我相信不論是因為工作、實習或是學習的過程中，我們的思維模式都會不斷的變化，而實際中我認為需要具備的幾種思維模式為以下幾種:
1.分類思維(具有數據的情況下)
其實往往我們已經具備這一種思維模式，畢竟工作上我們會將客戶分群、產品歸類、市場分級，也會有所謂的績效評價...許多事情其實都需要具備分類思維。尤其是現在數據的發達與運用，對於較大的數據通常可通過機器學習算法來做分類(k-means or 隨機森林)，上面兩種都是分類常用的方法，但是有差別，差別就在於有沒有標籤，其實嚴格說起來，k-means屬於聚類的一種，簡單理解就是先將一群東西隨機分成幾堆，在開始找一群一群彼此間的關係，之後給予他們標籤，而隨機森林(決策數)就像是已經直接分類，屬於哪一群的就會直接被分配到哪裡去~(這邊對於非資工或是統計相關科系的可能就聽不懂了，所以我也不說下去)，但是這之後在工作中其實會滿常用到的。
*舉個例子：假設上圖反映了某個消費者分群的結果，橫軸代表購買頻率，縱軸代表客單價，那麼綠色的這群人，就是明顯的“人傻錢多”的“剁手金牌客戶”，也會是我們的目標族群。
2.矩陣化思惟(不須具有數據的情況下)
它不再局限於用量化指標來進行分類。我相信大多數的時候，我們沒有數據做為支持，畢竟不是每一間公司都具有雄厚的資本，可以買到或是獲得有用的數據，所以大多時候我們只能通過經驗，也就是把某些重要因素組合成矩陣，大致定義出好壞的方向，然後進行分析。這也是我在小米實習中所提到的“波士頓矩陣”，我認為之後出去工作會經常用到這一個模型，大家可以參考他原本模型的應用(百度案例)，我也是因為這一個模型所以常常可以說服公司同事，對於一些商品的在網頁上擺放的位子，畢竟網頁空間是有限的，所以必須把每一個空間發輝到最大化。
3.漏斗思維
我第一次接觸到這一個思維模式是在上電子商務的課程，而這種思維方式被普及應用在註冊轉化、購買流程、銷售管道、瀏覽路徑等，太多的分析場景中，能找到這種思維的影子(大家可以看看我去面試人人貸時候的文章，我在面試的時候被問了這一個問題，所以如果要面試類似的職位時，建議回答時可以展現自己這一方面的知識)，但往往這一些看上去越是普通越是容易理解的模型，它的應用卻要更加謹慎和小心(不懂不要裝懂，不然到時候會被同事或是面試官嘲笑)，在漏斗思維當中，最需要注意的就是漏斗的長度。
漏斗該從哪里開始到哪里結束？根據我自己的經驗還有看了一些案例，漏斗的環節最好不該超過5個，而且漏斗中各環節的百分比數值，量級不要超過100倍（漏斗第一環節如果是從100%開始，到最後一個環節的轉化率數值不要低於1%）。若超過了我們假設的這兩個數值標準，建議分為多個漏斗進行觀察。這兩個值都是經驗數值，僅僅給各位朋友們做個參考～
*而我會這樣說的理由是什麼，是因為超過5個環節，往往會出現多個重點環節，那麼在一個漏斗模型中分析多個重要問題容易產生混亂。數值量級差距過大，數值間波動相互關係很難被察覺，容易遺漏資訊。比如，漏斗前面環節從60%變到50%，讓你感覺是天大的事情，而漏斗最後環節0.1%的變動不能引起你的注意，可往往是漏斗最後這0.1％的變動非常致命。
