分析主题的定性与定量：设计分析主题中的重要一步，是要确定分析的目的是定性或是定量。如果是定性，通常只要考虑有关或无关，正面影响或负面影响。定量分析是很受业务方欢迎的，分析也更加复杂和困难，通常要通过机器学习模型解决。
发现分析主题的两个切入点：指标监控与业务问题。在《如何设定分析目标》一节讲过，数据部门更适合从指标监控中发现问题，业务部门更适合从业务中发现问题。但对于一个成熟的数据部门，把指标监控和业务监控深度结合，对于发现分析主题更有利。
数学建模：我对数学建模技术了解并不深。但是如果能把业务问题转化为一个数学模型，对于确定分析思路会很有帮助。
指标创新：指标其实是数据分析师分析业务问题的武器。因为无论你用什么分析方法，总要用到一些数据，而这些数据的计算方法、范围会很大程度上影响分析结果。且不说任何一个建模过程中的特征选择都非常重要，即使只是对业务的简单监控，一个好的指标往往能准确无误地反映出问题。对于互联网，PV、UV、时长、留存、点击率、退出率这些是大家很常用的。用来监控整体业务是没有问题的，但是对于某个小的业务板块就不太够了。比如，作为内容平台，我想衡量一次曝光的用户体验如何，应该用什么指标？有人会建议用点击率，但是点击率会受到标题党的影响，此时高的点击率并不代表好的用户体验。比较好的选择是把点击率、阅读时长、阅读进度等合成一个指标。
整体与个体：大处着眼，小处着手。无论是数据还是业务，都不是孤立存在的，系统性思维对于分析师非常重要。所以在看到一个小问题的时候，要知道它绝对不会影响这一小块业务；而看到大的目标出现问题的时候，要能意识到可能是一些小的业务环节出了岔子。在动手层面，对于数据分析来说，微观分析更容易获取实验数据，也更容易找到因果关系。所以要不断地对问题分解和细化。
分析维度的引入：在低维空间上解决不了，在高维空间上就不是个事（想到三体了吗）。比如SVM，低维空间上无法做到线性可分的数据样本，在高维空间上就可以。所以如果你在某个分析问题中费了牛劲也找不到答案，也许正是因为你忽略了某个重要的因素。当然也不是维度越多越好，因为维度越多，解释起来就越困难，不要忘了，结果是给人看的。
大胆假设，小心求证：试想求解一个方程式，我把某个解代入方程验证是否正确，要比我从空间中求解容易得多。同理，由于在现实世界中可能影响业务的因素太多，选择其中最有可能的因素去验证无疑是一条捷径。这个假设怎么去做？首先要对业务有足够的敏感度。