个人认为，数据分析并非只是简单的数据分析工具三板斧——Excel、SQL、Python，更重要的是数据分析思维。没有数据分析思维和业务知识，就算拿到一堆数据，也不知道如何下手。
推荐书本《数据分析思维——分析方法和业务知识》，本文内容就是提取这本书的主体思维，以提高自身的数据分析素养。
先来点鸡汤：学会把书读薄，就要学会总结，撰写学习博客的过程就是加深印象的过程，也是持续提高自身素质的有效方法。冲冲冲！
此前篇章：
数据分析思维（二）：分析方法——5W2H分析方法、逻辑树分析方法、行业分析方法
多维度拆解分析方法
1.1 什么是多维度拆解分析方法
理解两个关键词：维度、拆解
什么是维度？老妈从不同角度看待一个优秀男生（比如个子高、家境好、长的帅），这里的角度就是维度。
什么是拆解？拆解其实就是做加法。优秀A = 维度1 + 维度2+ 维度3 + ...
1.2 多维度拆解分析方法有什么用
举个例子：假如你医院看病，不知道选择哪家医院好
假设医院最近收治1000人，A医院有900例患者存活，而B医院只有800例，所以A医院存活率更高，所以你选择A医院。但是选择真的正确吗？
我们使用多维度拆解分析方法看看：
上述存活率是整体的，我们将患者人数拆分为轻症患者、重症患者两个组。
假设1000例患者中，A医院重症患者有100，其中20例存活；B医院重症患者有400，其中200例存活。因此对于重症患者，去B医院更好，重症存活率更高。
用同样分析方法，对于轻症患者，去A医院更好。
因此，通过多维度拆解数据，我们可能会得出一些与开始截然相反的结论（辛普森悖论）。如果只看整体，我们可能忽略了“数据内部各部分构成的差异”，从而产生一些业务上的问题。对于某一结论，需要从多维度去观察数据、验证数据。
1.3 如何使用多维度拆解分析方法
问题是从哪些维度去拆解？
（1）从指标构成来拆解
例如，某次活动结束后，销售额没达成，原因是什么呢？
从指标定义来拆解，销售额 = 新用户销售额 + 老用户销售额，而
老用户销售额 = 新用户数 * 转化率 * 新用户客单价，
老用户销售额 = 新用户数 * 复购率 * 老用户客单价。
拆解完后，我们从上面维度逐一排查原因，看看是哪部分出了问题。
（2）按业务流程来拆解
假如推广某产品，我们想要了解推广效果。假如指标是新增用户数，先按照指标构成来拆解，
我们以渠道来举例，渠道又可以分为渠道A、渠道B、渠道C。假如按渠道划分，A、B、C新增用户数如下：
渠道A新增用户数最多，但是并不是最好的。为什么这么说呢？接下来就是“按业务流程来拆解”这一内容了。
渠道的业务流程为：1看到渠道的广告 → 2进店 → 3选择商品 → 4购买
我们最终目的是为了提高店铺的销量，但是A新增用户数虽多，但是不是每一个用户都愿意购买。从上图看，最终愿意购买的用户数最多还是B，即便A的新增用户数最多。A的效果虽然好，但是就最终目的而言，渠道B的推广效果质量更高。
再举个例子：App新用户留存问题
假如业务流程为：
分析维度：
- 新用户可以分为哪几类？
- 在首页，新用户想要看到什么内容？
- 推荐的内容是用户想看的吗？
1.4 主要事项
我们进行多维度拆解分析后，得出了与一开始按照整体分析刚好相反的结论，但这并不是错误的。这就是辛普森悖论。它提供了我们对问题分析的另一个视角，供我们参考。
小结
# 文章仅供个人学习。后续还会继续更新。冲！