编辑导读：在大数据和5G技术逐渐成为趋势的时代背景下，我们几乎每天参与到各种各样涉及到数据的场合，如社交网络、消费信息、旅游记录等等。我们几乎每天都会与各种各样的数据打交道，如企业层面的销售数据、运营数据、产品数据、活动数据等等。本文作者围绕数据分析发表了自己的看法，与你分享。
这将是一个以“数据”说话的时代，更是一个依靠“数据”竞争的时代！麦肯锡公司称：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。”并且，在世界500强企业中，有90%以上都建立了专门的数据分析部门。由此可见，数据分析的重要性以及未来趋势。
那么，数据分析究竟是什么？需要掌握哪些技能？如何进行数据分析？
我今天要分享的主题是：数据分析之道，抽丝剥茧与存乎一心，也就是我对于数据分析本身的实践与总结。
01 解构数据分析
我们字面拆解：数据 + 分析，数据是基础，分析是主导。可见，数据并不意味着价值，分析和决策才能创造价值！
而数据分析：思维方式大于实践方法思维方式：业务目标及调研+思维逻辑+创新想法+可行建议
实践方法：数据汇总统计+工具使用+可视化
数据分析对一个企业有巨大价值，则是对企业“数据”进行全方位的分析，两者相辅相成才能实现企业决策价值最大化。
所以，我们做好数据分析，要对数据分析的价值有清楚的定位，不能沦为单纯的 “取数”、“做表”、“写报告”，数据分析应该是对业务有实际的指导意义，并结合业务痛点去发现问题从而解决问题的工具。
1. 灵魂三问
数据分析的灵魂三问，这就是我今天讲的主要内容：数据分析是个什么东西？他到底解决什么问题？
数据分析如何学习技能知识？需要掌握什么样的能力？
数据分析如何进行?有什么方法论？
一谈到数据分析，我们就会联想到这些问题。
然而，我接触数据分析的契机，是从刚开始工作是接触的数据处理和市场调研，再之后商家代运营，产品数据运营等，这些工作中都涉及数据分析，到现在和朋友一起创建小飞象数据分析社群。
其实，我理解的数据分析不是从什么高大上的角度出发，它绕不开是什么、是多少、为什么、会怎样、又如何这几个问题。
说明白点：
是什么（树立数据标准）
是多少（数据描述状况）
为什么（探索问题原因）
会怎样（预测业务走势）
又如何（综合判断状况）
其核心就是分析数据（结合统计学等知识），找到规律（比如异动），给出结论和建议，进而能够辅助决策。
那么，接下来我们来看一下数据分析在工作中几种常见的应用场景，切身体会一下：
活动上线前，需要做A/B测试，通过数据反馈结果，验证活动是否符合预期；活动上线后，还要分析实时数据，调整推广节奏和推广动作。
设计产品时，需要用数据来分析用户行为，挖掘用户需求；产品诞生后，还要用数据监测用户行为、测试产品功能，促进产品迭代。
推广拉新时，需要对每个引流渠道进行质量评价；我们要收集每个渠道的投入，用数据分析来分辨渠道资源的效果，对比各大渠道对业务的影响，从中找出最优渠道。
······
以上就是工作中遇到的数据分析应用的场景，然而，我在曾经公司里面亲眼看到，日常工作涉及到决策的时候，会常常出现如下场景：
场景一：“我觉得”、“应该”这样的词汇，谁也说服不了谁，一点点小事都要老板去拍板；
场景二：活动效果没出来，做汇报时，遭遇灵魂式追问：
“上线的新功能效果如何？”
“接下来打算怎么优化”
“最近数据波动的原因是什么？”
······
有以上这样的场景，其根本原因在于缺乏数据思维思考逻辑，对业务的思维只停留在浅层的对比，甚至会出现“拍脑袋决定”的情况。
所以，在工作生活中，我们应该不断培养数据思维的习惯。举几个习惯：
若看到一个广告，尝试去分析广告的受众群数量大小，渠道数量、成本和效果回收的情况。
若看到一个活动，想办法去拆解出它的目的、针对人群、预期活动目标、投入成本、奖品爆率模型等信息。
若看到一个产品，在使用完毕之后去分析他的商业模式、面对的用户群体、群体的使用场景，以及可能设置的付费点并去验证，同时想到可改进的价值点，并观察后续运营动作是否验证了改进点。
若看到一组客服回访数据，能想到线索来源，通话总次数，通话有效次数&时长，线索意向级别，销售司龄，套餐类型，来判断这组客户的意向度，以及跟进程度，成单周期。
若看到一列数据，我们应该可以清楚的指出数据是否有波动，这种波动是否正常，可能由哪些原因带来了这些波动，相关的原因是否有数据呈现。
若看到一篇关于运营效果的报告，我们应该试图去分析它的内生逻辑是否足够支撑报告的结论，在哪些点上可能没有详尽调查。
·······
以上是我们可以在生活中培养数据思维的习惯思考场景，当然，在实际工作中的前提是，我们要熟悉自己的业务流程以及业务指标等，我们在培养数据思维的同时数据敏感度会不断提升。
2. 数据的特性
数据是客观事物发生留下的客观事实，发展变动的数字化记录。随着科学技术的发展，数据的概念内涵越来越广泛包括数值，文本，声音，图像，视频等。
而新增用户、留存、用户活跃、转化、收入、用户规模等，通过数据量化，我们才能精准感知业务指标。所以，数据是用来描述业务指标的，是被量化的业务指标。但数据的本质还是数值，只是属于最后结果的一种表现形式，要想改变结果，只能去寻找因，从因上做改变，才能引起结果的改变。
而数据的特性有：
1）统一性
统计口径一致、计算逻辑一致、数据管理流程一致……
2）安全性
就是除了统一性之外，还有安全性的问题。数据会不会泄露？不同数据牵涉的敏感点有哪些？
3）时效性
很大程度上制约着决策的客观效果。有些数据随着时间的推移，价值会越来越小。
4）准确性
大家都知道，数据正确与否的重要性。错误的数据，可能会导致失败的决策；当出现问题时，到底是后台系统的统计，还是指标统计逻辑有问题。
3. 分析的本质
分析的思维过程是：
发生了什么？——追溯过去，了解真相。
为什么发生？——洞察事务发生的本质，寻找根源。
未来可能发生什么？——掌握事物发展的规律，预测未来。
我们该怎么做？——基于已经知道的“发生了什么”、“为什么会发生”以及“未来可能发生什么”的分析，帮助和确定可以采取的措施。
分析本质即面临各种问题时，对于企业而言，让业务更加清晰，让决策更加高效。对于个人而言，认清现状，让自己的决定更加有利。
这些东西说起来都是高大上的，简单来说，能通过数据找到问题，准确地定位问题，准确地找到问题产生的原因，为下一步的改进，找到机会点，也就是所谓的：数据驱动。
4. 数据分析需要怎样的能力
1）通关心态
当你决定进入数据分析行业的第一天，你就要对标行业中的90分高手、100分高手。具备通关的心态，3年，也就是6个6个月。每6个月左右，至少要突破1个关卡。
如此，6个6个月过后，你往往能突破到第6关、第7关。
如果是你天赋极强的人，或者你的运气很好，你极可能就成为顶尖专家了。
那么，我们来看一下“德雷福斯模型”，把打怪升级的成长过程分为五级。
第一级是新手（10-20分）。新手能记住抽象的规则，然后按照规则行事。
第二级是先进的初学者（30-40分）。先进的初学者不但能按规则行事，而且能够根据以往的经验，面对不同的局面能采取不同的行动。新手只会规则告诉他的那几招，而先进的初学者除了规则还有经验，他可以在一定程度上，对不同环境随机应变。
第三级是胜任（50-60分）。胜任者面对几个事情，能够分出优先级。也就是说，在做决策的时候，他清楚地知道，首先应该照顾什么地方，其次应该做什么事。能分清什么重要，什么不重要。他有时候按照固定规则去做事，有时候则是依据以往的经验。
第四级是精通（70-80分）。精通者能够把所有的信息当做一个整体来考虑。精通者考虑问题，很少理性地使用固定的规则，他已经不再区分经验和规则，而是从整体出发，全盘考虑。
第五级是专业（90分-100分）。专业者完全不受理性的束缚，他的判断和反应都是在无意识的情况下做出的。哪怕面对的是全新的情况，他也能无意识地把这个情况和以前的经验联系在一起，自动处理。
2）综合的能力
数据分析要做好，综合要求非常高，因为大多数据分析是要向老板汇报的，厉害的数据分析人员至少要具备业务能力、思考能力、沟通能力、表达能力、分析能力、数据能力、技术能力及统计能力。
业务能力：充分理解公司战略、行业、领导思想，最好有业务岗位实战经验
思考能力：最值钱的是想法，通过数据对这些想法进行系统化的分析和论证
沟通能力：对上沟通确认目标、对中要采取合作、对下要明确执行要求
表达能力：一切都是为了让人看懂，态度上重视汇报，汇报讲究故事和逻辑
分析能力：基于业务常识选择合适的指标和维度，发现异动原因并可视化展现
数据能力：拥有全局的数据视野、更深的数据理解能力和操作能力
技术能力：EXCEL、SQL、Python/R、机器学习/深度学习引擎
统计能力：理解统计的基本概念、理解基本算法