起點課堂會員權益
職業(yè)體系課特權
線下行業(yè)大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業(yè)技能直播
會員專屬社群
榮耀標識這8種數據思維模型好用至極（含案例）
編輯導語：如今在這個大數據時代，數據在我們的工作中占據很大的作用，企業(yè)中的各個崗位對數據都有一定的依賴性；并且在日常工作中，數據也是我們提高工作效率的一個方法；本文作者分享了8種數據思維模型及案例，我們一起來了解一下。
數據運營，在運營里是中流砥柱的作用，細分到各個崗位都離不開數據；不僅是工作，生活中也是。
工作上，擁有數據化思維，對于工作效率能有極大提升，適用于產品、運營及營銷。
生活中，擁有數據化思維，對于決策和判斷也很有幫助，幫我們更好的掌控生活而不是被生活所掌控。
分享對我影響比較大的8種數據相關思維模型，希望對您有所啟發(fā)；前4種是宏觀想象和規(guī)劃，后4種是微觀實操和演練。
01?漏斗思維模型
漏斗分析模型是一套流程式數據分析模型。反映用戶行為狀態(tài)，以及從起點到終點各階段指標。對于用戶行為分析、流量監(jiān)控、目標動作轉化都很好用。
漏斗思維前后關聯性極強，從首到尾是弱化和遞減。
常用漏斗模型3種，AIDMA模型應用于品牌營銷占領用戶心智；AISAS模型幫助消費決策和分析購買路徑，AARRR模型分析用戶行為軌跡提高關鍵指標。
漏斗模型除了在互聯網產品，及電商用戶分析上得以應用外，在其他處也能巧妙應用。如銷售漏斗：它是按照“線索-意向-客戶”層層篩選，逐漸遞減。
02?結構化拆解數據模型
拆解，源自結構化思維金字塔原理，兩個要點：相互獨立、無窮無盡。面對數據的時候，可以分析相關的模塊并拆解，研究不變的單一模塊。
舉個栗子：GMV=流量*轉化率*客單價*復購率。常應用于電商銷量的拆解，繼續(xù)拆流量=流量渠道1+流量渠道2+流量渠道3。
影響流量渠道1的來源有投放時間選擇、首頁視覺優(yōu)化、文案優(yōu)化、活動形式、產品體驗流暢度等，繼續(xù)拆解時間選擇是上午好？還是晚上好？繼續(xù)拆解直到最小顆粒度；此處拆解原則，可結合5WHY溯源原理和A/B測試模型。
結構化拆解，需要記住4個要點，很大程度上這4點和其他思維有共同之處。
核心論點：尋找金字塔的塔點。
結構拆解：自上而下將核心論點層層拆解成分論點，上下之間呈因果，依賴關系。
MECE：相互獨立，完全窮盡（免交叉重復）。
驗證：核心論點/分論點都是可量化、可驗證的，要用數據說話。類A/B測試。
03?事實數據≠主觀判斷模型
也許你聽過“事實”和“觀點”理論。事實。就是可視化數據，沒有對錯，不帶情感；而觀點是主觀的感受和判斷，觀點表達了個人的價值觀和興趣偏好。
我喜歡打籃球，以NBA籃球舉例?？幢泶髱熇?，總是奉獻各種神奇3分球。很多球迷都說，利拉德3分球真準、聯盟佼佼者。真的是這樣嗎？
這是球迷觀點，為什么呢？因為，你腦海中總是他一次次不講理的3分球，峰終定律影響下被加深印象。但是事實和數據呢？本賽季利拉德3分球命中率38.5%，排名聯盟第74位。
從數據角度看，在400人+的NBA聯盟里74的排名其實并不高，所以主觀判斷是錯誤。用事實數據做支撐，一定程度上可以避免臆想的主觀判斷。
再看一個例子：比如說一個醫(yī)院兩個科室，一個科室，治愈率高，死亡率低啊，另外一個科室呢，治愈率相對較低，死亡人數呢，也相對比例高一些，那你能說第一個科室就比第二個科室優(yōu)秀嗎?
你說難道不是嗎？他治愈率高。死亡率更低，這么直觀說服力難道不是更不優(yōu)秀嗎?
不一定??！你有考慮過他們接的都是什么病人嗎?如果我們評誰更優(yōu)秀，只看死亡率。不看哪些醫(yī)院接了重癥病例，那簡直太荒謬了。數據背后的環(huán)境和場景，切勿忽視。
04?量化指標+標準思維模型
凡事好不好都是相對，只有建立標準，可用數據衡量的標準后，才能予以評判。標準就像一桿尺子，有刻度、能度量。
同樣拿NBA利拉德安利來舉例，38.5%的3分球命中率高嗎？
如果定義標準3分球命中率低于40%就算低，那么他的命中率就不高；如果定義標準是超過38%是高，那么利拉德命中率就算高。是高還是低？取決于手里尺子的刻度值。
有了刻度，在生活和工作上怎樣能加強我們量化指標的意識呢？
繼續(xù)以籃球舉例。我每次訓練時候會對流程量化會高效很多，不至于無目標感。
比如：訓練時長1小時，做20分鐘對抗訓練，做10分鐘突破訓練，做10分鐘三分球訓練，做10分鐘罰球訓練，做10分鐘熱身訓練。
把隨意的一場打球，量化到各個指標用數據體現，然后刻意練習；同樣，對于3分球訓練我會10個一組，默認記錄數據標準，心里的刻度是35%命中率，有了量化指標，更好的引導我們精進。
05?5WHY溯源模型
5WHY溯源分析，來自豐田企業(yè)管理，對于深度思考，看清事物的本質，找到數據背后隱藏的真像很有幫助。
5WHY分析法，又稱“5問法”，也就是對一個問題點連續(xù)以5個“為什么”來自問，以追究其根本原因。這里回顧一個經典案例，看清事物本質。
杰斐遜大廈墻有裂痕，為什么？
因為墻面經常沖洗，被腐蝕了。
為什么沖洗？沖洗是因為鳥糞多。
為什么會有鳥糞？因為蜘蛛多，鳥過來覓食。
為什么蜘蛛多？因為這里陽光好利于繁殖。
怎么解決墻面問題，不是用環(huán)保清洗劑，也不是用電網防蜘蛛，拉上窗簾就行。
生活中，常會出現抓不住問題本質的情況，只是“膚淺”看到表面問題。
多一點深度思考，看看各個維度數據變化，總有撥云見日的時候。
06?A/B測試思維模型
A/B測試在產品及技術上經常應用，指在產品迭代發(fā)布之前，制定兩個（A/B）或多個（A/B/n）版本；在同一時間維度，分別讓特征相同（相似）的訪客群組（目標人群）隨機的訪問這些版本，并收集每個群組用戶的數據，最后通過分析數據，評估出最好版本去承載全部流量。
多組開花，找到數據最好的一組，予以選用。
A/B測試的理念和假設驗證思維模型類似，實操過程中，通常AB測試都是圍繞著某一個目標進行，比如：提升新用戶下單率。圍繞該目標，我們可以設置相應的運營動作。
PlanA設置優(yōu)惠券A并全渠道觸發(fā)，PlanB設置優(yōu)惠券B全渠道觸發(fā)，一個周期后分析A/B兩種運營動作下，目標數據（新用戶下單率）的變化；此處樣本數量要足夠大，測試周期要足夠長才有說服力，否則很大程度上是小概率事件。
07?RFM分析思維模型
RFM是3個指標的縮寫，最近一次消費時間間隔（Recency），消費頻率（Frequency），消費金額（Monetary），通過這3個指標對用戶分類。
RFM通過3個維度數據對用戶進行評估分類，從而實現精細化運營，根據不同用戶的屬性做不同營銷策略。
此處，也是淘寶千人千面、字節(jié)智能算法的前身，量身定制。RFM分析方法把用戶分為8類，這樣可對不同價值用戶使用不同的營銷決策。
馮侖講過：正常情況下，人一生交往的關系是三個數：10%、30%和60%。
這句話是什么意思呢？
其實正好對應我們剛講的三種人脈關系，RFM模型里的前三種重要價值、重要發(fā)展、重要保持用戶，對于3類用戶我們需要采取不同應對策略。
對于不同用戶類型，有對應不同運營策略。高價值享受VIP待遇，需挽留采用促活方案定時觸達。
1）重要價值關系：對你生活和工作非常有價值。他幾乎是你最親密的親戚、朋友、客戶。面對這些人，你應該經常聯系，彼此幫助，時不時約出來聊聊天。
2）重要發(fā)展關系：聯系比較多、一起做過點事，但聊天是有一句沒一句的，這種要重點發(fā)展關系。比如把你的困惑或者小秘密和他分享，產生情感連接。
3）重要保持的關系：所謂熟人，也就是打起電話來記得住這個人，而且也大概了解他的背景，可能很長時間都沒有見的那種“朋友”。要主動聯系，利用節(jié)假日登門拜訪、共同的朋友持續(xù)保持溝通。
08?北極星數據指標思維
北極星指標，也叫做唯一重要的指標，之所以叫做北極星指標是指這個指標一經制定，像北極星一樣，高高的閃耀在天空中，指引著團隊向同一個方向前進。
北極星指標，隨產品生命周期在動態(tài)變化，但是有兩個大前提不會變。第一，對規(guī)模的追求（用戶規(guī)?；蚴杖胍?guī)模）；第二，對用戶長期價值的考量。
我看來看常見產品的北極星指標，并做拆解：
- Airbnb北極星指標是交易總額，分解目標：用戶總數+訂房次數。
- 知乎北極星指標是問答總數，分解目標：用戶總數+單用戶問答貢獻數。
- 簡書北極星指標是文章總數，分解目標：用戶總數+單用戶文章貢獻數。
- 滴滴北極星指標是月活躍用戶，分解目標：月活躍司機+月活躍乘客。
北極星指標是風向標，能避免我們陷入數據陷阱。
與之對應，是虛榮性指標，盤點下常見產品虛榮型數據指標。
電商類：GMV和訂單量。
要知道脫離利潤的GMV并沒有用，如果毛利不夠甚至虧本，帶來的結果是買的越多虧得越多；訂單量也一樣，如果只是低客單的薅羊毛訂單，只會起反作用。
電商，更多要關注轉化率、客單價、復購率等北極星指標。
內容類：曝光量和點擊PV。
拿現在的抖音來說，一些粉絲量上百萬的抖音號沒有商業(yè)價值就是這原因，某單條視頻點贊量過百萬依然不能變現，也很好的說明這個問題。
抖音，更多要關注停留時長、完播率、評論人次及標簽用戶量等北極星指標。
作者：zhrayan；公眾號：炏的黑匣子（zydsgj）；專注用戶研究，用戶運營。聚焦影響圈的事，抽絲剝繭做時間的復利者。
本文由 @zhrayan 原創(chuàng)發(fā)布于人人都是產品經理，未經許可，禁止轉載
題圖來自?Unsplash，基于 CC0 協議
- 目前還沒評論，等你發(fā)揮！
