會涉及漏斗思維，如前文所述，千萬不要用一個漏斗來衡量一個循環。
有了循環思維，你能比較快的建立有邏輯關系的指標體系。
第十二、測試/對比思維
AB test,大家肯定不陌生了。那么怎么細化一下這個概念?一是在條件允許的情況下，決策前盡量做對比測試;二是測試時，一定要注意參照組的選擇，建議任何實驗中，都要留有不進行任何變化的一組樣本，作為最基本的參照。
現在數據獲取越來越方便，在保證數據質量的前提下，希望大家多做實驗，多去發現規律。
第十三、指數化思維
指數化思維，是指將衡量一個問題的多個因素分別量化后，組合成一個綜合指數(降維)，來持續追蹤的方式。把這個放在最后討論，目的就是強調它的重要性。前文已經說過，許多管理者面臨的問題是“數據太多，可用的太少”，這就需要“降維”了，即要把多個指標壓縮為單個指標。
指數化的好處非常明顯
一是減少了指標，使得管理者精力更為集中;二是指數化的指標往往都提高了數據的信度和效度;三是指數能長期使用且便于理解。
指數的設計是門大學問，這里簡單提三個關鍵點：一是要遵循“獨立和窮盡”的原則;二是要注意各指標的單位，盡量做“標準化”來消除單位的影響;三是權重和需要等于1。
獨立窮盡原則，即你所定位的問題，在搜集衡量該問題的多個指標時，各個指標間盡量相互獨立，同時能衡量該問題的指標盡量窮盡(收集全)。舉個例子：當初設計某公司銷售部門的指標體系時，目的是衡量銷售部的績效，確定了核心指標是銷售額后，我們將績效拆分為訂單數、客單價、線索轉化率、成單周期、續約率5個相互獨立的指標，且這5個指標涵蓋了銷售績效的各個方面(窮盡)。我們設計的銷售績效綜合指數=0.4*訂單數+0.2*客單價+0.2*線索轉化率+0.1*成單周期+0.1*續約率，各指標都采用max-min方法進行標準化。
通過這個例子，相信各位就能理解指數化思維了。
小結
總的來說，數據質量依然是我覺得最大的前提。重要事情說三遍，動手前，一定要保證好數據質量!
關注公眾號：
華夏經緯數據科技
更多調研資訊>>
本站文章內容以及所涉數據、圖片等資料來源于網絡，轉載目的在于傳遞更多信息。版權歸作者所有，文章僅代表作者觀點，不代表華夏經緯立場。 如涉及侵權，請聯系管理員刪除。在法律許可的范圍內，華夏經緯（廣州）數據科技股份有限公司享有最終解釋權。
