思维分析框架
数据分析最重要的并不是掌握前面基础的工具，相反，一个问题从什么角度出发是更加重要的。
这是众多咨询公司在面试时候扔出大量问题让你分析的原因，没有接受过案例面试训练的同学，很容易一上来就想当然地“列出”一系列的猜想：竞争者低价竞争，极端天气，消费者偏好变化等等。
而咨询强调的，则是系统性、框架性思考问题的方式。所以猜想并不是解决问题最好的切入口。
好在分析的方式都是有可以借鉴的框架的，我们仅仅需要在在严谨的框架之余，着重考虑行业的特性、公司的具体情况，形成自己的思路。然后在后面加入数据思维。
那常见的思维框架有哪些呢？我搜集资料列举几个：
麦肯锡式思维分析
最最常见的麦肯锡式分析思维，其基本思路如下：
提出假设—MECE原则（万能公式）—结构化分析—找出关键驱动因素—数据分析
金字塔原理有一个核心法则MECE，读作MeSee，全称Mutually Exclusive Collectively Exhaustive，中文意思是相互独立，完全穷尽。它指导我们如何搭建结构。
相互独立，说的是每个分论点彼此应该没有冲突和耦合，都属于独立的模块。完全穷尽，则是所有的分论点都被提出，不会有遗漏。这一点看上去容易，其实很难做到。
此外，还有各种各样的思考方式，SMART、5W2H、SWOT、4P理论、六顶思考帽等框架，不过这需要以后慢慢学习整理，此处随时更新。
数据分析框架
更重要的，我们数据分析需要具有基本的数据思维。
大多数刚刚接触数据的同学可能会考虑各种各种的数据来展现自己的维度广度，但对于数据分析来说，最根本的还是需要促进业务的发展，我们需要时刻记住：
- 一个业务没有指标，则不能增长和分析
- 好的指标应该是比率或比例
- 好的分析应该对比或关联
那要怎么才能具有初级的数据思维呢？
有自己的指标体系
如果我们不能统一业务的标准，就没有共同沟通的基础，也就没有业务发展的基础。在成为数据分析师之前，掌握常见的指标体系是基本的工作，那么互联网工作的指标有哪些呢？
首先可以参考我之前的博客数据的真实和谎言
其次，指标体系没有放之四海而皆准的模板，不同业务形态有不同的指标体系。移动APP和网站不一样，SaaS和电子商务不一样，低频消费和高频消费不一样。好比一款婚庆相关的APP，不需要考虑复购率指标；互联网金融，必须要风控指标；电子商务，卖家和买家的指标各不一样。
以电商网站的数据指标为例
那什么才是通用的数据指标呢？我们其实需要更多关注这几个方面，比如：
我们应该关注好指标，而非衡量指标
好指标应该是核心驱动指标。虽然指标很重要，但是有些指标需要更重要。就像销量和利润，用户数和活跃用户数，后者都比前者重要。
核心驱动指标和公司发展关联，是公司在一个阶段内的重点方向。记住是一个阶段，不同时期的核心驱动指标不一样。不同业务的核心驱动指标也不一样。
不同时期，我们关注的指标是不同的
互联网公司常见的核心指标是用户数和活跃率，用户数代表市场的体量和占有，活跃率代表产品的健康度，但这是发展阶段的核心指标。在产品1.0期间，我们应把注意力放到打磨产品上，在大推广前提高产品质量，这时留存率是一个核心指标。而在有一定用户基数的产品后期，商业化比活跃重要，我们会关注钱相关的指标，比如广告点击率、利润率等。
核心驱动指标一定能给公司和个人带来最大优势和利益，记得二八法则么？20%的指标一定能带来80%的效果，这20%的指标就是核心。
好的指标应该是比率或者比例
单纯的活跃用户数没有多大意义，所以运营和产品会更关注活跃率。这个指标就是一个比率，将活跃用户数除以总用户数所得。所以在设立指标时，我们都尽量想它能不能是比率。
虚荣指标是没有意义的指标，往往它会很好看，能够粉饰运营和产品的工作绩效，但我们要避免使用。
避免坏的数据指标
坏指标是后验性指标，它往往只能反应已经发生的事情
- 活动运营的ROI（投资回报率）也是后验性指标，一个活动付出成本后才能知道其收益。可是成本已经支出，活动的好与坏也注定了。活动周期长，还能有调整余地。活动短期的话，这指标只能用作复盘，但不能驱动业务。
坏指标是复杂性指标，它将数据分析陷于一堆指标造成的陷阱中
- 每个产品都有适合它的几个指标，不要一股脑的装一堆指标上去，当你准备了二三十个指标用于分析，会发现无从下手。
维度分析法
维度和数据模型
数据分析大体可以分三类，第一类是利用维度分析数据，第二类是使用统计学知识如数据分布假设检验，最后一类是使用机器学习。我们先了解一下维度分析法。
维度是描述对象的参数，在具体分析中，我们可以把它认为是分析事物的角度。销量是一种角度、活跃率是一种角度，时间也是一种角度，所以它们都能算维度。
当我们有了维度后，就能够通过不同的维度组合，形成数据模型。数据模型不是一个高深的概念，它就是一个数据立方体。
数据模型有几种常见的技巧、叫做钻取、上卷、切片。
选取就是将维度继续细分。比如浙江省细分成杭州市、温州市、宁波市等，2010年一季度变成1月、2月、3月。
上卷则是钻取的相反概念，将维度聚合，比如浙江、上海、江苏聚合成浙江沪维度。
切片是选中特定的维度，比如只选上海维度、或者只选2010年一季度维度。因为数据立方体是多维的，但我们观察和比较数据只能在二维、即表格中进行。
指标和维度
我们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。
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。通俗理解：维度>指标。
当然，这里我想强调，数据分析并不是一个结果，只是过程。还记得“如果你不能衡量它，那么你就不能有效增长它”这句话吗？数据分析的最终目的就是增长业务。如果数据分析需要绩效指标，一定不会是分析的对错，而是最终数据提升的结果。