读《决战大数据》

承领导推荐，拜读了车品觉老师的《决战大数据》，作为数据分析的初学者，我的分析工具运用并不成熟，但一直认为＂方法论先行＂的途径，可以让自身对数据分析的理解更加深入于是工具学习及实际业务分析时，便有了更高的效率。

《决战大数据》近乎完美呈现了数据分析的脉络，归结为＂何为大数据＂、＂如何运用＂、＂大数据未来＂；鉴于个人理解能力水平，我假设一个条件：假如商业公司需分析的场景只有一个，我们如何开始谈大数据。

-何为大数据

“大”一定程度体现在存储空间的提升，但更多的是体现在思维变革下的数据要求更加“变本加厉”：对以往的有问题找数据，现下更侧重用数据挖掘机会。

受限于存储空间，数据收集一开始便要求我们聚焦于场景下相关的数据；而“数据发现机会”要求更灵活收集数据、扩大数据的来源但又不逾越场景分析的框架；自然而然，这两者要求我们明确数据的分类及价值，明确“数据化运营”及“运营数据”的差异和意义。

价值与分类

-如何运用大数据

正如车老所说：数据不是用来证明数据分析师固有的观点。但人类思考的惰性却经常导致这样的状况，然后陷入“系统性错误”的循环，规避这点，必需借助工具：基于业务的分析框架。（即混-通-晒）

基于业务，即文中提及的三板斧之一“混”，作用除上述的更精准的收集数据，培养业务人员的数据理解外，更多在于改变数据分析人员的固有逻辑，假如忽略数据盲点及准确性，分析的结果最终不被认可（即使观点多种多样或仅有一种）；业务的理解可以基于商务逻辑明确相关的分析结果或倒逼分析人员发现数据盲点及未被挖掘的重要信息。

而框架是有线条连接的，即文中提及的“通”，通有两方面，一是具象化数据与业务的关联，譬如我们分析商品的销售情况，除了关注每分钟销售额的效率指标，也会关注商品有效销售周期的绝对值指标，只有将业务场景与数据指标互通，分析人员才能在更高维度看待问题；二是指多屏、多业态下的数据关联，数据在不同情景中会有不同侧重，同样以我们目前业务为例：白天我们更加关注顾客的活跃度，而黄金销售期（晚间）我们更关注整体流水额，这要求了分析师有敏感的思维。（目前职业：电视购物数据分析）

而框架是须呈现并解决实际问题，即文中提到的“晒”。基于前两步，晒的目的在于实际解决问题或检查前两步的缺陷，同时也明确日常分析的内容及专题分析方向。

-大数据的未来

目前，分析人员80%左右时间用于数据清洗，为提高效率，机器学习的重要性不言而喻，这也是大数据未来的方向之一。

除去技术层面上的方向，车老还根据不同行业展开了大数据的蓝图，囊括为：

1.改变固有商业模式（保险动态定价）

2.定制需求，物联网、人联网下的数据平民化

3.虚拟现实，模型下的人类行为预估

所以，可以确定的是，大数据面对的问题，更加集中化而数据更加复杂、模糊，由于解决问题更倾向于对人类行为的预测，大数据巩固期决策分析的地位。

作为零售业从业者，我会更关注车老对未来零售业数据分析的看法：首先是对顾客行为的预知，利用数据找到潜在顾客；其次是以销售数据为基础，预判下一周期销售情况从而实现全供应链高效运作。具体到商业分析层面，模型包含了用户画像、生命周期分析、关联分析等。文中并没有详细介绍，适逢本人近期岗位调整，零售业大数据方向给了我一定的指导。

-场景不止一个

回溯前文，我假定了在一个场景之下，如何谈大数据，但商业场景永远不止一个，多业务、多场景的交融下，大数据还需要什么？

还需要“管理”，文中所提及的“存-管-用“。

存：有目的的收集内外部数据

管：假定数据是脏的，学会淡化数据及标签化

用：建立数据公共层、中间层、应用层；利用标签属性的中间层数据，分析人员快速应用数据

在”存-管-用”的数据管理举措下，数据运营及运营数据形成闭环，分析工作才开始圆润、有价值。

-我们的未来

“纸上谈兵空觉浅”，对理论的了解要求我们发现实际业务问题并解决，我们与大多数零售业一样，存在以下问题：

-数据化运营层面效率低，运营数据层面则一片空白

-顾客、商品关联维度未形成框架性分析

-受限于以上两点，用数据找机会的工作，开展举步维艰

说实话，看完本书，以上问题我目前无法解答，但至少给了工作的方向，我的数据未来，在于技能学习及前沿方向接触。

决战大数据，战场一直在延续着。

另附个人对数据部门框架的理解如图。

数据部门框架