第1个回答 2022-06-28
创新思维结构思考工作效率
圈外同学
2020年02月28日
如何从数据中洞察问题本质，这3招教给你 | 圈圈干货分享
温馨提醒：正文共计4977字，预计阅读时间13分钟。
我在公考的行测（行政职业能力测试）里，无意中看到一道有趣的题，大意是：
美西作战期间，很多美国人因为怕死不愿意参军，于是美国军方发出了一个宣传海报说“美国海军的死亡率比纽约市民还要低”。
因为据统计，纽约市民的死亡率是每千人有16人（1.6%），而哪怕是战时，美国海军士兵的死亡率也不过每千人有9人（0.9%）。
如果你是参军的目标受众，看到这个数据的反应是什么？可能的反应：
1）原来战争的死亡率这么低，我应该要去参军；
2）一定是军方捏造数据，士兵死亡率怎么可能低于普通市民呢？
那么实际情况是什么呢？海军士兵都是健壮的青年，而纽约市民的死亡人群中大多是老弱病残，这两份数据是不能放一起比较的。
这是一个我们被数据“操控”的故事。
还有一个故事。
1948年辽沈战役，林彪带领东北野战军攻克锦州之后挥师北上，跟廖耀湘集团20多万在辽西相遇。
林彪有个习惯，每天让值班参谋汇报底下各个部队的数据。
某天汇报的时候，林彪发现：在胡家窝棚，缴获的短枪与长枪的比例、小车与大车的比例、俘虏和击毙的军官与士兵的比例，都比其它战斗略高。
由此林彪推出，敌军指挥所就在那里，最终成功活捉廖耀湘，取得了关键胜利，大大缩短了战争时间。
这是一个从数据中发现机会、从而改变历史的故事。
我的第一份工作就是数据分析，此后到了咨询公司，由于社交恐惧症，我跟客户打交道的能力非常差，后来是因为一次数据分析报告，让客户跟合伙人刮目相看，从而找到继续做咨询的自信。
所以我一直很想系统写写，关于数据思维。今天的文章，就把我对数据思维的经验和方法做个系统总结，从数据素养、数据表达，到如何从数据中看问题本质。
具备基本的数据素养
1）具备基本的统计学概念
先来说一下最基础的概念：平均值，中位数，百分位数，众数，离散程度，方差，标准差。这里不一一赘述，只简单说一下均值和中位数的差异。
均值：即平均数，优势是，均值跟所有数据都相关，劣势是容易受到极端值影响。
比如，你和你的3个好友，跟比尔盖茨组成一个团队，然后这个团队的人均身价是200亿美金，你会觉得自己是有钱人吗？
中位数：只跟排在中间的数据相关，优点是不受极端值影响，缺点是缺乏敏感性。
无论你们当中是比尔盖茨，还是无业的小明，中位数可能都差不多。
其他的概念，你可以自己回忆学习。
2）避免数据逻辑错误
常见数据逻辑谬误1：相关当因果
“有研究结果表明：颜值高的人收入也高。”
听到这个结论，你会不会觉得应该去整容？
但有可能是因为，颜值高的人相对比较自信，而自信的人容易在职场上获得成功，所以收入高。换言之，你可能不应该去整容，应该去提升自信心。
也有可能，是收入高的人有能力装扮自己，所以看起来颜值更高。所以说，上面这个表达，只是在说颜值和收入相关，但没有说两者是因果关系。
常见数据逻辑谬误2：感觉当事实
万科我们都知道，海天酱油你可能也吃过，你觉得这两家公司的市值，哪个比较高呢？
如果不是我刻意问，大部分人会认为万科要大得多，因为知名度更高，而且房子总比酱油贵吧？
但实际上两者是差不多的，都是3000亿左右。如果我再加上伊利股份呢？似乎，我们牛奶总比酱油喝得多吧？但还是海天味业市值更高，几乎是两倍（3000亿 VS.1800亿）。
常见数据逻辑谬误3：个体当整体
拼多多刚出来的时候，很多人看不明白，然后它在央视打广告说“3亿用户”，很多人都说“不可能，我朋友圈几千个好友，都没人用，3亿是假的”。
但问题是，我们的朋友圈，都是跟我们相似的人，这个抽样并不代表中国。所以后来王兴提到的数据“中国有本科学历的人只有4%”，才让很多人震撼。
数据沟通和表达：如何用数据讲故事
我曾经写过一篇文章，提到讲故事的重要性。
但故事不能只有框架，还得有内容和素材，如果你能够具备足够的数据素养，知道如何呈现数据，同时能够把数据表达出来，那么就能在故事当中融入足够有说服力的数据，故事自然变得很有说服力。
1）理解沟通目的和对象
如果你说服一个客户购买你的理财产品，你会怎么跟他说？
第一种：这个理财产品有10%的概率会亏。
第二种：这个理财产品有90%的概率能赚。
当然是后者，他听完大概率愿意买，但如果是前一种说法，他可能会很恐惧。
所以，当你在公司里面跟不同的对象沟通时，也应该呈现不一样的数据。
比如，高层可能关心公司整体营收、盈利等等相关数据，中层可能关心他们部门的KPI数据，而主管更关注某个活动、某个举措的成功失败情况。
2）选择合适的数据表达类型
我经常看同事给我的数据分析报告，发现大部分人都不知道如何呈现数据。
举个例子，你带领一个客服部门，团队前段时间走了两个人，于是工作量加大，电话根本接不过来，你想跟老板申请增加两个人，老板让你把每个月的工作量盘点一下，你怎么呈现这些数据？
无非是对比呼入量以及及时接听量，所以大部分人的呈现是这样的：
但是，一个更好的数据表达方式应该是这样的：
怎么样用更加合适的数据图表类型？
我在过去做数据分析和咨询顾问的时候，因为经常要做图表，曾经收集过很多很多图表类型，目测超过100个，但实际上最后盘点下来，这么多年，常用的不超过10个左右。适用范围如下：
散点图（适合相关）、折线图（适合趋势）、横的和竖的条形图（适合对比）、瀑布图（适合演变）
热力图（适合聚焦）、雷达图（适合多指标）、词云图（适合看分布）等等
当我们想好需要呈现的核心观点的时候，需要过一遍这些图，想想用哪个合适，而不是上来一张大饼。
3）符合数据可视化原则
数据的可视化也非常重要，因为如果没有可视化，就是一些数字罗列，那就跟文字信息没什么差异了。
数据可视化的几个原则：阅读门槛别太高，不要过多颜色，突出关键信息，文本与数据呼应。
接下来，我用一些前后示例图，来说明这些原则。
原则1：阅读门槛别太高
上面这张图，我相信你看起来也非常累。图是用来呈现数据核心观点的，不是为了把数据搞复杂的。
原则2：不要过多颜色
看到上面这样的图，注意力完全被颜色吸引了。
原则3：突出关键信息
如果有很多数据的情况下，可以突出最想突出的信息，可以像上图这样，标注颜色。
原则4：文本与数据呼应
上面这是一个相对复杂的数据图表，容易让人看不到重点，所以需要我们来解读，更好的呈现见下图。
这张图，关于各个产品的满意度情况，我们能够看到：x产品使用的人很少，而x产品满意的人最多，x产品不满的人最多。
这几点是关键信息，所以在图上用颜色标注，并且旁边的文字也涂上对应的颜色来进行解释。
总之，我们过去所说的表达，都在谈文字的表达，但在如今的数据时代，我们不仅仅要学会文字表达，还需要学会如何用数字表达。
数据分析形成洞见
当我们知道了数据的基本概念，以及能够用数据表达，这其实就已经具备了基本的数据思维。
但我们需要进阶的是，如何从数据当中形成洞见。就像前面讲的林彪的故事，如何从数据中发现致胜点。
通过数据分析形成洞见，只需要2个步骤：
1）找到关键数据指标
我们所做的每个任务、每份工作，都应该有数据指标来衡量。因为，一样东西，如果你不能衡量它，那么你就不能有效增长它。
比如你是HR，那么重要工作就是为公司储备和保留优秀人才，但如果你每次跟老板汇报工作，说的都是自己做了什么工作任务，比如今天组织了员工座谈、明天组织员工跑步，对方肯定是无感的。
你需要一些指标来衡量，比如关键人才的流失率是不是降低了，比如人才招聘的速度是不是加快了，比如人效是不是提升了，等等。
再比如，我们推出了新产品，卖给用户，你想知道用户反馈如何，这时候一些销售跟你说用户反馈很好，还给了你好评截图，但另一些销售说有用户吐槽产品设计不好看，这时候你听谁的？所以，关键是找到那些数据指标。
你可以想一下，自己的工作任务应该用哪些数据指标来衡量？只要找到这个，你才有数据分析的基础。
2）掌握足够的分析方法
有了数据指标之后，就可以进行分析了。这是我们得出洞见的最关键一步！
常见的分析方法有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。
我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。
01）分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。
02）矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。
03）漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。
04）相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。
05）逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。
06）趋势分析
比如人才流失率过去12个月的变化趋势。
07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。
这个过程能够帮助管理者更好地判断一个销售人员的心理节奏，从而更好地做管理。
这里留个思考题，如果你是销售，哪门应该如何用上述分析方法来看数据呢？
总结一下，想要拥有数据思维，能够从数据中洞穿问题本质，以及用数据来影响他人，最重要的是：
1、具备数据的基本素养，包括了解基本的统计学概念，和避免数据逻辑谬误；
2、善于用数据进行沟通和表达，包括理解沟通目的和对象、选择合适的数据表达类型、注意数据可视化；
3、能够从数据分析中找到洞见，包括找到关键数据指标、掌握足够的数据分析方法。