一、 从认识自己开始
人对客观事物的认识结果是基于——事物的表征+个体认知
我们的感知觉像光线般射向事物，然后反弹并携带着复杂的信息结构进入我们的感官，最终被大脑解释。这样的信息结构之所以复杂，是因为它不仅包含着物理特征（形状、颜色...）、工具特征（拍照、做饭），还夹杂着诸如群体心理、社会规范、群体潜意识等诸多只能被主观解读的信息元素。
一千位读者就有一千位哈姆雷特。
没有人能够一直保持在理性思考的状态下，再理性的人也会在与本能（认知捷径、刻板印象...）的持久对抗中落败。
因此，一旦认识了人具有理性和感性（受生物限制而必然存在）的两面，就预示着人必然会在各种需要逻辑推理的过程中存在无意识的主观推理，比如对比汽车和飞机的失事概率时，直觉上多会觉的飞机失事更多，这是因为飞机失事的事件严重程度、媒体的渲染都让该段记忆的独特性、刺激强度得到了极大提升，因此飞机失事的记忆更容易被记住，也更容易被唤起。
二、 所以，数据
基于上述内容可知，我们需要一种“语言”将不同背景、经历、认知能力的人置于同一个世界，让他们用同样的“语言”沟通。
传统的“语言”是各类学科、各类术语。同样的，数据，也是一种“语言”，它是对事物的一种表征方式（量化），借助于数据，我们能够较大程度地克服自身的一些主观性倾向
同时，随着技术发展（数据量激增、分析工具提升）孕育出许多新兴岗位（大数据、数据分析师、数据工程师、数据科学家），数据分析的工作从简单的数据统计、表格制作向大数据挖掘、数据预测发展，这些岗位帮助企业实现精细化运营，使其能快速、高效地响应内外部刺激。
三、不是人人都在数据分析
经常听到一些声音讲到数据分析师的价值被很大程度高估，似乎互联网人谁都能做数据分析。但是我并不这样认为，在工作中，经常会和一线管理人员打交道，他们的日常分析工作存在以下一些局限：
1. 分析深度和广度不足
从深度上来说，一般人员对数据的拆解粒度不够。拿时间序列分析来讲，一般往往会通过诸如折线、直方图就开始描述数据的“高低”，而数据分析师会从时间序列中剔除季节性成分、周期性成分、噪声，仅从趋势成分去分析数据的变化情况。
从广度来讲，一般人员对数据相关性挖掘不足。一般人员倾向于孤立分析数据，而数据分析师则会借助于各种数据科学工具获取内外部数据集来进行数据探索，借助统计学、机器学习对变量模型提出假设并验证，最终搭建完整的数据分析体系，帮助使用者从全局角度把握业务。
2. 分析效率低
一般人员更多借助Excel来进行数据分析，Excel学习成本低、能满足大部分可视化需求。但是在互联网行业中，Excel在数据量级（大数据）、自动化（自动报表生成及发送）、可视化（复杂可视化和交互式可视化）上存在局限。
借助SQL、Python、Tableau等工具能很好的解决上述问题，但是此部分工具的学习成本较高，让一般人员掌握是不实际的。
数据分析的价值是为业务部门提供“数据产品”，同样需要考虑学习成本和用户体验，让业务能够快速的吸收数据信息并对后续的业务产生作用。数据分析师的职责就是承担这部分任务，释放业务或其他部门的生产力。
网友评论