这几年，在工作之中，数据思维估计是很多人听到频率很高的一个词汇。对于非数据分析从业者来说，领导要的数据思维往往会被理解成浅层的所有工作的数据化，而对于数据分析从业者来说，经常会出现掌握了很多数据分析工具但是还是两眼一抹黑，做不好数据分析的情况。

通过我几年的工作经验，我把养成数据分析的过程归纳出了下面的几个要点，跟大家分享。

永远不要说“你认为”

“我认为某数据下降的原因是...”

当你对于工作数据汇报的开场白是如上这样，那么我可以肯定的说，你的数据分析思维出现了一点小问题。一个合格的数据分析师一定是只说事实的，因为观点中已经掺杂了太多的主观臆断，即使你是一个业务上的百事通，在面对数据时人为的判断也会歪曲数据分析结果。

因此，你需要做的不是跳过说数据事实这一步，直接来到观点，而是把数据事实摆出来，同比涨了多少，环比跌了多少，汇报即可。否则以观点去沟通，一定会带来数据上的误解，并且如果观点错误，会在一定程度上影响决策，降低工作效率。

别用自己的标准

百分之十多吗？多。

多在哪里？多在我们认为10%多。

如果你给数据的标准是如上这样，那么你的数据就很难给业务发展上带来准确信息了，你按照自己的标准划定的数据也依然逃不出上文关于“观点”的限制。一个好的标准需要符合如下的条件：它是否是老板战略构想下的普适标准；它是否是行业的普遍现象，符合行业和竞品的平均值；相比于企业历史数据，该标准是否能过去的数据契合。

只有符合以上几点任意一个的数据标准，才有一定的参考价值。

别构建预期

在我之前的工作中，我会遇到一个很有意思的现象：某些部门业务主管去做业务汇报的时候，经常会把数据负面变化归结于客观原因，把乐观的增幅归功于业务人员的努力。

趋利避害是人之常情，但是如果想要形成更科学的数据思维，就要做到反常识，也就是别构建预期。

马克吐温有句名言：世界上有三种谎言：谎言、可恶的谎言和统计数据。这句话一直被我牢记于心，知道辛普森悖论的朋友一定知道，合并数据可能会对真实情况产生干扰，我们看到的数据并非是事实的全貌。

要想得到最准确的数据，统计学上需要制作因果模型，去关注数据生成过程，所以在我们并不完全科学的数据分析中，一定要摒除我们主观臆断，躲避责任的要素影响，有偏向的数据分析，称不上数据分析。

多学福尔摩斯

看过福尔摩斯的朋友应该知道，这哥们断案的时候用的就是演绎法，所谓演绎法就是从整体到个体的推理过程，而逻辑判断中，我们很容易陷入由个体向整体的推断，也就是所谓的归纳法。

这样做有什么样的区别？我举个很极端的例子你就知道了。

公司1月和2月的数据都是同比上涨的，3-12月都是下降的，数据分析师这时候看到1-2月的数据就断言，公司今年业绩是整体上涨的。

很显然，这个数据分析师满嘴胡话，在我们日常工作中，如此极端的以小见大的例子并不常见，但是要万分警惕。

由一般性的前提出发，得出具体的陈述或个别结论的过程对于整个数据分析结果来说才更为科学。

做有逻辑的职场人

其实，这一点就不只是涉及数据分析了，也算是一些职场经验。

无论你是业务端的朋友，还是刚入手数据分析的小伙伴，我相信大家在工作岗位上一定特别经常接触一个东西：需求。

我们都会接纳需求，但是如何有逻辑的处理需求，让数据思维帮我们顺利推进工作呢？其实拆分，是一个很有用的技巧。

比如我是数据分析师，经常有销售部门的同事会这么提需求：

我们上个月高消费用户群体续签率下降了10%，这个不太行，我想知道这个问题如何解决？

看看，接触到这个问题的时候，你需要做的可不是第一时间解决所谓的“高消费用户群体续签率下降”，你需要去有逻辑的拆分这个问题。

①该数据下降是一个不好的业务信号么？这个需求判定的标准如何，10%相比于历史数据是高是低，还是正常变化。②这个需求是紧急需求么？

当有逻辑的处理这个需求，我们会让自己的工作资源分配得更加合理，分出轻重缓急，你的工作节奏才更顺心，你的结果也才更科学。

其实通过上文的一些重点，我想很多朋友都发现了，一个好的数据思维一定是坚持自然理性，但是说来容易做起来却难。潜移默化的培养，牢记于心以上要点，或许能让你在养成数据分析的过程中，走的更顺心如意。