數據分析，拆開來看其實是幾個方面：工具、理論、業務

工具，指的是我們從事數據分析所使用的具體工具，如 SQL、Excel、Python、R、SAS等；

理論，指的是我們從事數據分析時所依賴的理論基礎，如概率論、統計學、機器學習及相關的建模和分析框架；

業務，指的是數據分析落地的具體場景，輸入和輸出以及要解決的具體問題。

工具和理論都是比較容易速成的，這也是為什么各類網課主要集中在這些領域。

業務是依賴于在行業的經驗，因此，轉行最好先在同行業里面轉，可以借用之前對于行業的業務理解，快速上手。

以上三個方面固然重要，但并不是數據分析的全部。還需再加一個維度，就是思維模式。

也就是，我們除了數據分析的工具、理論以及業務知識，還需要具備數據分析的思維。

那么什么叫做數據分析思維呢？

我認為可以分為三個方面：

01 定量思維

迪斯尼通過草坪規劃道路的故事大家也許都聽過：

在迪斯尼樂園提前開放的半年里，草地被踩出許多小道，這些踩出的小道有寬有窄，優雅自然。第二年，格羅培斯讓人按這些踩出的痕跡鋪設了人行道。1971年在倫敦國際園林建筑藝術研討會上，迪斯尼樂園的路徑設計被評為世界最佳設計。

后來，迪斯尼還推出了 MagicBand，這個手環可以在園內支付，可作為酒店房卡，可以用來當 FastPass，可以用來停車等等，通過這些環節收集的數據，就可以知道哪幾個項目最熱門，哪幾個項目不太熱門，什么位置餐廳人滿為患，說明還需要增加配置，什么地方餐廳無人問津，可能要做優化……

等等，時間一長，積累的數據就有了各種價值，看起來無法測量的東西，通過巧妙的收集數據，都可以測量。

這就是數據思維第一條，萬物皆可測。

02 相關思維

大數據時代，隨著算力的不斷加強，原來小樣本的計算已經可以升級為全樣本計算，并且可以發現變量間的相關關系，用來代替原來小樣本中推導出的因果關系。

最經典的例子就是08年的 Google Flu：

Google流感趨勢（Google Flu Trends，GFT）是Google于2008年推出的一款預測流感的產品。Google認為，某些搜索字詞有助于了解流感疫情。Google流感趨勢會根據匯總的Google搜索數據，近乎實時地對全球當前的流感疫情進行估測

一個搜索行為，和一個疾病的發生，看似不相關的兩件事情，存在強相關，這在原來是不可想象的。

不過，盡信數據不如無數據，一定要找到業務含義。

就拿 Google Flu 來說，在研究成果公布以后，研究人員發現結果不再準確了。經過反復確認和調研，發現因為很多人得知了這項成果，抱著好奇的心態嘗試搜索關鍵字——盡管他們周圍并未出現相關病例，導致預測結果不再準確。

當你觀測的對象知道你在觀測他的時候，觀測結果就不再準確了。

03 實驗思維

告別拍腦袋決策，告別依賴個人審美決策，告別依賴個人經驗決策，通過實際的數據表現來決策。同時，根據實驗結果不斷的迭代和優化模型。

當然，實驗的前提是測量，必須先將所有實驗的數據采集下來，才能根據實驗數據進行決策，同時，根據數據分析的結果，可能某些人群針對某個方案更加有效，這又會用到相關思維，即某些要素的相關性決定了最后的數據表現。

通過以上三個思維模式，我們可以將實際中的業務問題進行拆解，轉化為數據分析問題。

這么說可能還是比較抽象，具體來看看如何應用。

在廣告營銷領域，有一個著名的說法

這是相當長的一段時間，廣告營銷行業最大的痛點，蒙著眼睛放廣告，來了客戶也不知道是廣告帶來的，還是自己找上門來的，或者其他渠道推薦來的。

那么，用上數據分析思維的廣告營銷，會變成什么樣子呢？

運用定量思維，那就是營銷效果要可以度量。一個廣告投出去，我需要知道到底帶來了多少轉化，每個渠道的轉化率怎樣，以及這些客戶的后續活躍程度如何，是不是假量？是不是羊毛黨？是不是僵尸戶？等等。

那么如何度量呢？我們自然可以想到，要檢測轉化率，那就要對每個渠道進來的客戶打標簽，定期出報表，監控每個標簽下客戶的活躍情況等等，自然的就形成了客戶分群經營，分群營銷，分群活動投放等等策略。

運用相關思維，那就是通過相關性分析，使得廣告的投放更加精準。減少無效的廣告投放，在更相關的人群上投放他們感興趣的廣告，提升轉化率，節省營銷費用。

那么如何進行相關性分析呢？通過前期采集的數據，使用 Apriori 、Collaborative Filtering 等算法，找出用戶特征、用戶行為及其最終購買之前的相關關系，從而優化投放及推薦模型。

運用實驗思維，那就是通過實驗，判斷哪個投放模型更優，哪個投放渠道更優，同時根據反饋不斷迭代和優化模型。

那么如何進行實驗呢？自然是通過 A/B Test 方法，隨機均分流量到不同的投放模型上，同時采集客戶的反饋，不斷的根據反饋迭代和優化模型。

總的來說，做好數據分析，除了掌握工具、理論和業務，還需要具備數據分析的思維，有了數據分析的思維框架，更容易將業務、理論和工具貫通，形成自己的數據分析框架，更好、更有效的進行數據分析工作。