周末在重温儿时经典动漫《名侦探柯南》后发现，柯南利用探索性分析的思维方式完美破案近500起，其实我们在日常工作中也可利用该思维解决难题，今天我们就聊聊数据分析思维。引用一句柯南的名言：去除掉所有不可能的因素，留下来的东西，无论你多么不愿相信，但它就是真相。
进入DT时代，海量杂乱的数据不断涌来，我们需要理清头绪，探寻数据间的内在联系。在动漫故事中，柯南总是将所有证据/数据搜集到一起，然后寻找其中的规律，完美地示范了如何收集证据和数据并从中获得洞察。在一个大雪纷飞的深夜，一个女人离奇死亡，没有目击证人，身上刀痕参差不齐，尽管连宿在附近房间的柯南本人也没有在案件发生时发现端倪，但他依然表现得有条不紊。
首先，他逐个盘问别墅中的每一位客人，不管对方人设是冷静缜密、还是神经兮兮。然后，他将这些人的语言与行为如拼拼图一般，拼在了一起，并理出了一个时间线。在这个过程中，他不断地思考：
哪些信息能支持自己的假设？
哪些信息互相矛盾？
我还需要回答什么问题？
之后我需要做什么，才能回答这些问题？
——这就是所谓的探索性分析。
探索性数据分析（EDA）是数据分析过程的第一部分。 在这个阶段需要完成以下几个重要：
弄清楚数据是什么；
建立你想问的问题以及如何表达它们，
找到最好的展示和洞察数据的方式，以得出重要的见解。
探索性数据分析更重视从数据中发现数据分布的模式（Patten）和提出新的假设。我们在探索—寻找线索，就像柯南那样，通过定量和可视化的方法，不仅梳理出趋势和模式，还能发现偏离模型，离群值和意想不到的结果，继而帮助我们提出问题，找到下一步采取的措施。
一切发现符合假设的、不符合假设的
都是为了最后一步一步走向真相
在数据分析时，我们需要了解什么样的数据展示才是对结果的最好展示，如果单纯地去看一个数据是没有太大意义的，而且数据本身有时也具有欺骗性，比如：从运营同学那里得到日新增用户数1W，那么单纯看这个数据没有什么意义，我们可以说这个数据很好，因为看上去很大，但是你可能没有看到同期的数据，有可能昨天的数据达到了2W，所以，对比才能更好的展现数据的可用性，得到的比率是最具有说服力的。
另外，通过对比不同的渠道，对比不同的版本，对比不同的用户群等不同维度的数据，都可以从侧面反映出这个数据的真实情况。
同样的，数据不是一成不变的，需要动态查看，单纯只看一个点的数据情况是没有意义的，比如我们在数据中加入时间维度观察数据整体的变化趋势，这样才能更为客观的判断产品的健康程度。
1、分析要有深度
深度是指数据分析对企业的支持程度，当企业面临决策难题时，数据分析若要有深度，则要全面回答3个问题：
企业的现状和问题是什么？
问题为什么会产生？
企业该怎么办？
这3个问题若未答全，则分析的深度就会有所缺失。缺失深度，也就只看到表面的数据累计却看不到本质的问题。可以从问题的本质出发，从“是什么”“为什么”“怎么办”3个角度思考。
提问是思考的翅膀，善于提问，勤于思考，我们就能达到数据分析的深度，只有不断的锻炼和学习才能在深度深耕。
2、数据要有可信度
可信度是指分析结果的可靠程度。要有信度，需满足三个条件：对比要可比、差异要显著、描述要全面。
-对比要可比
基础数据基数要具有可比性，不能将基础数据与其他数据进行混合对比，缺少对比的可能性。
-差异要显著
在精细化营销时，往往通过数据来理解不同用户的差异；根据差异性制定运营策略。
-描述要全面
当刻画一组数据时，不仅要描述这组数据的一般水平，还要考虑到这组数据的波动水平。如果波动很大，一般水平对数据总体的代表性就会很差。只考虑一般水平而不考虑波动和差异，会使数据的可信度大大缩水。
所以，数据分析要有深度和宽度，以两种不同角度分析问题，结果才更具有说服力。
3、分析要有效度
效度，指的是效率和速度。数据分析速度越快、成本越低，则效度越高，成效越显著。
4、分析要有通度
在数据分析前要找到分析的目标，带着问题去分析，也就是了解前期数据分析的需求，后期需要做数据汇报才具有针对性，目的性。沟通的顺畅度即通度，通度高低直接影响数据价值的发挥水平。
PS：如何提高沟通效率不影响进度，有“三用三不用”原则：能用图表就不用数据；能用图片就不用文字；能用动态呈现就不用静态展示。
用户行为路径之太阳图
-能用图表就不用数据：一图顶千言，图比数据跟具有说服力。
-能用图片就不使用文字：文字多了就容易误导用户，同时也不够形象表达目标。
只需要点选就能快速分析转化的SEM报表
-能用动态呈现不用静态展示：在表达事物随着时间的变化而变化时，动态呈现能还原真实，比静态展示更能让人产生身临其境之感。
版本迭代 快速衡量
分析各版本中新增用户对该事件的转化情况
数据运营是运营人员将数据结果转化成运营策略，用数据做决策/制定策略，既要知道分析过的数据结果能够证明什么，也要知道数据做不了什么；个人的认知、经验是有限的，不能过于夸大也不能过于激进。
此外，对数据的有效分析利用与运营者和团队都息息相关，自上而下的推动和引导是最好的结果，高层有数据化运营的战略和意识、管理层有数据化运营的指导经验，执行层能将数据化运营的落地，在团队工作中注入数据思维的基因，培养使用数据结果判断总结的习惯，通过专门系统的培训推动企业的数据标准化。
最后，数据分析工具和各类模型的使用，也是数据分析技能基本要求，比如：多维度分析、交叉分析、海盗模型、用户分层模型、RFM模型、 AB测试等。
