萨德基：
现代学术研究说明，大脑内部结构主要就由右下中肠组成，它们各有明晰的社会分工，右脑主要就完成词汇、方法论等知觉与行为，而右脑则具有摄影艺术、发明缔造以及系统性观念的能力，蕴含着收敛观念、反向观念、关连观念等碳酸铯的观念才华，正是这里迸发出着无穷无尽缔造生机。
大统计数据黄金时代的革新关键的是须要缔造一种捷伊方法论，须要人们在通常状态下重新启动右脑的同时，来充份唤起沈睡的右脑，唤起技术创新观念。
商业性史上，擅于唤起右脑缔造力的成功先行者俯拾即是。雷诺擅于充份发挥右脑广度缔造力，在重大经营范围上经常做出缔造力重大决策，实乃驰名世界的“汽车三宝”；贾伯斯从来不青睐市场，特别强调产品与外无与伦比崇尚的他，创举了“苹果公司”的光辉。
所以，在现今信息信息黄金时代、在睿智火星的技术创新黄金时代，我们切不可失去了右脑观念的白眉林、举重若轻和缔造力。统计数据驱动力重大决策，为了不许这句话成为空谈，请先武器装备以下13种思想枪械，坚信今后你一定会用上！
今天的该文撷取给大家，Enjoy it。
该文
效度与效度观念
该些也许是概要最难认知的部分，但我觉得也最关键。没有这个观念，重大制定者很有可能在统计数据中沉沦。
到统计数据分析工作的各方面。
“所谓效度，是指一个统计数据或指标自身的可靠程度，包括准确性和稳定性”取数方法论是否正确？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，就是一个好的统计数据或指标了？其实还不够，还有一个更关键的因素，就是效度！
“所谓效度，是指一个统计数据或指标的生成，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。”
只有在效度和效度上都达标，才是一个有价值的统计数据指标。举个例子：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效度不够。
另一方面，衡量身体肥胖情况用衣服的尺码大小？你一定觉得荒唐，尺码大小并不能反映肥胖情况，是吧？因此效度也不足。体脂率，才是效度和效度都比较达标的肥胖衡量指标。
在我们的现实工作中，许多人会想当然地拿了指标就用，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？效度和效度的本质，其实就是**统计数据质量**的问题，这是一切分析的基石，再怎么重视都不过分！！
平衡观念
说到天平大家都不陌生，平衡的观念坚信各位也都能很快认知。简单来说，在统计数据分析的过程中，我们须要经常去寻找事情间的平衡关系，且平衡关系往往是关乎企业运转的大问题，如市场的供需关系，薪资与效率关系，工作时长与错误率的关系等等。
“平衡观念的关键点，在于寻找能展示出平衡状态的指标！”也就是如图中红框，我们要去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？以我的经验，一般先找双向型的问题，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，观察它的效度和效度。
分类观念
客户分群、产品归类、市场分级、绩效评价…许多事情都须要有分类的观念。主管拍脑袋也可以分类，通过机器学习算法也可以分类，那么许多人就模糊了，到底分类观念怎么应用呢？
“关键点在于，分类后的事物，须要在核心指标上能拉开距离！集群的倾向。
举个例子：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，纵轴代表客单价，那么绿色的这群人，就是明显的“人傻钱多”的“剁手金牌客户”。
矩阵化观念
矩阵观念是分类观念的发展，它不再局限于用量化指标来进行分类。许多时候，我们没有统计数据做为支持，只能通过经验做主管的推断时，是可以把某些关键因素组合成矩阵，大致定义出好坏的方向，然后进行分析。大家可以百度经典的管理分析方法“波士顿矩阵”模型。
管道/漏斗观念
这种观念方式已经普及：注册转化、购买流程、销售管道、浏览路径等，太多的分析场景中，能找到这种观念的影子。
但我要说，看上去越是普世越是容易认知的模型，它的应用越得谨慎和小心。在漏斗观念当中，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%）。若超过了我说的这两个数值标准，建议分为多个漏斗进行观察。当然，这两个是经验数值，仅仅给各位做个参考。
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关键问题容易产生混乱。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。比如，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，可往往是漏斗最后这0.1％的变动非常致命。
相关观念
我们观察指标，不仅要看单个指标的变化，还须要观察指标间的相互关系！有正相关关系（图中红色实线）和负相关关系（蓝色虚线）。最好能经常计算指标间的相关系数，定期观察变化。
相关观念的应用太广了，我提往往是被大家忽略的一点。现在的很多企业管理层，面对的问题并不是没有统计数据，而是统计数据太多，却不知道怎么用。相关观念的其中一个应用，“就是能够帮助我们找到最关键的统计数据，排除掉过多杂乱统计数据的干扰！”
如何执行呢？你可以计算能收集到的多个指标间的相互关系，挑出与其他指标相关系数都相对较高的统计数据指标，分析它的产生方法论，对应的问题，并评估效度和效度，若都满足标准，这个指标就能定位为核心指标！
远近度观念
现在与许多处在管理层的朋友交流后，发现他们往往手握众多统计数据和报表，注意力却是非常的跳跃和分散。如何避免呢？一是上文说的通过相关观念，找到最核心的问题和指标；二就是该些要说的，建立远进度的思维方式。
确定好核心问题后，分析其他业务问题与该核心问题的远近程度，由近及远，把自己的精力有计划地分配上去。比如：近期你地核心任务就是提高客服人员的服务质量，那么客服人员的话术、客户评价通道、客服系统的
方法论树观念
如图的树状方法论坚信大家已经见过许多回了。一般说明方法论树的分叉时，都会提到“分解”和“汇总”的概念。我这里把它变一变，使其更贴近统计数据分析，称为“下钻”和“上卷”。当然，这两个词不是我发明的，早已有之。
所谓下钻，就是在分析指标的变化时，按一定的维度不断的分解。比如，按地区维度，从大区到省份，从省份到城市，从省市到区。所谓上卷就是反过来。随着维度的下钻和上卷，统计数据会不断细分和汇总，在这个过程中，我们往往能找到问题的根源。
下钻和上卷并不是局限于一个维度的，往往是多维组合的节点，进行分叉。方法论树引申到算法领域就是重大决策树。有个关键便是何时做出重大决策（判断）。当进行分叉时，我们往往会选择差别最大的一个维度进行拆分，若差别不够大，则这个枝桠就不在细分。能够产生显著差别的节点会被保留，并继续细分，直到分不出差别为止。经过这个过程，我们就能找出影响指标变化的因素。
举个简单的例子：我们发现全国客户数量下降了，我们从地区和客户年龄层级两个维度先进行观察，发现各个年龄段的客户都下降，而地区间有的下降有的升高，那我们就按地区来拆分第一个方法论树节点，拆分到大区后，发现各省间的差别是显著的，那就继续拆分到城市，最终发现是浙江省杭州市大量客户且涵盖各个年龄段，被竞争对手的一波推广活动转化走了。就此通过三个层级的方法论树找到了原因。
时间序列观念
很多问题，我们找不到横向对比的方法和对象，那么，和历史上的状况比，就将变得非常关键。其实很多时候，我更愿意用时间维度的对比来分析问题，毕竟发展地看问题，也是“红色方法论”中的关键一环。这种方式容易排除掉一些外在的干扰，尤其适合技术创新型的分析对象，比如一个新行业的公司，或者一款全捷伊产品。
时间序列的观念有三个关键点：“一是距今越近的时间点，越要重视”（图中的深浅度，越近期发生的事，越有可能再次发生）；二是要做“同比”（图中的尖头指示，指标往往存在某些周期性，须要在周期中的同一阶段进行对比，才有意义）；三是“异常值出现时，须要重视”（比如出现了历史最低值或历史最高值，建议在时间序列作图时，添加平均值线和平均值加减一倍或两倍标准差线，便于观察异常值）。
时间序列观念有一个子概念不得不提一下，就是“生命
队列分析观念
随着统计数据运算能力的提高，队列分析的方式逐渐展露头脚。英文名称为cohort analysis，说实话我不知道怎么表述这个概念，我的认知就是“按一定的规则，在时间颗粒度上将观察对象切片，组成一个观察样本，然后观察这个样本的某些指标随着时间的演进而产生的变化”。目前使用得最多的场景就是留存分析。
举个经常用的例子：假设5.17我们举办了一次促销活动，那么将这一天来的新用户作为一个观察样本，观察他们在5.18、5.19…之后每天的活跃情况。
队列分析中，指标其实就是时间序列，不同的是衡量样本。队列分析中的衡量样本是在时间颗粒上变化的，而时间序列的样本则相对固定。
循环／闭环观念
循环／闭环的概念可以引申到很多场景中，比如业务流程的闭环、用户生命周期闭环、产品功能使用闭环、市场推广策略闭环等等。许多时候你会觉得这是一个不落地的概念，因为提的人很多，干出事情来的例子很少。
但我觉得这种思考方式是非常必要的。业务流程的闭环是管理者比较容易定义出来的，列出公司所有业务环节，梳理出业务流程，然后定义各个环节之间相互影响的指标，跟踪这些指标的变化，能从全局上把握公司的运行状况。
比如，一家软件公司的典型业务流：推广行为（市场部）➡流量进入主站（市场＋产研）➡注册流程（产研）➡试用体验（产研＋销售）➡进入采购流程（销售部）➡交易并部署（售后＋产研）➡使用、续约、推荐（售后＋市场）➡推广行为，一个闭环下来，各个衔接环节的指标千万不要用一个漏斗来衡量一个循环”。
有了循环观念，你能比较快的建立有方法论关系的指标体系。
测试／对比观念
 fill=%23FFFFFF%3E%3Crect x=249 y=126 width=1 height=1%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E "干货丨数据驱动决策的13种思维，你知道几种？13")
AB test,大家肯定不陌生了。那么怎么细化一下这个概念？一是在条件允许的情况下，重大决策前尽量做对比测试；二是测试时，一定要注意参照组的选择，建议任何实验中，都要留有不进行任何变化的一组样本，作为最基本的参照。
指数化观念
指数化观念，是指将衡量一个问题的多个因素分别量化后，组合成一个综合指数（降维），来持续追踪的方式。把这个放在最后讨论，目的就是特别强调它的关键性。前文已经说过，许多管理者面临的问题是“统计数据太多，可用的太少”，这就须要“降维”了，即要把多个指标压缩为单个指标。
指数化的好处非常明显，“一是减少了指标，使得管理者精力更为集中；二是指数化的指标往往都提高了统计数据的效度和效度”；三是指数能长期使用且便于认知。
指数的设计是门大学问，这里简单提三个关键点：一是要遵循“独立和穷尽”的原则；二是要注意各指标的单位，尽量做“标准化”来消除单位的影响；三是权重和须要等于1。
独立穷尽原则，即你所定位的问题，在搜集衡量该问题的多个指标时，各个指标间尽量相互独立，同时能衡量该问题的指标尽量穷尽（收集全）。
举个例子：当初设计某公司销售部门的指标体系时，目的是衡量销售部的绩效，确定了核心指标是销售额后，我们将绩效拆分为订单数、客单价、线索转化率、成单周期、续约率5个相互独立的指标，且这5个指标涵盖了销售绩效的各个方面（穷尽）。我们设计的销售绩效综合指数＝0.4＊订单数＋0.2＊客单价＋0.2＊线索转化率＋0.1＊成单周期＋0.1＊续约率，各指标都采用max-min方法进行标准化。
通过这个例子，坚信各位就能认知指数化观念了。
今日互动
你想去却一直没有踏出第一步的“无人区”是哪里？
留言给我们，我们将送出《牧羊少年奇幻之旅》5本，12月13日公布获奖名单。
猜你喜欢：
启示丨老板们，你们能做的最好的事情就是别阻碍员工工作！
星河互联CEO傅淼：中国企业全球化关键在于如何把中国动能与全球资源有效结合
深思丨压死创业者的最后一根稻草不是钱，而是“情感成本”
