“在上一篇文章《数据分析必备十大思维（上）》中，我们总结了数据分析必备的前五大分析思维，今天这篇文章给大家带来后五大分析思维，和十大分析思维系列做个了断。”
01
—
分类思维
分类思维的关键点在于，分类后的事物，需要在核心关键指标上能拉开距离！也就是说分类后的结果，必须是显著的。大家平时耳熟能详的年终绩效评估、RFM用户分层模型等都是典型的分类思维的实际应用。
02
—
矩阵思维
波士顿矩阵其实就是通过决定产品结构的两个基本因素：销售增长率与市场占有率，将产品分成四种类型：
销售增长率和市场占有率“双高”的产品群（明星类产品）
销售增长率和市场占有率“双低”的产品群（瘦狗类产品）
销售增长率高、市场占有率低的产品群（问题类产品）
销售增长率低、市场占有率高的产品群（金牛类产品）
03
—
漏斗思维
除了常规的漏斗图，其实大名鼎鼎的AARRR海盗模型也是一种典型的漏斗分析模型，从开始的用户获取到最终的用户转化和推荐，通过提升每一个环节的转化率，从而最终达到用户爆发式增长的目的
04
—
细分思维
某运营人员通过公众号推送自家公司的活动宣传页面，某天通过统计数据发现：相比昨天，男性用户点击率升高，女性用户点击率也在升高，但是当统计总体点击率时发现却在下降，于是他感到非常困惑，百思不得其解……
一方面，两分组的录取率相差很大，法学院（9.2%）很低，而商学院（53.3%）很高，另一方面，两种性别的申请者分布比重却相反，女生偏爱申请商学院，相反男生偏爱申请法学院，故商学院女生申请比率（83.3%）远高于法学院女生比率（16.7%）。所以从结果上来说，录取率低的法学院，因为女生申请数少，所以不录取的女生相对很少；而录取率很高的商学院虽然录取了很多男生，但是申请者却不多。使得最后汇总的时候，女生在数量上反而占优势。
性别并非是录取率高低的唯一因素，甚至可能是毫无影响的，至于在法、商学院中出现的比率差可能是属于随机事件，又或者是其他因素作用，譬如学生入学成绩，使人误认为这是由性别差异而造成的。
那我们如何才能避免“辛普森悖论”呢？
05
—
费米思维
北京有多少个数据分析师？ 上海有多少辆特斯拉？
北京中关村地铁站卖煎饼果子大妈一个月收入多少？
像这种看似无厘头的问题，却经常在面试中被问到，如果我们之前没有听说过费米问题，第一反应一定是：“你疯了吧，你是在耍我吗？”
其实这类估算问题，被称为费米问题，是以科学家费米命名的。让我们来看一下费米是如何解决这类问题的。他曾在芝加哥大学课堂上凭空抛出的一个看似荒谬的问题：“芝加哥有多少个钢琴调音师？”
突然听到这个问题，课堂上学生都是一脸懵逼，费米随后提示，遇到这样看似庞大的问题，可以把这个大问题分解成便于操作和分析的一个个小问题，根据猜测和假设去大致估算问题。这也是费米问题思想的核心：逻辑拆解。
也就是说把一个庞大的、抽象的、复杂的问题，逐级拆解为微小的、具体的、简单的问题，然后再将这些小问题进一步拆解，由于上下级之间有严密的逻辑关系，那么当我们找到小问题答案后，逐步反推到大问题上，就可以得到最终的准确答案。下图就是费米基于逻辑拆解思想分析的过程
到此为止，我们数据分析十大思维系列就已经给大家介绍完了。需要说明的一点是，各种分析模型不分排名、不分孰好孰坏。我们一定要深入业务，根据不同的业务场景具体情况具体分析。大家一定要谨记一点，对于数据分析而言：技术决定下限，思维决定上限。思维决定了你的天花板高度！
今天的分享就到这里，大家如果有收获记得右下方点赞和在看哦！如果有任何问题，也可以在公众号发消息留言哦！
今天给大家推荐的一本书叫《这也能想到？巧妙解答无厘头问题》，主要是关于如何分析费米问题的，大家如果对费米问题感兴趣，可以深入研读这本书，非常有意思！如果想要获取电子版，欢迎关注公众号后台回复书名获取哦！
