01信度与效度思维

　　信度与效度的概念最早来源于调查分析，但现在引申到数据分析工作的各个方面。

　　信度是指一个数据或指标自身的可靠程度，包括准确性和稳定性。

　　取数逻辑是否正确？有没有计算错误？这属于准确性；每次计算的算法是否稳定？口径是否一致？以相同的方法计算不同的对象时，准确性是否有波动？这是稳定性。

　　做到了以上两个方面，就是一个好的数据或指标了吗？其实还不够，还有一个更重要的因素——效度。

　　效度是指一个数据或指标的生成，需贴合它所要衡量的事物，即指标的变化能够代表该事物的变化。

　　只有在信度和效度上都达标，才是一个有价值的数据指标，例如，要衡量我身体的肥胖情况，我选择了穿衣的号码作为指标。

　　一方面，相同的衣服尺码对应的实际衣服大小是不同的，会有美版、韩版等因素，使得准确性很差。同时，一会儿穿这个牌子的衣服，一会儿穿那个牌子的衣服，使得该衡量方式形成的结果很不稳定。所以，衣服尺码这个指标的信度不够。

　　另一方面，衡量身体肥胖情况用衣服的尺码大小？你一定觉得很荒唐，尺码大小并不能反映肥胖情况，因此效度也不足。

　　在现实工作中，许多人会想当然地拿来指标就用，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？信度和效度的本质，其实就是数据质量的问题，这是一切分析的基石，再怎么重视都不过分。

　　02平衡思维

　　说到天平大家都不陌生，平衡思维相信各位也都能很快理解。简单来说，在数据分析的过程中，我们需要经常去寻找事情之间的平衡关系，且平衡关系往往关乎企业运转的大问题，如市场的供需关系，薪资与效率的关系，工作时长与错误率的关系等。

　　平衡思维的关键点，在于寻找能展示出平衡状态的指标！也就是如图中红框，我们要寻找这个准确的量化指标，来观察天平的倾斜程度。

　　怎么找这个指标呢？一般人的经验是先找双向型的问题，即高也不是低也不是的问题，然后量化为指标，最后计算成某个比率，长期跟踪后，观察它的信度和效度。

　　03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思维。主管拍脑袋也可以分类，通过机器学习算法也可以分类，那么许多人就糊涂了，到底分类思维怎么应用呢？

　　关键点在于分类后的事物，需要在核心指标上拉开距离！也就是说分类后的结果必须是显著的。如图中的横轴和纵轴往往是你运营中关注的核心指标（当然不限于二维），而分类后的对象的分布不是随机的，而是有显著的集群的倾向。

　　例如，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，纵轴代表消费单价，那么绿色的这群人，就是明显的“人傻钱多”的“剁手金牌客户”。

　　04矩阵思维

　　矩阵思维是分类思维的发展，它不再局限于用量化指标进行分类。许多时候，我们没有数据作为支持，只能通过经验推断，可以把某些重要因素组合成矩阵，大致定义出好坏的方向，然后进行分析。

　　05漏斗思维

　　这种思维方式已经普及：注册转化、购买流程、销售管道、浏览路径等，大多数的分析场景中，都能找到这种思维的影子。

　　但看上去越是普适的、容易理解的模型，应用时越得谨慎和小心。在漏斗思维中，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（漏斗第一环节100%开始，到最后一个环节的转化率数值不要低于1%）。

　　理由是什么呢？超过5个环节，往往会出现多个重点环节，那么在一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，数值间波动相互关系很难被察觉，容易遗漏信息。例如，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，可往往就是这0.1％的变动非常致命。