数据分析常用的五种思维方式
首先，我们要知道，什么叫数据分析。其实从数据到信息的这个过程，就是数据分析。数据本身并没有什么价值，有价值的是我们从数据中提取出来的信息。
然而，我们还要搞清楚数据分析的目的是什么？
目的是解决我们现实中的某个问题或者满足现实中的某个需求。
那么，在这个从数据到信息的过程中，肯定是有一些固定的思路，或者称之为思维方式。下面零一给你一一介绍。（本文用到的指标和维度是同一个意思）
第一大思维【对照】
【对照】俗称对比，单独看一个数据是不会有感觉的，必需跟另一个数据做对比才会有感觉。比如下面的图a和图b。
图a毫无感觉
图b经过跟昨天的成交量对比，就会发现，今天跟昨天实则差了一大截。
这是最基本的思路，也是最重要的思路。在现实中的应用非常广，比如选款测款丶监控店铺数据等，这些过程就是在做【对照】，分析人员拿到数据后，如果数据是独立的，无法进行对比的话，就无法判断，等于无法从数据中读取有用的信息。
第二大思维【拆分】
分析这个词从字面上来理解，就是拆分和解析。因此可见，拆分在数据分析中的重要性。在论坛上面也随处可见“拆分”一词，很多作者都会用这样的口吻：经过拆分后，我们就清晰了……。不过，我相信有很多朋友并没有弄清楚，拆分是怎么用的。
我们回到第一个思维【对比】上面来，当某个维度可以对比的时候，我们选择对比。再对比后发现问题需要找出原因的时候？或者根本就没有得对比。这个时候，【拆分】就闪亮登场了。
大家看下面一个场景。
运营小美，经过对比店铺的数据，发现今天的销售额只有昨天的50%，这个时候，我们再怎么对比销售额这个维度，已经没有意义了。这时需要对销售额这个维度做分解，拆分指标。
销售额=成交用户数*客单价，成交用户数又等于访客数*转化率。
详见图c和图d
图c是一个指标公式的拆解
图b是对流量的组成成分做的简单分解（还可以分很细很全）
拆分后的结果，相对于拆分前会清晰许多，便于分析，找细节。可见，拆分是分析人员必备的思维之一。
第三大思维【降维】
是否有面对一大堆维度的数据却束手无策的经历？当数据维度太多的时候，我们不可能每个维度都拿来分析，有一些有关联的指标，是可以从中筛选出代表的维度即可。如下表
这么多的维度，其实不必每个都分析。我们知道成交用户数/访客数=转化率，当存在这种维度，是可以通过其他两个维度通过计算转化出来的时候，我们就可以【降维】.
成交用户数丶访客数和转化率，只要三选二即可。另外，成交用户数*客单价=销售额，这三个也可以三择二。
另外，我们一般只关心对我们有用的数据，当有某些维度的数据跟我们的分析无关时，我们就可以筛选掉，达到【降维】的目的。
第四大思维【增维】
增维和降维是对应的，有降必有增。当我们当前的维度不能很好地解释我们的问题时，我们就需要对数据做一个运算，增加多一个指标。请看下图。
【增维】和【降维】是必需对数据的意义有充分的了解后，为了方便我们进行分析，有目的的对数据进行转换运算。
第五大思维【假说】
当我们拿不准未来的时候，或者说是迷茫的时候。我们可以应用【假说】，假说是统计学的专业名词吧，俗称假设。当我们不知道结果，或者有几种选择的时候，那么我们就召唤【假说】，我们先假设有了结果，然后运用逆向思维。
从结果到原因，要有怎么样的因，才能产生这种结果。这有点寻根的味道。那么，我们可以知道，现在满足了多少因，还需要多少因。如果是多选的情况下，我们就可以通过这种方法来找到最佳路径（决策）
当然，【假说】的威力不仅仅如此。【假说】可是一匹天马（行空），除了结果可以假设，过程也是可以被假设的。
我们回到数据分析的目的，我们就会知道只有明确了问题和需求，我们才能选择分析的方法。
顺带给大家讲讲三大数据类型。这个属于偷换概念，其实就是时间序列的细分，不是真正意义上的数据类型，但这个却是在处理店铺数据时经常会碰到的事情。数据放在坐标轴上面分【过去】丶【现在】和【未来】
第一大数据类型【过去】
【过去】的数据指历史数据，已经发生过的数据。
作用：用于总结丶对照和提炼知识
如：历史店铺运营数据，退款数据，订单数据
第二大数据类型【现在】
【现在】的概念比较模糊，当天，当月，今年这些都可以是现在的数据，看我们的时间单位而定。如果我们是以天作为单位，那么，今天的数据，就是现在的数据。现在的数据和过去的数据做比较，才可以知道现在自己是在哪个位置，单有现在的数据，是没什么用处的。
作用：用于了解现况，发现问题
如：当天的店铺数据
第三大数据类型【未来】
【未来】的数据指未发生的数据，通过预测得到。比如我们做得规划，预算等，这些就是在时间点上还没有到，但是却已经有了数据。这个数据是作为参考的数据，预测没有100%，总是有点儿出入的。
作用：用于预测
如：店铺规划，销售计划
三种数据是单向流动的，未来终究会变成现在，直到变成过去。
他人我不知道，但我自己非常喜欢把数据往坐标轴上面放，按时间段划分，每个数据的作用就非常清晰。