“数据驱动决策”的13种思维

责任编辑是译者筹划2个月的经典作品，

撷取了13种观念形式的应用领域，

概要共5103字 | 提议写作天数10两分钟

“统计数据驱动力重大决策”，为的是不许这句话正式成为空谈，请先武器装备下列13种价值观枪械，坚信今后你很大会用上！

第三、信度与信度观念

该些或许是概要最难认知的部份，但我真的也最关键。没那个观念，重大制定者很有可能在统计数据中沉沦。

**简而言之信度，是指两个统计数据或分项另一方面的可信某种程度，主要包括准确度和灵活性**取数形式论与否恰当？是不是不可信性？这归属于准确度；每天排序的演算法与否平衡？舰炮与否完全一致？以完全相同的形式排序相同的第三类时，准确度与否有市场波动？这是灵活性。做到了以上两个方面，就是两个好的统计数据或分项了？其实还不够，还有两个更关键的因素，就是信度！**

**简而言之信度，是指两个统计数据或分项的生成，需贴合它所要衡量的事物，即分项的变化能够代表该事物的变化。**

只有在信度和信度上都达标，才是两个有价值的统计数据分项。

举个例子：要衡量我身体的肥胖情况，我选择了穿衣的号码作为分项，一方面，完全相同的衣服尺码对应的实际衣服大小是相同的，会有美版韩版等因素，使得准确度很差；同时，一会儿穿那个牌子的衣服，一会儿穿那个牌子的衣服，使得该衡量形式形成的结果很不平衡；所以，衣服尺码那个分项的信度不够。另一方面，衡量身体肥胖情况用衣服的尺码大小？你很大真的荒唐，尺码大小并不能反映肥胖情况，是吧？因此信度也不足。体脂率，才是信度和信度都比较达标的肥胖衡量分项。

在我们的现实工作中，许多人会想当然地拿了分项就用，这是非常值得警惕的。你要切骨头却拿了把手术刀，是不是很可悲？信度和信度的本质，其实就是**统计数据质量**的问题，这是一切分析的基石，再怎么重视都不过分！

第二、平衡观念

说到天平大家都不陌生，平衡的观念坚信各位也都能很快认知。简单来说，在统计数据分析的过程中，我们需要经常去寻找事情间的平衡关系，且平衡关系往往是关乎企业运转的大问题，如市场的供需关系，薪资与效率关系，工作时长与错误率的关系等等。

**平衡观念的关键点，在于寻找能展示出平衡状态的分项！**

也就是如图中红框，我们要去寻找那个准确的量化分项，来观察天平的倾斜某种程度。怎么找那个分项呢？以我的经验，一般先找双向型的问题，即高也不是低也不是的问题，然后量化为分项，最后排序成某个比率，长期跟踪后，观察它的信度和信度。

第三、分类思维

客户分群、产品归类、市场分级、绩效评价…许多事情都需要有分类的观念。主管拍脑袋也可以分类，通过机器学习演算法也可以分类，那么许多人就模糊了，到底分类观念怎么应用领域呢？

**关键点在于，分类后的事物，需要在核心分项上能拉开距离！**

。

举个例子：假设该图反映了某个消费者分群的结果，横轴代表购买频率，纵轴代表客单价，那么绿色的这群人，就是明显的“人傻钱多”的“剁手金牌客户”。

第四、矩阵化观念

矩阵观念是分类观念的发展，它不再局限于用量化分项来进行分类。许多时候，我们没统计数据做为支持，只能通过经验做主管的推断时，是可以把某些关键因素组合成矩阵，大致定义出好坏的方向，然后进行分析。大家可以百度经典的管理分析形式“波士顿矩阵”模型。

第五、管道/漏斗观念

这种观念形式已经普及：注册转化、购买流程、销售管道、浏览路径等，太多的分析场景中，能找到这种观念的影子。

但我要说，看上去越是普世越是容易认知的模型，它的应用领域越得谨慎和小心。在漏斗观念当中，我们尤其要注意**漏斗的长度**。

漏斗从哪里开始到哪里结束？以我的经验，漏斗的环节不该超过5个，且漏斗中各环节的百分比数值，量级不要超过100倍（漏斗第三环节100%开始，到最后两个环节的转化率数值不要低于1%）。若超过了我说的这两个数值标准，提议分为多个漏斗进行观察。当然，这两个是经验数值，仅仅给各位做个参考～

理由是什么呢？超过5个环节，往往会出现多个重点环节，那么在两个漏斗模型中分析多个重要问题容易产生混乱。数值量级差距过大，数值间市场波动相互关系很难被察觉，容易遗漏信息。比如，漏斗前面环节从60%变到50%，让你感觉是天大的事情，而漏斗最后环节0.1%的变动不能引起你的注意，可往往是漏斗最后这0.1％的变动非常致命。

第六、相关观念

我们观察分项，不仅要看单个分项的变化，还需要观察分项间的相互关系！

有正相关关系（图中红色实线）和负相关关系（蓝色虚线）。最好能时常排序分项间的相关系数，定期观察变化。

相关观念的应用领域太广了，我提往往是被大家忽略的一点。现在的很多企业管理层，面对的问题并不是没统计数据，而是统计数据太多，却不知道怎么用。相关观念的其中两个应用领域，**就是能够帮助我们找到最关键的统计数据，排除掉过多杂乱统计数据的干扰！**

如何执行呢？你可以排序能收集到的多个分项间的相互关系，挑出与其他分项相关系数都相对较高的统计数据分项，分析它的产生形式论，对应的问题，并评估信度和信度，若都满足标准，那个分项就能定位为核心分项！

提议大家养成两个习惯，经常排序分项间的相关系数，仔细思考相关系数背后的形式论，有的是显而易见的常识，比如订单数和购买人数，有的或许就能给你带来惊喜！另外，“没相关关系”，这往往也会成

第七、远近度观念

现在与许多处在管理层的朋友交流后，发现他们往往手握众多统计数据和报表，注意力却是非常的跳跃和分散

。如何避免呢？一是上文说的通过相关观念，找到最核心的问题和分项；二就是该些要说的，建立远进度的观念形式。

确定好核心问题后，分析其他业务问题与该核心问题的远近某种程度，由近及远，把自己的精力有计划地分配上去。比如：近期你地核心任务就是提高客服人员的服务质量，那么客服人员的话术、客

第八、形式论树观念

如图的树状形式论坚信大家已经见过许多回了。一般说明形式论树的分叉时，都会提到“分解”和“汇总”的概念。我这里把它变一变，使其更贴近统计数据分析，称为“下钻”和“上卷”。当然，这两个词不是我发明的，早已有之。

简而言之下钻，就是在分析分项的变化时，按很大的维度不断的分解。比如，按地区维度，从大区到省份，从省份到城市，从省市到区。简而言之上卷就是反过来。随着维度的下钻和上卷，统计数据会不断细分和汇总，在那个过程中，我们往往能找到问题的根源。

下钻和上卷并不是局限于两个维度的，往往是多维组合的节点，进行分叉。形式论树引申到演算法领域就是重大决策树。有个关键便是何时做出重大决策（判断）。当进行分叉时，我们往往会选择差别最大的两个维度进行拆分，若差别不够大，则那个枝桠就不在细分。能够产生显著差别的节点会被保留，并继续细分，直到分不出差别为止。经过那个过程，我们就能找出影响分项变化的因素。

举个简单的例子：我们发现全国客户数量下降了，我们从地区和客户年龄层级两个维度先进行观察，发现各个年龄段的客户都下降，而地区间有的下降有的升高，那我们就按地区来拆分第三个形式论树节点，拆分到大区后，发现各省间的差别是显著的，那就继续拆分到城市，最终发现是浙江省杭州市大量客户且涵盖各个年龄段，被竞争对手的一波推广活动转化走了。就此通过三个层级的形式论树找到了原因。

第九、天数序列观念

很多问题，我们找不到横向对比的形式和第三类，那么，和历史上的状况比，就将变得非常关键。其实很多时候，我更愿意用天数维度的对比来分析问题，毕竟发展地看问题，也是“红色形式论”中的关键一环。这种形式容易排除掉一些外在的干扰，尤其适合创新型的分析第三类，比如两个新行业的公司，或者一款全新的产品。

天数序列的观念有三个关键点：

**一是距今越近的天数点，越要重视**（图中的深浅度，越近期发生的事，越有可能再次发生）；

**二是要做同比**（图中的尖头指示，分项往往存在某些周期性，需要在周期中的同一阶段进行对比，才有意义）；

**三是异常值出现时，需要重视**（比如出现了历史最低值或历史最高值，提议在天数序列作图时，添加平均值线和平均值加减一倍或两倍标准差线，便于观察异常值）。

时间序列观念有两个子概念不得不提一下，就是“生命周期和运营的节奏更明确。

第十、队列分析观念

随着统计数据运算能力的提高，队列分析的形式逐渐展露头脚。英文名称为cohort analysis，说实话我不知道怎么表述那个概念，我的认知就是**按很大的规则，在天数颗粒度上将观察第三类切片，组成两个观察样本，然后观察那个样本的某些分项随着天数的演进而产生的变化

**。目前使用得最多的场景就是留存分析。

举个经常用的例子：假设5.17我们举办了一次促销活动，那么将这一天来的新用户作为两个观察样本，观察他们在5.18、5.19…之后每天的活跃情况。

队列分析中，分项其实就是天数序列，相同的是衡量样本。队列分析中的衡量样本是在天数颗粒上变化的，而天数序列的样本则相对固定。

第十一、循环／闭环观念

循环／闭环的概念可以引申到很多场景中，比如业务流程的闭环、用户生命周期闭环、产品功能使用闭环、市场推广策略闭环等等。许多时候你会真的这是两个不落地的概念，因为提的人很多，干出事情来的例子很少。

但我真的这种思考形式是非常必要的。业务流程的闭环是管理者比较容易定义出来的，列出公司所有业务环节，梳理出业务流程，然后定义各个环节之间相互影响的分项，跟踪这些分项的变化，能从全局上把握公司的运行状况。

比如，一家软件公司的典型业务流：推广行为（市场部）➡流量进入主站（市场＋产研）➡注册流程（产研）➡试用体验（产研＋销售）➡进入采购流程（销售部）➡交易并部署（售后＋产研）➡使用、续约前文所述，**千万不要用两个漏斗来衡量两个循环**。

有了循环观念，你能比较快的建立有形式论关系的分项体系。

第十二、测试／对比观念

AB test，大家肯定不陌生了。那么怎么细化一下那个概念？

一是在条件允许的情况下，重大决策前尽量做对比测试；

二是测试时，很大要注意参照组的选择，提议任何实验中，都要留有不进行任何变化的一组样本，作为最基本的参照。

，多去发现规律。

第十三、指数化观念

指数化观念，是指将衡量两个问题的多个因素分别量化后，组合成两个综合指数（降维），来持续追踪的形式。把那个放在最后讨论，目的就是强调它的关键性。前文已经说过，许多管理者面临的问题是“统计数据太多，可用的太少”，这就需要“降维”了，即要把多个分项压缩为单个分项。

指数化的好处非常明显，**一是减少了分项，使得管理者精力更为集中；二是指数化的分项往往都提高了统计数据的信度和信度**；三是指数能长期使用且便于认知。

指数的设计是门大学问，这里简单提三个关键点：一是要遵循**独立和穷尽**的原则；二是要注意各分项的单位，尽量做**标准化**来消除单位的影响；三是权重和需要等于1。

独立穷尽原则，即你所定位的问题，在搜集衡量该问题的多个分项时，各个分项间尽量相互独立，同时能衡量该问题的分项尽量穷尽（收集全）。举个例子：当初设计某公司销售部门的分项体系时，目的是衡量销售部的绩效，确定了核心分项是销售额后，我们将绩效拆分为订单数、客单价、线索转化率、成单周期、续约率5个相互独立的分项，且这5个分项涵盖了销售绩效的各个方面（穷尽）。我们设计的销售绩效综合指数＝0.4＊订单数＋0.2＊客单价＋0.2＊线索转化率＋0.1＊成单周期＋0.1＊续约率，各分项都采用max-min形式进行标准化。

通过那个例子，坚信各位就能认知指数化观念了。

本篇内容在我脑中筹划了2月有余了，但当起笔成文时，依然真的自己的思考还不够全面，经验也不够丰富。各种观念形式的应用领域，似乎没孰好孰坏，与否启用看似也比较随机。希望随着我经历的不断丰富，能够总结出一套行之有效的观念技巧，但目前还不行。

总的来说，统计数据质量依然是我真的最大的前提。关键事情说三遍，

动手前，很大要保证好统计数据质量！

动手前，很大要保证好统计数据质量！

动手前，很大要保证好统计数据质量！

End.

译者：胡晨川（中国统计网特邀认证译者）

本文为中国统计网原创文章，需要转载请联系中国统计网（小编微信：itongjilove），转载时请注明译者及出处，并保留责任编辑链接。