概念与定义
如果分析思维是一种结构化思考的体现，那么数据分析思维（简称数据思维）则是以数据为依托的结构化分析方式。
不同于“我觉得”、“以前是怎样”、“其他人如何”这些直觉化、经验化、类比化的思考方式，数据思维是以数据为导向，依据严格的分析、统计和证明来指导具体的应用与操作。
首先，要对事物本身有一个全面和客观的认识。
- 以辩证思维来认识和看待事物，进行事物的分解和集成，全面客观地以数据说话，同时减少主观偏颇看法，
- 结合外部环境、时间线、核心维度，全面的分析物的行为特征或动态展现
- 关注事物的外在交互关系、内部结构和衔接，分析事物相关的内外环境因素
然后，确定事物本身的关键属性、维度和分析评估体系。
分析事物各关键指标特性间的相互制约和促进力。
任何评估指标值的得出，一定有事物本身内在数据和运作机制进行支撑的，也就是说，将对事物分析后的数据映射到具体的可用的科学评价体系之上。
业务指导数据，数据驱动业务。
数据分析并不是一个结果，只是过程，在这个过程中是需要反馈和持续改进的。
搭建框架
建立量化体系
如果不能衡量，那么就不能有效增长和改进。
需要统一标准来定义和评价，这个标准就是指标。
具体的指标数值，可以避免“我觉得”造成的认知陷阱，“模糊虚妄”的描述会将人带入歧途。
孤立的指标发挥不出数据的价值，需要建立结构化的指标体系。
不同业务形态有不同的指标体系，没有放之四海而皆准的模板。
指标能细分和拆解，应该根据具体的情况选择指标，
指标区分
“好指标”
- 不是所有的指标都是有效的，核心驱动指标才是需要重点关注的“好指标”。
- 简单来说，核心驱动指标和组织发展相关联，是整个运营团队、产品团队乃至研发团队在统一为之努力的目标，是一个时期/阶段内的重点方向。
- 不同业务的核心驱动指标也不一样。
- "好指标"应该是在有效基数上的比率或者比例，易于衡量和对比。
“坏指标” - 虚荣指标：没有任何的实际意义，能够粉饰工作绩效
- 后验性指标：时效性差，实际上只是在描述已发生事件，很难通过措施挽回成本和弥补损失
- 复杂性指标：数据分析掉入“一堆隐藏变量指标”的陷阱中，无从下手
建立正确的指标结构
和分析思维的金字塔结构一样，指标呈现树状结构，构建核心是以业务流程为思路，以结构为导向。
从流程的角度搭建指标框架，可以全面的囊括用户相关数据，无有遗漏。
列举指标原则：需要有核心驱动指标。移除虚荣指标，适当的进行删减，不要为添加指标而添加指标。
方式与方法
数据分析大体可以分三类：
- 利用维度分析数据
- 使用统计学知识，例如数据分布假设检验
- 使用机器学习
维度分析法
维度是描述对象的参数，在具体分析中，可以把它认为是分析事物的角度。
有了维度后，就能够通过不同的维度组合，形成数据模型，一个多维的数据立方体。
数据模型将复杂的数据以结构化的形式有序的组织起来。
数据模型可以从不同的角度和层面来观察数据，这样提高了分析的灵活性，满足不同的分析需求、这个过程叫做OLAP(联机分析处理)。
指标和维度有什么区别?
维度是说明和观察事物的角度，指标是衡量数据的标准。
维度是一个更大的范围，不只是数据，比如时间维度和城市维度，我们就无法用指标表示，而指标(留存率、跳出率、浏览时间等)却可以成为维度。
通过业务建立和筛选出指标，将指标作为维度，利用维度进行分析，通俗理解：维度>指标。
一般来说，指标都可以作为维度使用。
