数据分析即未来-技术圈

导读：今天分享一篇我的读书笔记，其中包括我的一些个人思考，文章内容比较长，推荐对数据分析感兴趣的朋友认真阅读，因为认真阅读才会更有收获。

作者 / 来源：林骥（ID：linjiwx）

00 前言

《数据分析即未来》这本书的作者格雷戈里·纳尔逊，是美国 ThotWave 的创始人和 CEO，国际分析研究所的专家，他在数据科学、知识管理和商业分析方面有着丰富的经验和深入的研究，发表了 200 多篇论文和出版物。

这本书出版于 2020 年 6 月，主要围绕数据分析的流程，讲述了企业全生命周期的数据分析应用之道和管理指南。

数据分析的核心工作，是把数据变成有价值信息的过程，从简单的统计报表和数据探索，知道数据指标和关键因素「是什么」，到具体原因的分析，知道数据背后的原因是「为什么」，再到预警、预测和优化的分析，知道下一步应该「怎么办」，从而能够主动做出更加科学的决策。

要成为一名高水平的数据分析师，需要同时具备「懂业务、懂数据、懂分析」三个条件，既要有扎实的数学、统计学、数据分析等基础能力，又要熟悉业务场景和流程，还要有很强的实践能力、创新能力、沟通表达能力和团队合作意识。

业界经验显示，培养一个高水平的数据分析师，平均需要 9 年以上的数据分析实践经验，并且要持续学习新的专业技能和业务相关知识，才能应对快速变化的业务环境。

在大数据时代，数据分析不仅对企业至关重要，对个人也非常重要。我认为每个人无论从事什么职业，都应该具备一些数据分析能力，因为数据分析能够帮助个人获得更快的成长。

比如，我制作的「数据赋能系统」，其实也是数据分析的一种应用，运用数据分析的思维和工具，帮助自己和他人掌控时间、情绪和习惯，从而加速个人的成长。

作为数据分析部门的管理者，对于如何培养和留住优秀的数据分析人才，一直是我比较头疼的问题。我鼓励数据分析师「贴近业务、靠近数据、彼此接近」，帮助他们获得成长，发挥自己的潜能，努力满足业务的需求，解决业务的痛点和难点问题，为业务创造更大的价值。

想方设法让数据分析嵌入到业务流程中去，避免业务部门与数据分析团队之间互相埋怨，产生隔阂，这样才能让数据分析发挥出更大的价值。

我们身处一个数据非常丰富的时代，但真正对自己有效的信息其实是比较匮乏的，因为数据的噪音太多。所以，需要建立一套比较规范的数据收集、数据可视化、数据分析、数据应用的管理流程，有效地通过数据做出科学的决策。

过去，人们对数据分析的理解和应用，往往停留在一些方法论和技术工具的操作层面，比如 Excel、SQL、Python 等技术的具体实现方法。然而，很少有人涉及分析思维模型的开发和应用。

未来，我预计会有越来越多的人认识到数据的价值，看到数据分析的光明前景。希望有越来越多的人能够用数据分析的思维模型来武装自己的大脑，从而做出更加明智的决策。

01 分析概览

数据是真实世界中所发生事情的记录或「模型」，它几乎无处不在，从使用手机，到健康记录，再到购物历史，我们很难想象，一个没有数据的生活将会变成什么样？

我们不仅是数据的制造者，也是数据的消费者。

比如，我记录自己的时间、情绪和习惯，就生成了相应的数据，然后就可以对这些数据进行分析，找到数据背后隐藏的信息，从而做出更好的决策，完成一个从制作数据到消费数据的闭环。

数据分析是用知识创造价值的过程，从分析概念，到分析实践，再到分析成果，数据分析的真正作用是形成可行动的洞察力，从而帮助我们做出科学的决策。

数据分析的目的是为了洞察过去的规律，运用数据分析的思维，结合对业务的理解，通过数据分析的方法和机器学习的算法，预测未来的趋势，从而帮助我们做出正确的决策，采取适当的行动。

02 分析人才

数据分析是一个从是什么，到为什么，再到怎么做的过程，需要不断学习，形成 PDCA 循环，从而优化决策的过程。

数据分析的技能非常庞杂，没有任何人能精通一切分析技能，但人人都可以学习一些简单实用的分析技能，将数据转化为有用的能力，帮助自己做出更好的决策。

衡量数据分析人才，主要包括 4 项能力：技术（如Excel、SQL、Python等）、业务（运营、流程、专业等）、方法（统计、A/B测试、质量提升等）、软技能（沟通表达、分析思维、写作、管理等），其中非技术方面的能力更重要，特别是解决实际问题的能力。

人都是不完美的，研究表明，记忆常常不能真实反映现实，所以及时记录真实的数据，这对于后续的分析非常重要。

一个优秀的分析人才，需要通过不断学习实践系统性思维和批评性思维，养成质疑、勤练、反思的习惯。

03 组织背景

数据分析的目标就像一个灯塔，指引着前进的方向。分析在组织中的作用通常包括：满足领导者的信息需求，通过分析获得竞争优势，利用数据支持决策。

愿景像蓝图，知道未来的样子。战略是行动方案，需要做出权衡，知道将做什么和不做什么。

在数据分析领域，常见的组织架构包括：集中式、分散式、卓越中心式等，不同的组织架构有不同的优点和缺点，但无论如何，分析师都必须与各部门保持深入的联系，以便充分了解他们的需求。

▲集中式

▲分散式

▲卓越中心式

很多公司采用卓越中心式的组织架构，把集中式与分散式相结合，总部构建一个集中的分析职能，拥有全局视角看问题的能力，负责培训、知识管理、流程制定等工作，而其他分析师分布在各业务部门。

多花点时间与业务部门在一起，这是非常有必要的。大约花 20% 的时间和业务部门在一起，以便更加熟悉业务的背景等情况，让自己和做出来的数据分析成果更接地气，更有价值。

04 数据战略

无论是解决问题、做出决策，还是抓住机会、抵御风险，都需要基于事实、依赖数据，并以此分析研究可行的方案。

数据战略作为指导方针，告诉我们应该如何收集、管理、使用、治理哪些数据，需要与业务目标紧密联系。

战略目标是未来 5 年的行动方向，一定要非常清晰，明确范围的边界，发挥独特的优势。

对于数据分析师来说，优势包括分析的复杂度、广度、深度和速度，等等。

实施数据战略包括 6 个阶段：①规划战略、②创建路线图、③协调组织、④执行计划、⑤监控学习、⑥测试适应。

我们可以从重要性、紧迫性、复杂度（深度）、应用范围（宽度）的维度，来综合评估数据分析的成熟度。

一个成熟的分析平台和架构，通常能够权衡任务的重要性和紧迫性，在适当的范围内，处理一些比较复杂的问题，提供一致的、可靠的和有价值的数据流。

正如 Michael Li 所说：复用性、一致性和可生产性，使得数据科学家专注于数据科学本身。

05 生命周期

分析生命周期包括 6 个环节：①定义问题、②识别问题、③探索问题、④分析问题、⑤成果展示、⑥项目实施。

我们关注的重点，通常是解决问题的速度和可解释的价值。

分析的实践领域有很多，包括分析模型开发和成果应用，比如：使用包括数据可视化、描述性和推断性统计分析以及高级分析等技术，通过用数据讲故事的方法，解决现有的问题或预测未来，以及将分析成果应用到业务处理流程中去。

按照投入时间的多少，可以把分析需求分成 4 个类别：

简单的临时需求：数小时
复杂的临时需求：数小时到数天
特殊项目：数周
数据分析产品：数月

数据分析技术的发展日新月异，但是工具层面的应用很容易过时，因此，我认为应该重点培养数据分析的思维、管理和培训能力。

06 问题理解

千万不要提出错误的问题，也不要一开始就进入问题的细枝末节，而要先把问题本身搞清楚。如果你能正确地定义和陈述问题，那么就已经解决了问题的一半。

抓住问题本质的方法：问题是什么？它会影响谁？影响是什么？成功的标准是什么？成功需要满足什么条件？需要哪些依赖关系？有哪些必须遵守的约束条件？

比如，问题是销售目标没有完成，可能会影响公司的每个人，导致奖金减少、甚至裁员等，成功的标准是在解决方案实施后的某个时间之内完成销售目标。

要想获得成功的解决方案，需要先找到问题的根本原因，比如用鱼骨图、树形图等分析工具促进深度思考，先发散，后收敛，帮助我们创造性地解决问题。

07 数据探查

真正的发现之旅，不在于寻找新的陆地，而在于用新的眼光去观察。

在问题理解阶段，先初步探索数据，以便确定问题的大小，支持原因的分析，检验相关的假设，确定方案的价值等。

不要在还没有搞清楚问题之前，就一顿操作猛如虎，那样很有可能是在浪费时间。

通过对问题进行聚焦，收集大约 70% 左右的必要数据，就可以快速决断，避免瞻前顾后。因为如果等着 100% 的数据，那么很有可能贻误战机，失去敏捷性。哪怕是错误的决定，也比没有决定要好得多，因为行动是可以随时调整的。

只有那些有时间深入思考，并且充分全面地探索和分析数据的分析师才能持续取得成功。

把所发生的事情记录下来，这是科学界长久以来的传统，就像早期探险家和太空旅行者记录日志一样，我们也需要记录自己的分析日志。

利用「数据赋能系统」，我把工作和生活中发生的事件和情绪都记录了下来，我认为这个习惯值得长期保持下去。

08 模型开发

虽然我个人比较喜欢分析模型开发，但我也时常提醒自己，不要沉迷于技术，而应将关注点放在如何更好地理解和解决问题上面。

分析的方法和模型太多了，而且还在不断推陈出新，数据挖掘、机器学习、人工智能、运筹学、时间序列分析、文本分析、语音和图像识别等，每个分支可能都有几十上百本书，一个人一辈子恐怕也学不完。

记住：千万不要本末倒置，陷入到分析方法、模型或工具的战术细节，而忘了分析的目标和解决问题的本质。

除了目标思维，对比、细分和溯源也是我们数据分析中常用的思维。比如，我们经常按时间、地点、人物、产品、渠道、价格、促销等维度进行细分和对比，通过追根溯源、A/B 测试、假设检验、相关性统计检验等方法，找到问题的根本原因和关键因素，对未来的趋势进行适当的预测。

下面这个表格总结了分析模型开发的一些实践领域和关键技能，在一段时间内，可以专注某一个细分领域，重点学习和实践相关知识，逐渐提升自己的专业能力。

09 成果应用

在得出分析结果之后，开始用数据讲一个令人信服的故事，最终还要有付诸行动的计划，而不能仅仅停留在纸面上。

变革从来都不是一件容易的事，不要以为人们会自然而然地接受分析的结果，尤其是当分析结果违背人们的自觉，或者要求人们改变行为习惯的时候。

帮助人们为变革做好思想准备，了解变革的逻辑思维和知识，使用能够提升技能的工具，并把知识和工具应用到工作流程和行为习惯中去，这样才能让分析成果发挥出更大的价值。

10 产品管理

解决客户的实际问题，这是一个数据分析产品成功与否的关键。

分析产品管理，是关于业务、分析和产品思维三者交叉点的管理。

构建一个最小可行性产品，删除任何没有直接贡献的功能，尽快开始测试产品的功效，收集和分析相关的反馈数据，实现快速更新，不断优化迭代。

我制作的「数据赋能系统」也属于一个最小可行性产品，先用 Excel 实现最基础的功能，再不断进行更新和优化迭代，提高时间管理的效率和数据分析的效果。

11 付诸行动

分析是一种有效改变行为和抓住机会的策略，能够影响我们工作的方式、做出的决定和取得的成果，把数据驱动的洞察力转化为变革的动力。

比如，现代运动员大多数都会基于自己的历史数据，利用数据分析的方法，有针对性提升自己某方面的运动能力。

我考虑建立一种优秀员工的模型，用来发现、挖掘、识别、培训、培养、任用、提拔有潜力的优秀员工，看到他们身上的特点和规律，让他们有动力和能力去发挥自己的潜能，通过做正确的事，扬长避短，从而取得更好的成果，创造更大的价值。

在效率与效果之间取得平衡，用正确的方式，做正确的事。相对而言，效果更重要，千万不要高效率地做错误的事。所以，在做事之前，先明确目标和方向，这一点尤为重要。

高效能人士做事的效率通常都比较高，但反之则不成立，有很多人做事的效率很高，然而并没有做出有效的成果。

把分析付诸行动，这是一个巨大的挑战，因为在知道与做到之间存在巨大的鸿沟，需要不断去尝试克服很多障碍，但是一旦真正做到了，那么行动也将带来巨大的收益。

12 胜任能力

胜任数据分析的核心能力，包括高效完成分析工作所需要的知识、技能、能力和性格等，能够将数据转化为可执行的业务干预措施，让业务变得更好。

要掌握数据分析的知识和技能，需要持续不断地学习，否则将难以胜任其工作，因为技术发展和社会环境的变化都是非常快的。

传统的分析技能更多是分析工具的应用，比如 Excel、SQL、SAS 等，而现代要胜任数据分析工作，不仅要懂业务，而且要有数据分析的思维，还有新的分析工具不断出现，比如 Python、BI 软件等。

13 未来趋势

我非常看好数据分析的未来，因为数据分析能满足人们追根溯源的好奇心，能解决现实中的很多难题，能促进个人的成长，能提升企业的业绩，能增强国家的竞争力，能让世界变得更美好……

对企业而言，数据分析可能会涉及到企业经营的很多方面，包括战略、数据、技术、流程、人员，等等。随着技术的进步，数据分析的难度将会不断降低。

我们每个人都可以从简单的数据记录开始，经过日积月累，形成自己的个人大数据。

如果你能从个人大数据中挖掘出一些有用的信息，形成一套有效的个人成长体系，那么将能成为一个更有智慧的人，一个洞察先机的人，一个能用数据为自己赋能的人。

有研究表明，未来 10 年，人工智能预计将取代目前 50% 的工作，但那些拥有解决问题的能力、并善于换位思考的数据达人将会脱颖而出。

最后的话

以上，就是我读完《数据分析即未来》之后，写的一些读书笔记和个人思考。

这本书介绍了数据分析的全生命周期和应用流程，是一本侧重于介绍「为什么」和「是什么」的参考书，而不是一本介绍「如何做」的工具书，比较适合领导者、决策者、分析团队和有抱负的数据倡导者，比如首席数据官、数据科学家、数据分析师、量化专家、产品经理、项目经理、团队负责人等。

每个人都是自己人生的 CEO，要想经营好自己的人生，就需要掌握一些基本的数据分析思维。

如果一个人能够学会应用数据分析的技能，主动适应新的环境，从长远的目标来考虑问题，并且对自己的选择负责，做出更加明智的决策，那么未来将会成为一个更靠谱的人。

延伸阅读👇