逻辑思维方法，逻辑思维能力是人工作、学习中的一种比较重要的能力，如果逻辑清晰，思维能力比较强的话，那么可以快速消化各种知识，还能够在工作中对于各种难题应付自如，现在分享逻辑思维方法有哪些？
逻辑思维方法1
1、比较法
比较法即比较事物内部之间的共同点和差异点的思维模式。比较的方式有很多种，如从物质的外部面貌分类有数量、质量比较。从范围分类上又有结构、理论比较，等等。下面介绍三种主要的比较方法。
（1）横跨度比较法：即纵观事物在同一时期同一状态下的不同特点，进行比较对比的方法。可以是同性质事物之间的比较，如相同级别的中学之间评级；可以是不同种类事物之间按照某一参照物进行比较，如小学和中学每年开展活动的开支进行比较；可以是在一个事物内部，不同元素的比较，如一所高中学校的高三和高二年级进行男女生比例比较。
（2）纵跨度比较法：即纵观事物发展历史顺序，对应其不同特点进行比较。时间就是最好的标尺，不仅可以是不同时间的比较，还可以是同一时期不同阶段的比较。纵向比较法比较明显地揭示了事物发展的趋势，容易从其他的形态中区分出来。
（3）理想类型比较法：从具体独特的现象中抽取一些主要性质，舍弃其他性质而建立的典型或标本。
比较的过程就是理论实践的过程，验证假设的过程。如何进行正确的比较，就是要建立统一的标准。只有这样才能客观地认识事物。
在社会调查中，我们经常会用到比较法，它能帮助我们区分不同的对象，发现它们的变化和发展趋势。
2、分类法
分类法是指将类或组按照相互间的关系，组成系统化的结构，体现为许多类目按照一定的原则和关系组织起来的体系表，作为分类工作的依据和工具。
既然是科学的分类，我们就必须遵循严谨的规则：
第一，要纵观全局，针对事物整体定出一个分类的`标准。不能对子部分采取不同依据的分类。比如说，将中学生分为好学生和差学生，就是分类根据不同的大忌。
第二，分类时子项不能大于或者小于母项，而且子项的总和必须等于母项，如若不然就会犯下“子项过多”或者“子项不全”的错误。
举个例子，要是我们把直系亲属分为父母、配偶、兄弟姊妹和子女四项的话，就会闹出子项过多的笑话，原因是兄弟姊妹在正常的情况下不属于直系亲属的子项。
第三，对于不同细节的内容是互不相干的。细节的分类标准不能替代或是干扰主线的分类标准。比如，把学生分为女同学和男同学、班干部和小组长，就是犯了这样的错误。
第四，分类的标准应该是逐级把握的，不能跨级分类。如果跨级分类就会变得不伦不类。
上面的例子举得简单，假如放到其他的分类中，若不注意逐级分类，就会很容易造成分类的混乱。
简而言之，科学的分类必须按以上的逻辑规则进行。
3、分类与比较的关系
人类认识事物的第一步是把事物与其他事物之间不同点单独拿出来，把相同的进行归合统一，就可以区别其他的事物。所以比较就成了前提，而分类就成为比较的结果。
人类认识事物的第二步，就是要把新兴事物划分到一个类别之后。这个过程要经过全面系统并且深入的比较，才能分析出不同类别事物的本质和特点。这时比较就是分类的结果。
分类与比较之间，既有差异，又存在一定的因果关系。
逻辑思维方法2
1、说事实，而不是观点
第一个要训练的思维方式便是：只说事实，不说观点。
事实和观点这两个名词看起来区别很大。但实际上在生活中我们经常会将两者混淆。
比如说你的同事告诉你：最近的转化率大幅下降。这句话到底是事实还是观点呢？很显然这句话是观点。究竟下降多少算大幅下降？也许你认为的大幅下降在我看来变化并不大。
那么如果他说：转化率下降了。
这句话是事实还是观点呢？这句话看起来已经非常像事实了，但是实际上它依然属于观点。
有这样一种情况，转化率在短期内它看起来是下降的，但是你站在宏观的层面上，以月为单位甚至以年为单位，它是它是上涨的，那么你究竟说他是上涨还是下跌呢
那么什么是事实？
周一到周三的转化率持续下降，周三相比周一已经下跌了5％。
这句话就是事实，这句话不同的人都能理解，不会出现歧义。
只有分清楚观点和事实才有继续分析的可能性。因为观点的沟通会出现误差，而事实则不会。如果我们用观点进行沟通，自然会出现大量的误解。
2、用客观标准代替主观判断
但是单纯只有数据，对业务问题的分析没有什么帮助，毕竟我们得知道这个数据到底带来了哪些业务信息，所以最后事实还是要归纳成“观点”。
想要解读出观点，我们需要先找到一个标准。
标准怎么找？
可以是老板定的标准，看数据是否符合老板心中的标准。虽然这也是拍脑袋，不过老板毕竟是老板，他们心中有些战略构想是建立在某些条件满足的基础上的.。
可以看行业和竞品的平均标准，看数据下降是否是行业的普遍现象。
看企业过去的平均水平，可以在历史数据中找到类似场景下的数据情况，和自己的过去对比。
然后我们通过数据和这些标准进行对比，得出一个观点。
比如我们可以分析每周的情况，看历史上是否存在这一的趋势，平均下跌是多少？如果历史上每周三都会下跌，平均下跌7%，那么我们就可以认为目前数据比较正常，没有问题。
这样得出的结论全都是客观的，如果你不找标准，而用主观判断数据的好坏，那么不同部门的人会沟（shuai）通（guo）很久。
3、不预设立场
人们总是习惯于通过自己的现存经验和知识去判断未知事物，这种预设立场的思维在原始人的时代很有价值，其优势在于：不浪费宝贵的能量，快速决断，避免因为低效决断而错失机会
在数据分析的场景下，我们需要尽可能地找出真实原因。此时这种预设立场的决断方式会造成许多错误，因为现有经验和知识在应对未知事物时是不足的，是有偏差的。
如果出现了业务问题，关联的业务方往往预设一个立场：这事没有看起来那么糟，或者这事和我没关系。
比如转化率下降了，业务方的反应往往是这个数据下降肯定跟自己无关。
自己的运营活动明明做的很成功，转化率下降一定是行业因素、用户质量等等其他因素导致的。于是为了证明这个观点，他们顺着这个预设的前提，找到一些相关的证据来解释转化率下降的现实。
实际上，想要证明一个观点，只要你肯去找，不管观点多么荒谬，总能找到支持你的理由。不仅辛普森悖论这种统计学的把戏可以得出完全相反的结论，即使最简单的“真话不全说”的方法，也能达到这种目的。
比如，我说个比较荒诞的例子：比如中国男足，想要把男足描述成世界强队行不行？当然行。
1、哥斯达黎加是世界杯史上为数不多能够战胜中国队的国家
2、即使是巴西队这样的世界强队也仅战胜过中国队一次
3、自2002年韩日世界杯后，中国队在世界杯正赛上不败纪录已经延续12年
4、纵观漫长的世界杯史，中国队也仅输过三次
5、中国队从未在世界杯点球大战中失利过
6、中国队在领先的情况下从未丢过球
你看，只要你想证明一件事，总能找出一些证据。所以，预设立场再去找证据是一件相当不靠谱的事。
数据分析部门一般独立于业务部门之外，这样可以确保数据分析师没有业绩压力，分析具有独立性。因为数据分析的独立性，所以最终问题究竟是在产品上、运营上或者市场上，数据分析师不会有明显的偏向，只认客观数据。
但是假设验证和预设立场不同。
预设立场，是要找到证据来证明猜想，一个数据不行，那就换另一个数据。直到能证明这个观点为止。
而验证假设，则是事先规划验证这个假设需要的数据。如果数据最终不符合假设，那么就抛弃这个假设。
好的数据分析师，能够根据客观数据，随时抛弃旧的假设，并建立新的假设。
抛弃固有的思维定式，这是非常反人性的，这也是为什么说数据分析需要专业训练的原因。
