浅谈数据分析思维

笔名：戏说猫狗

全文共2331字，阅读需要6分钟

我之前有写过数据分析系列《数据分析从简入手，一招让你更专业》（点击可跳转入门篇），是以案例入手讲数据分析入门的。但这次我不讲如何进行数据分析，而是来浅谈一下数据分析的思维和现状。因为数据驱动产品一定少不了数据分析这个话题，我尽量以最简单通俗的语言来聊一聊。

——BEGIN——

数据分析是个什么东西？我们把这个名词分解来看：数据和分析。这里面最主要的不是数据处理技术和分析的方法论，而是思维和角度。方法论是千篇一律的，思维却是独特的，这才是最重要的。

一、思维

数据分析技能大同小异，而思维决定高度。因为技能是可以复制的，是辅助思维实现的。我认为数据分析包括数据运营为了推动业务增长或其他分析目的需要的可能是去发现挖掘更多与结果相关的新维度，而不止是利用已有固化的数据集或维度去分析。

这个新维度的发现和传统意义上的数据挖掘并不尽相同，传统数据挖掘一般指的是挖掘信息之间的联系，也就是说有了既定的维度，去挖掘各个维度之间的联系。而我们的挖掘是为了发现可以促进或达成分析目标的拓展维度即新方向。

可能上面说的比较抽象，有人问了：“数据分析的过程会先根据分析目标来确定数据维度，这不就是发掘维度的过程吗？”。大多数据分析前的数据需求都有些局限，局限在数据仓库，局限在公司数据的丰富度，局限在自己的温床。很多人觉得站在项目或公司的角度分析只需要获取涉及到的范围内已有数据就可以了（个人局限或公司局限），数据分析只是去对已有数据的加工处理到产出结果，成为了一个数据后加工过程。举个简单的栗子，如果分析一个人的信用情况，可能优先考虑他还款能力涉及到的相关数据（如：资产情况、还款记录等，像央行的征信报告会涉及一百多个维度），那是不是他骑共享单车的某些行为也可以作为信用的依据呢？那么骑共享单车的多种行为就是我们发现的新维度，表面看似没有关联，但却是存在内在联系。那么又引出来一个问题，新维度是有了，由于公司数据丰富度的局限性并没有相关数据，那数据哪里来？这个等到下面再说。

我想说明的是，很多人挖空心思分析已有固化的死数据，就像财报分析或经济数据分析报告一样，对死数据全方位多角度的分析。为何不把死数据变活？死数据只能分析出问题原因，而活数据才能更好地分析业务增长。

大数据分析可以简单的概括为两个层面：①丰富的数据集使分析的道路走得通；②大量的数据让结果更精准。从这个角度来说，挖掘新维度是在扩充数据的丰富度。再回到上面那个遗留的问题，当数据的丰富度扩充后，即新的维度增加，就需要去填充数据。而数据填充就需要借助到数据产品经理构建的数据采集产品了，把你的需求扔给他，蹂躏他~

所以数据分析不只是数据的后处理过程，还有前面未知的探索。

二、现状

马云说过未来数据分析师一定会下岗，我是认同的；可笑的是马云一边说，阿里一边大量的招数据分析师。当然未来还早，数据分析师迟早是要转型的，比如人工智能训练师。这也是我最近恰巧接触到的，国内阿里是首先创造此岗位的，杭州新政人工智能训练师可直接落户。

目前大多数的数据分析工作我高度概括为两部分：预测和发现并解决问题。预测的含义除了狭义上对数值走势的预测，也包含确定产品方向，功能交互体验和风控等；而发现并解决问题也涵盖了促进业务增长等。并且这之中工作量最大的还是发现问题，分析问题并解决问题。当然还有少部分披着数据分析师衣服的数据科学家做着非常人可以理解的研究，这种不能相提并论。

我觉得数据分析师是一个中间的过渡产物，是在数据产品还处于初步发展阶段的一个替代品，当强有力的数据产品广泛应用时，中间过渡产物就会消失。我在上一篇文章《数据产品深思，社会发展的先知》中提到各业务线对数据的认知较低，获取数据和分析数据的成本较高，但发展的需要又不得不去做，因此需要专人去做分析。当数据产品成熟并渗透到各个业务线后，随着大家对数据认知的提升，人人都可以简单方便的分析，甚至设计的产品系统就会自动进行分析产出结果。不要低估数据产品，你要知道谷歌的阿尔法狗（AlphaGo）连围棋的策略都可以作出判断，更何况基础的数据分析及运营工作？这时候数据产品替代的就是数据分析师和基础运营的工作。不要以为离我们很远，这是许多数据产品正在实现的工作，提高效率降低成本。

金融业几百年的发展至今对数据的运用就是个很好的说明，现在量化基金公司数量增速加快及量化交易应用范围的扩大标志着金融业即将进入人工智能的机器决策时代。可能有些人对金融不是很了解的不知道什么是量化交易，我贴一段百科：“量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策”。从历史的收益来看，往年采取量化交易的基金公司年化收益率均处在中上水平且相对稳定，因此对大规模资产配置是很有利的。当时15年有想留美读金融的时候发现，全美排名前六十的商科院校最热的不是MF（金融硕士），而是MQF（计量金融硕士）。也就是说整个美国金融未来的方向就是量化交易，而美国又是世界的金融中心，因此数据的智能应用是金融的未来，近一年来量化交易的概念在国内也火了起来。

金融业如此，其他行业亦是如此，因为人工转智能是社会发展的必然趋势，这也说明了为什么未来数据分析师下岗是必然的。在社会发展中很多中间的过渡产物都消失殆尽，当然也会进化衍生出其他产物。

当想要以数据驱动产品时，先要分析出驱动的方向和方法，验证可行后再把规则和逻辑落地成数据产品，这是一个循环的过程。当产品化程度很高时，数据分析师或许会消失，但数据分析永远不会消失，并且会普及每个人成为必备的技能。这是人类进步的一个标志。