在樊登读书上，读到《数据思维》一书，做下记录。

       互联网已经出现、物联网正在搭建，每个人甚至每个物体都在产生数据，但是很少有人能够玩转数据并利用他。

凭借数据，内行率先开启了先知视角，而有些个人和企业还在数据的金矿里迷失，找不到北。

从广告的精准投放，到预测并影响美国总统大选，数据为何如此神奇。

数据思维的核心价值：培养将业务问题转化为数据可分析问题的数据思维，数据才能为商业创造价值

业务数据化、数据业务化。业务要能产出数据，数据反哺业务。

一、朴素的数据价值观

1.什么是数据

            一切能被电子化记录的都可以被称为数据,看似定义狭隘，但是在现在的时代来看，数据不局限于数字、还包括语音输入的声音，数码相机拍下的照片，手机录制的视频等，这也体现了数据产业的变迁，每个时代对于数据的存储是不一样的，不一样的数据时代观。

2.数据的价值

           数据之于个人和企业的价值，一定是和业务的核心诉求相关。只有我们说清楚了数据的价值，客户才能为数据买单；企业才能在数据中找到业务的突破口，实现亏损增长。

           数据的价值可以从以下三个方面去结合自身的业务考虑

收入：最典型的就是百度的付费搜索广告，通过对用户输入数据的深入分析，进行精准匹配，为广告主带去一大波流量，它所创造的收入增长就是数据的收入价值支出：例如某个电视生产厂家，他们通过采集某款电视中，用户使用传统VGA视频接口的数据，分析得到使用该接口的用户占比仅仅有百分之一，他们因此决策取消该接口的支持，直接给他们的节省了上亿元的成本，这也是数据分析带来的价值。风险控制：我们大家都知道，很多银行信用卡的办理，都有网上申请。网上申请比线下面签带来风险更高。数据分析可以帮助他们线上识别优质客户，以降低商业风险，为公司带来间接的价值。

3.什么是数据思维

我们了解了什么是数据，数据对业务有相应的价值，那么什么才能称之为数据思维呢。数据思维的核心就是，使用一定的方法论，将业务问题定义为数据可分析问题。

了解数据思维，必须要引入一个统计学专有名词--回归分析，即确定两种或两种以上变量间，相互依赖的定量的关系的一种统计分析方法。“以道驭术，以术驱道”，在“道”的层面，回归分析是一种思维方式，在他的指导下，我们可以将业务问题定义为数据可分析问题；在“术”的层面，回归分析又是一种数据分析的工具。定义数据可分析问题：要定义数据可分析问题，需要找到两种变量

             1.因变量Y：因为其他变量改变而改变的变量，这是业务的核心诉求

             2. 自变量X：用来解释因变量的Y的相关变量，也就是说自变量X的改变，影响了因变量Y的变化。自变量X表现了数据分析者对业务的洞见

总结一下就是：数据思维是把业务问题定义为数据分析问题，在杂乱无章的业务中，准确定位业务的核心诉求（因变量Y），并找到影响因变量Y的相关变量X，找到变量X，业务就被定义为了数据问题，业务上的问题也就能迎刃而解。

 

二、大数据到底是什么

         在不了解大数据分析的情况下，我们很容易神话大数据，认为大数据有很大的魔力，实际上大数据并没有那么神秘，它与许多人接触过的统计学有着千丝万缕的关系。

1.大数据和统计学的关系

统计学的核心是，对数据进行建模，并通过建模对业务不确定性的刻画，这对大数据的贡献巨大大数据并不能替代抽样，反而越是大数据，抽样越重要

2.大数据的准确度如何

预测不准是常态，预测准确是变态，预测的准确度是有上届的，这是科学本质使然，任何大数据预测准确度100%的都是骗人的，不可靠的。科学的本质就是：统计学研究中包含了大量的相关关系，其中只有非常稀有的因果关系，但是因果关系的重要性是无法替代的。相关关系：客观现象存在的一种非确定的相关依存关系。例如：公鸡叫了，太阳升起来了是一个相关关系，但不是因果关系，不能为了不让太阳不升起来，而把鸡杀掉。因果关系：一个事件和另一个事件的作用关系，其中另一个事件被认为是前一个世界的结果，例如按下关机键，电脑关了

我们经常会混淆相关关系和因果关系，甚至有时候连相关关系都不算的事件A和B，由于他们相伴发生，我们便迷信的认为两者具有因果关系。因此鉴别相关关系和因果关系，不仅是我们了解大数据的金钥匙，也是培养科学素养，对伪科学说不，所要迈出的关键一步

三、人人应有数据思维

为什么要有数据思维，数据可以给我们业务带来价值，我们生在数据时代，或多或少都会和数据相关，不具备数据思维，小大我们自己可能会像没有炒股知识，而去炒股一样会被征收智商税；业务上因为没有数据，也很难找到自身业务的增长点，找到业务的突破口，具体可以从以下几个方向找到原因

提高沟通效率：我们在工作中经常会遇到这样的情况：数据专家说的是技术语言，需求部门说的是业务问题（可能是数据可分析问题，也可能是数据不可分析问题），双方沟通难以顺利进行。要解决这个问题，不仅需要专业人士摆脱自己的知识诅咒，也需要业务部门客服对于数据的恐惧，公司内部应该自上而下都有必要培养数据思维。决策者需要认识到哪些事与数据相关，需求部门应该有将核心诉求讲清楚的能力。抓住商业机会：数据思维对公司业务，创业者来说也有帮助，具备数据思维，能让我们抓住商机。我们需要以下三个步骤找到答案

                 1.  业务目前的方向，哪些数据能帮助我们，需要产出什么数据

                  2.  如果数据很重要，明确业务的核心诉求Y，并洞察影响了因变量的X

                  3.  在战略层面上，保障Y和X的高质量的供给，长时间的积累

生活中的数据思维：假如一个人既不是创业者，公司内业务也和数据无关，那么个人培养数据思维又有什么用呢？事实上生活中的大部分小事，数据思维都可以给你启发，关键看你自己怎么用。首先培养数据思维能帮你养成一种思考有的放矢的习惯，分析的目的是什么，核心诉求是什么，因变量是什么。搞清楚目的后，你就能将注意力集中在相关的自变量X上，就不会陷入放眼望去，到处都是重点的迷茫状态中去。

四、各种数据分析方法

读到这里，我们应该对数据思维有了一些兴趣，以下会列举介绍集中常见的数据分析工具，感兴趣，希望深入研究的技术同学可以深入每个分析方法、工具进行学习，试着用他们解决数据分析的问题。

一、回归分析

在“术”的层面，回归分析就是各种各样的统计模型。主要有五种类型：线性回归、0-1回归、定序回归、计数回归、生存回归

线性回归，严格讲是普通线性回归，其主要特征是：因变量Y必须是连续性的数据，而对其影响因变量的X自变量来说，没有太多的要求。线性回归进场被用在，股票投资、客户终身价值、医疗健康等领域

0-1回归：因变量Y是0-1型的数据（只有两个可能的取值）。例如，性别只有男和女，购买决策只有买和不买，0-1回归可以用在互联网征信，个性化推荐，反垃圾、社交好友推荐等。

定序回归：因变量Y为定序数据（关乎顺序的数据）的回归分析模型。举个例子就是，豆瓣中的电影评分等级1-5颗星，常应用的场景有：电影的打分评级，电商产品的满意度评分等

计数回归：如果因变量Y是一个计数数据（非负整数），对应的回归分析模型就是计数分析。计数回归常用于：客户关系管理中的RFM模型，即一定时间内客户到访的次数

生存回归：是生存数据回归的简称，即因变量Y为生存数据（刻画一个现象或个体存续生存了多久）的回归分析模型，例如动物的寿命，产品使用年限，创业公司持续时间等。

二、数据可视化

最基础的数据可视化方法就是统计图，一张好的统计图应该满足四个标准：准确、有效、简洁、美观。常用的统计图有：柱状图、堆积柱状图、饼图、直方图、折线图、散点图、象限图、茎叶图等

三、机器学习

机器学习有一大类优秀的数据模型分析方法，需要机器学习算法专业必修，主要涉及的方法有：朴素贝叶斯、决策树（随机森林）、神经网络（含深度学习）、K均值类等

四、非结构化数据

数据式结构化的还是非结构化的，这是一个相对的，主观的概念。非结构化的数据并不代表着我们不能对它进行数据分析。举例说明：

 

以《倚天屠龙记》中，张无忌到底爱谁，就可以利用分数分析的方法得到答案。

首先把小说的主要人物和他们的称谓做提取确定自然段为分析单位，接下来就可以将业务问题：张无忌到底爱谁定义为数据可分析问题对文章中人物的出场频次、出场时间、亲密程度等不同角度进行分析。

 

 

总结：读任何一本书，都可以提升自己的认知，虽然不能给我我们带来太多的方法论，也不能让我们的生活立即发生改变，甚至在读书的过程中有些费力，但是偶尔走出自己的舒适区，尝试理解之前未曾触碰的问题，然后惊喜的发现，原来是这个样子的，这何尝不是一种进步呢。