数据分析框架1.0 从黄金思维圈到万能三步走

有上过我SQL实战项目课程的同学会知道，这个项目很复杂，因为我在万能三步走的基础上，把分析逻辑拆成了两层：数据层和业务层。

虽然逻辑复杂了，但同学反馈很实用，甚至有同学在工作中反复回看说能一次次地解决ta问题。

今天，就给各位介绍这个落地的分析框架，我给它起名叫：勤思·平行分析框架。

为了能从0讲清楚，分成两篇内容，今天这篇是1.0版本

起点：黄金圈思维

核心：为什么，是什么，怎么办？

从面试痛点讲起

在求职写简历或面试的时候，如何讲述项目经历？要用「问题思维」，先讲工作中遇到什么问题，再讲你是如何思考如何分析，并解决问题，最终得到什么结果。

包括很多人推崇的「STAR框架」，也很适合用于项目经历的讲述：

• S ituation: 事情是在什么情况下发生
• T ask: 任务
• A ction: 针对这样的情况分析，你采用了什么行动方式
• R esult: 结果怎样，在这样的情况下你学习到了什么

有没有发现，这些优秀的解决方案都有一个共同点：就是它们的叙述逻辑都是从「为什么」出发的。

黄金圈思维：从为什么出发

其背后的底层逻辑就是黄金圈思维。

黄金圈思维是由 3 个同心圆组成，分为内圈、中圈和外圈。

• 内圈：为什么 Why（目标）
• 中圈：是什么 What（现状）
• 外圈：怎么做 How（行动）

备注：这是我修改后的版本，模型思维的核心在于「灵活」，让模型为我们所用，所以不必纠结原版到底是什么。

这种思考方式可以帮助我们更好地理解和解决问题，同时也能够更好地与他人沟通。

小案例：用黄金思维圈把用户分层讲清楚。

讲一个学校分班的例子。在没分班之前，假设所有班级的成绩平均分是80分，从表面上看，这个分数证明学生理解知识点是没问题的。

但事实上，这个分数是高成绩和低成绩的两拨人的差异被相互抵消的结果，也就是说如果老师按80分的标准讲课，那高成绩的那拨人觉得效率低，但低成绩那拨人又听不懂。

这就是问题所在，是学校分班这个场景下的痛点，对应着why

后来分班之后，高成绩人群所在的班级高于80分，低成绩人群班级平均低于80分，差异就被重新体现出来了。所以学生分班，以及用户分层的本质都是在去平均化，把人群之间的差异放大，才能给到不同的营销策略。

而学生分班的过程，是按成绩划分的，更专业地说，是按成绩这个指标做的人群聚类，在用户分层的过程中，我们可以用单一指标 比如用价位段来将人群划分成不同价格偏好的人人群，也可以用多指标做聚类，比如RFM模型就是一个多指标的人群聚类

所以小结一句，就是用户分层的本质就是在做 去平均化以及指标聚类

以上把用户分层的本质是什么讲出来了，对应着what

那说了这么多，用户分层该怎么做？需要两个要素：分层维度 和 分层标准

我们再看学校的分班操作，学生的成绩就是分班的维度，70分则是分班的标准，

在用户分层实战中，分层维度以及分层标准都很依赖业务经验，从众多指标中选择符合业务场景的指标，并应用分析方法计算阈值来划分人群

最后这部分就是用户分层怎么做，对应着how

如何把黄金圈思维转化为行动

要想把黄金圈转化为行动，实现更好地影响他人，关键不是告诉他人「是什么」或「怎么做」，而是给出「为什么」的理由。

启动黄金圈思维的关键，就是要找到「为什么」，也就是要找到深层的内在动机。

在《如何启动黄金圈思维》这本书中，作者介绍了找到「为什么」的 7 个步骤：

最关键的一步在于最后：用「一句话」讲清楚你的使命、项目遇到的问题等 。如果不能用一句话讲清楚，证明理解还不够深。

数据分析万能三步走

核心：明确问题-分析原因-落地建议

回到数据分析场景，基于黄金圈思维：

• 从为什么出发，对应着数据分析中，要把项目的背景、问题、目标等搞清楚 → 明确问题
• 开始分析问题，从数据看清楚业务现状，用合适的方法分析问题的原因 → 分析原因
• 分析过程本身意义不大，重要的是能产出结论，给出落地的策略 → 落地建议

考虑到最终我们要交付一份数据分析报告，所以我们需要在上述基础中，加上写报告的「总-分-总」逻辑，这样我们就得到了一个通用的数据分析框架1.0：数据分析「万能三步走」↓↓↓

在做数据分析时，需要有结构、有主线地进行，这样得出的结果才能找到依据。如上学时语文老师在作文课上经常强调的「总-分-总」行文结构，在数据分析里，同样也是在遵循这样的原则：

• 「总」 - 先进行全局的分析，对总体现状有认识
  • 这个阶段对应数据分析流程中的「明确问题」：通过对整体数据的分析，透视业务现状，并结合分析框架明确业务问题
• 「分」 - 基于数据全貌的观察，找到问题点进行针对性分析
  • 这个阶段对应数据分析流程中的「分析原因」：把复杂的业务问题通过多维度分析方法拆解成多个小问题，并选择合适的分析方法、分析模型逐一对问题进行分析
• 「总」 - 最后汇总并总结各部分的分析，并以业务目标为中心提建议
  • 这个阶段对应数据分析流程中的「落地建议」：分析得到的数据结论，需要结合业务场景，转成可落地执行的策略建议，帮助赋能业务增长

接下来，我们会在1.0的基础上，继续升级，得到2.0的分析框架。

愿无知者有力，愿有力者前行。
我是@饼干哥哥 ，持续为您打造数字化时代的分析能力。

• 我开发了数据分析学习网站：www.qschatdata.tech
• 同时运营公众号：饼干哥哥数据分析，关注回复资料，领取学习礼包。