数据收集与分析方法论
数据收集与分析的方法论以问题为起点:终点是行动被验证与修正;数据与材料只是中间证据。
1. 方法主线
这与通用方法论中的"目标 → 分析 → 表达 → 复盘"同构,只是把每一步落到了数据工作上。完整章节见数据收集与分析。
2. 各环节的方法
| 环节 | 要回答的问题 | 常用方法 | 产出 |
|---|---|---|---|
| 问题与研究设计 | 要回答什么、什么证据算数 | 5W2H、竞争性假设、抽样设计 | 研究方案、证据清单 |
| 采集 | 从哪里取、怎么取、偏差在哪 | 访谈、问卷、观察、实验、埋点、公开数据 | 采集记录与原始材料 |
| 处理与质量 | 材料是否可信、口径是否统一 | 清洗规则、指标定义、定性编码、质量校验 | 口径说明、编码表、质量报告 |
| 分析 | 结论是什么、是否站得住 | 描述、诊断、预测、因果;主题分析、案例对比;混合验证 | 结论、证据与置信度 |
| 表达与反馈 | 给谁看、怎么推动行动 | 结论前置的简报、研究报告、看板与阈值预警 | 行动建议与执行清单 |
| 行动与复盘 | 结果如何、假设是否成立 | 结果回收、复盘、口径复核 | 修正后的研究设计 |
3. 分析模型
- 5W2H:把模糊问题拆成可采集的要素;
- 假设驱动 / 竞争性假设:先列可能的解释,再用数据区分;
- 金字塔:结论先行,证据分层支撑;
- 指标树:从结果指标拆到可操作的驱动指标;
- STAR:复盘中理清情境、任务、行动与结果。
模型的价值是保证不漏关键问题,不替代判断与验证。
4. 证据与置信度
- 来源分级:一手系统数据优先,二手与外部数据用于佐证;
- 交叉验证:多源比对,口径与时间范围先对齐;
- 反例意识:主动寻找与结论相反的证据;
- 敏感性:换口径、换窗口,结论是否仍然成立;
- 表达边界:区分事实、推断与建议,写清适用范围。
5. 与其他方法论的关系
- 企业架构方法论:现状判断与架构效果验证依赖可信数据;
- 产品设计方法论:用户研究与上线验证是数据方法的两个常见入口;
- 项目管理方法论:目标量化与复盘需要统一口径;
- 全栈软件工程:埋点、数据平台与看板依靠工程能力落地。
6. 常见误区
- 没有问题就采集,数据越攒越多、结论越来越少;
- 口径不统一就做对比,结论无法复算;
- 把相关当因果,用增长证明动作有效;
- 只给结论不给证据与置信度,决策者无法判断;
- 报告发完即止,决策结果不回流,下一轮重复同样的错误。