工具都差不了太多，但思维的不同却可以决定个体差异。今天我们来探索数据分析的思维模式，如何培养数据分析的思维？之前我们有介绍过8种模型，今天挑几个出来，另外加新的几点，用案例帮助大家理解。
01. 结构化思维
结构化思维是十分重要，并且应用广泛的思维模式，不仅应用于数据分析，多数行业都会用到。这其实是一种分类汇总的思想，将看起来复杂凌乱的内容以某种结构呈现
比如生活中的收纳法：
鞋柜用来收纳鞋子，橱柜用来收纳厨具，将杂乱无章的东西规矩分类归纳，才能在用的时候方便找到。
这些用在数据分析中也一样，给数据表起名和赋予字段，给指标分层，如用户的姓名、性别、年龄这是用户基本信息数据，用户的关注率、点击率、浏览率，这是拉新阶段的数据信息。
我们再举例：
微信公众号随时可以产生数据，从拉新、促活、转化三个阶段分类，更加条理化和结构化。
02. 漏斗思维
漏斗思维是通过确定关键环节，完成一整套流程式分析的思路，在每个行业都有相应的应用，如注册转化率的分析、用户浏览路径的分析和流量监控等。
举例用户转化率的分析：
一个网页从展示到下单运用结构化思维分析下来实际有五个关键步骤：曝光、点击、浏览、咨询、下单。
该网站曝光给了100个用户，80个用户点进了网站，从曝光到点击这一步骤的转化率就为80%，有50人浏览了整个页面，点击到浏览的转化率为62.5%，有30人咨询了网页客服，那么浏览到咨询的转化率为60%，有10人最终完成了订单交易，那么咨询到下单的转化率为33.3%。
这样统计每一步的用户数，得到相应的转化率，按照用户数来画图，步骤越往下，用户数越少，形状像是一个漏斗，因此这个图又叫做漏斗图，这种分析方式称为漏斗分析。
03. 矩阵思维
矩阵思维是通过两组指标的交叉结合来分析问题的思维方法，应用到平时工作生活中：
按事情重要紧急程度划分的四象限，优先处理重要且紧急的事宜，其次处理紧急不重要的事宜，通常情况下重要不紧急的可能才是真正能提高技能的工作，而不紧急又不重要的可以暂缓去完成。
04. 相关性思维
相关性思维是通过分析几个指标之间相互关系的方法，得到相应的规律，为企业的决策做支撑。我们用啤酒和尿布的故事举例子说明：
20世纪90年代美国沃尔玛超市发现年轻的父亲在购买尿布的同时也会买啤酒，于是超市将啤酒和尿布两个看起来毫不相关的商品放在一起促销，结果反而提升了促销额，这个案例就是购物篮分析。
通过分析顾客购物篮中的商品之间的关联，挖掘顾客的消费习惯，从而为卖方的营销做决策支撑。
这就是相关性思维，在分析时，不仅要看单个指标的变化，还应关注两个甚至多个指标之间的相互关系，从而发现一些内在的规律。
05. 降维思维
数据量大且多是大数据时代一个典型的特征，如何通过大量繁复的数据得到一个问题的解答，就要用到降维的思维。降维将大量的数据拆解成各个维度，每个维度再赋予相应的权重，最后得到一个综合指数，将多个数据变成了一个指标。
我们还是用生活中状况举例，如何评价学生的综合能力从而确定优秀学生：
从语文成绩、数学成绩、英文成绩、体育成绩、思想政治成绩五个相互独立的指标来衡量，每个指标进行标准化，将所有的成绩指标都转换为0~100之间的数值，并确定每个指标的权重，最后得到学生综合能力的得分=语文成绩ｘ0.2+数学成绩ｘ0.3+英文成绩ｘ0.3+体育成绩ｘ0.1+思想政治成绩ｘ0.1。
降维思维的运用经常能在各个数据分析报告中看到：
如高德地图发布的2019年Q1中国主要城市交通分析报告中提到的一个”地面公交出行幸福指数”这样一个指标，融合了地面公交运行的多项指标，综合地描述地面公交的运行水平，该指数越高，说明公交运行水平越好。
