當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

数据分析即未来

發布時間：2025/3/15 编程问答 17 豆豆

生活随笔收集整理的這篇文章主要介紹了数据分析即未来小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

導讀：今天分享一篇我的讀書筆記，其中包括我的一些個人思考，文章內容比較長，推薦對數據分析感興趣的朋友認真閱讀，因為認真閱讀才會更有收獲。

作者 / 來源：林驥（ID：linjiwx）

00 前言

《數據分析即未來》這本書的作者格雷戈里·納爾遜，是美國 ThotWave 的創始人和 CEO，國際分析研究所的專家，他在數據科學、知識管理和商業分析方面有著豐富的經驗和深入的研究，發表了 200 多篇論文和出版物。

這本書出版于 2020 年 6 月，主要圍繞數據分析的流程，講述了企業全生命周期的數據分析應用之道和管理指南。

數據分析的核心工作，是把數據變成有價值信息的過程，從簡單的統計報表和數據探索，知道數據指標和關鍵因素「是什么」，到具體原因的分析，知道數據背后的原因是「為什么」，再到預警、預測和優化的分析，知道下一步應該「怎么辦」，從而能夠主動做出更加科學的決策。

要成為一名高水平的數據分析師，需要同時具備「懂業務、懂數據、懂分析」三個條件，既要有扎實的數學、統計學、數據分析等基礎能力，又要熟悉業務場景和流程，還要有很強的實踐能力、創新能力、溝通表達能力和團隊合作意識。

業界經驗顯示，培養一個高水平的數據分析師，平均需要 9 年以上的數據分析實踐經驗，并且要持續學習新的專業技能和業務相關知識，才能應對快速變化的業務環境。

在大數據時代，數據分析不僅對企業至關重要，對個人也非常重要。我認為每個人無論從事什么職業，都應該具備一些數據分析能力，因為數據分析能夠幫助個人獲得更快的成長。

比如，我制作的「數據賦能系統」，其實也是數據分析的一種應用，運用數據分析的思維和工具，幫助自己和他人掌控時間、情緒和習慣，從而加速個人的成長。

作為數據分析部門的管理者，對于如何培養和留住優秀的數據分析人才，一直是我比較頭疼的問題。我鼓勵數據分析師「貼近業務、靠近數據、彼此接近」，幫助他們獲得成長，發揮自己的潛能，努力滿足業務的需求，解決業務的痛點和難點問題，為業務創造更大的價值。

想方設法讓數據分析嵌入到業務流程中去，避免業務部門與數據分析團隊之間互相埋怨，產生隔閡，這樣才能讓數據分析發揮出更大的價值。

我們身處一個數據非常豐富的時代，但真正對自己有效的信息其實是比較匱乏的，因為數據的噪音太多。所以，需要建立一套比較規范的數據收集、數據可視化、數據分析、數據應用的管理流程，有效地通過數據做出科學的決策。

過去，人們對數據分析的理解和應用，往往停留在一些方法論和技術工具的操作層面，比如 Excel、SQL、Python 等技術的具體實現方法。然而，很少有人涉及分析思維模型的開發和應用。

未來，我預計會有越來越多的人認識到數據的價值，看到數據分析的光明前景。希望有越來越多的人能夠用數據分析的思維模型來武裝自己的大腦，從而做出更加明智的決策。

01 分析概覽

數據是真實世界中所發生事情的記錄或「模型」，它幾乎無處不在，從使用手機，到健康記錄，再到購物歷史，我們很難想象，一個沒有數據的生活將會變成什么樣？

我們不僅是數據的制造者，也是數據的消費者。

比如，我記錄自己的時間、情緒和習慣，就生成了相應的數據，然后就可以對這些數據進行分析，找到數據背后隱藏的信息，從而做出更好的決策，完成一個從制作數據到消費數據的閉環。

數據分析是用知識創造價值的過程，從分析概念，到分析實踐，再到分析成果，數據分析的真正作用是形成可行動的洞察力，從而幫助我們做出科學的決策。

數據分析的目的是為了洞察過去的規律，運用數據分析的思維，結合對業務的理解，通過數據分析的方法和機器學習的算法，預測未來的趨勢，從而幫助我們做出正確的決策，采取適當的行動。

02 分析人才

數據分析是一個從是什么，到為什么，再到怎么做的過程，需要不斷學習，形成 PDCA 循環，從而優化決策的過程。

數據分析的技能非常龐雜，沒有任何人能精通一切分析技能，但人人都可以學習一些簡單實用的分析技能，將數據轉化為有用的能力，幫助自己做出更好的決策。

衡量數據分析人才，主要包括 4 項能力：技術（如Excel、SQL、Python等）、業務（運營、流程、專業等）、方法（統計、A/B測試、質量提升等）、軟技能（溝通表達、分析思維、寫作、管理等），其中非技術方面的能力更重要，特別是解決實際問題的能力。

人都是不完美的，研究表明，記憶常常不能真實反映現實，所以及時記錄真實的數據，這對于后續的分析非常重要。

一個優秀的分析人才，需要通過不斷學習實踐系統性思維和批評性思維，養成質疑、勤練、反思的習慣。

03 組織背景

數據分析的目標就像一個燈塔，指引著前進的方向。分析在組織中的作用通常包括：滿足領導者的信息需求，通過分析獲得競爭優勢，利用數據支持決策。

愿景像藍圖，知道未來的樣子。戰略是行動方案，需要做出權衡，知道將做什么和不做什么。

在數據分析領域，常見的組織架構包括：集中式、分散式、卓越中心式等，不同的組織架構有不同的優點和缺點，但無論如何，分析師都必須與各部門保持深入的聯系，以便充分了解他們的需求。

▲集中式

▲分散式

▲卓越中心式

很多公司采用卓越中心式的組織架構，把集中式與分散式相結合，總部構建一個集中的分析職能，擁有全局視角看問題的能力，負責培訓、知識管理、流程制定等工作，而其他分析師分布在各業務部門。

多花點時間與業務部門在一起，這是非常有必要的。大約花 20% 的時間和業務部門在一起，以便更加熟悉業務的背景等情況，讓自己和做出來的數據分析成果更接地氣，更有價值。

04 數據戰略

無論是解決問題、做出決策，還是抓住機會、抵御風險，都需要基于事實、依賴數據，并以此分析研究可行的方案。

數據戰略作為指導方針，告訴我們應該如何收集、管理、使用、治理哪些數據，需要與業務目標緊密聯系。

戰略目標是未來 5 年的行動方向，一定要非常清晰，明確范圍的邊界，發揮獨特的優勢。

對于數據分析師來說，優勢包括分析的復雜度、廣度、深度和速度，等等。

實施數據戰略包括 6 個階段：①規劃戰略、②創建路線圖、③協調組織、④執行計劃、⑤監控學習、⑥測試適應。

我們可以從重要性、緊迫性、復雜度（深度）、應用范圍（寬度）的維度，來綜合評估數據分析的成熟度。

一個成熟的分析平臺和架構，通常能夠權衡任務的重要性和緊迫性，在適當的范圍內，處理一些比較復雜的問題，提供一致的、可靠的和有價值的數據流。

正如 Michael Li 所說：復用性、一致性和可生產性，使得數據科學家專注于數據科學本身。

05 生命周期

分析生命周期包括 6 個環節：①定義問題、②識別問題、③探索問題、④分析問題、⑤成果展示、⑥項目實施。

我們關注的重點，通常是解決問題的速度和可解釋的價值。

分析的實踐領域有很多，包括分析模型開發和成果應用，比如：使用包括數據可視化、描述性和推斷性統計分析以及高級分析等技術，通過用數據講故事的方法，解決現有的問題或預測未來，以及將分析成果應用到業務處理流程中去。

按照投入時間的多少，可以把分析需求分成 4 個類別：

簡單的臨時需求：數小時
復雜的臨時需求：數小時到數天
特殊項目：數周
數據分析產品：數月

數據分析技術的發展日新月異，但是工具層面的應用很容易過時，因此，我認為應該重點培養數據分析的思維、管理和培訓能力。

06 問題理解

千萬不要提出錯誤的問題，也不要一開始就進入問題的細枝末節，而要先把問題本身搞清楚。如果你能正確地定義和陳述問題，那么就已經解決了問題的一半。

抓住問題本質的方法：問題是什么？它會影響誰？影響是什么？成功的標準是什么？成功需要滿足什么條件？需要哪些依賴關系？有哪些必須遵守的約束條件？

比如，問題是銷售目標沒有完成，可能會影響公司的每個人，導致獎金減少、甚至裁員等，成功的標準是在解決方案實施后的某個時間之內完成銷售目標。

要想獲得成功的解決方案，需要先找到問題的根本原因，比如用魚骨圖、樹形圖等分析工具促進深度思考，先發散，后收斂，幫助我們創造性地解決問題。

07 數據探查

真正的發現之旅，不在于尋找新的陸地，而在于用新的眼光去觀察。

在問題理解階段，先初步探索數據，以便確定問題的大小，支持原因的分析，檢驗相關的假設，確定方案的價值等。

不要在還沒有搞清楚問題之前，就一頓操作猛如虎，那樣很有可能是在浪費時間。

通過對問題進行聚焦，收集大約 70% 左右的必要數據，就可以快速決斷，避免瞻前顧后。因為如果等著 100% 的數據，那么很有可能貽誤戰機，失去敏捷性。哪怕是錯誤的決定，也比沒有決定要好得多，因為行動是可以隨時調整的。

只有那些有時間深入思考，并且充分全面地探索和分析數據的分析師才能持續取得成功。

把所發生的事情記錄下來，這是科學界長久以來的傳統，就像早期探險家和太空旅行者記錄日志一樣，我們也需要記錄自己的分析日志。

利用「數據賦能系統」，我把工作和生活中發生的事件和情緒都記錄了下來，我認為這個習慣值得長期保持下去。

08 模型開發

雖然我個人比較喜歡分析模型開發，但我也時常提醒自己，不要沉迷于技術，而應將關注點放在如何更好地理解和解決問題上面。

分析的方法和模型太多了，而且還在不斷推陳出新，數據挖掘、機器學習、人工智能、運籌學、時間序列分析、文本分析、語音和圖像識別等，每個分支可能都有幾十上百本書，一個人一輩子恐怕也學不完。

記住：千萬不要本末倒置，陷入到分析方法、模型或工具的戰術細節，而忘了分析的目標和解決問題的本質。

除了目標思維，對比、細分和溯源也是我們數據分析中常用的思維。比如，我們經常按時間、地點、人物、產品、渠道、價格、促銷等維度進行細分和對比，通過追根溯源、A/B 測試、假設檢驗、相關性統計檢驗等方法，找到問題的根本原因和關鍵因素，對未來的趨勢進行適當的預測。

下面這個表格總結了分析模型開發的一些實踐領域和關鍵技能，在一段時間內，可以專注某一個細分領域，重點學習和實踐相關知識，逐漸提升自己的專業能力。

09 成果應用

在得出分析結果之后，開始用數據講一個令人信服的故事，最終還要有付諸行動的計劃，而不能僅僅停留在紙面上。

變革從來都不是一件容易的事，不要以為人們會自然而然地接受分析的結果，尤其是當分析結果違背人們的自覺，或者要求人們改變行為習慣的時候。

幫助人們為變革做好思想準備，了解變革的邏輯思維和知識，使用能夠提升技能的工具，并把知識和工具應用到工作流程和行為習慣中去，這樣才能讓分析成果發揮出更大的價值。

10 產品管理

解決客戶的實際問題，這是一個數據分析產品成功與否的關鍵。

分析產品管理，是關于業務、分析和產品思維三者交叉點的管理。

構建一個最小可行性產品，刪除任何沒有直接貢獻的功能，盡快開始測試產品的功效，收集和分析相關的反饋數據，實現快速更新，不斷優化迭代。

我制作的「數據賦能系統」也屬于一個最小可行性產品，先用 Excel 實現最基礎的功能，再不斷進行更新和優化迭代，提高時間管理的效率和數據分析的效果。

11 付諸行動

分析是一種有效改變行為和抓住機會的策略，能夠影響我們工作的方式、做出的決定和取得的成果，把數據驅動的洞察力轉化為變革的動力。

比如，現代運動員大多數都會基于自己的歷史數據，利用數據分析的方法，有針對性提升自己某方面的運動能力。

我考慮建立一種優秀員工的模型，用來發現、挖掘、識別、培訓、培養、任用、提拔有潛力的優秀員工，看到他們身上的特點和規律，讓他們有動力和能力去發揮自己的潛能，通過做正確的事，揚長避短，從而取得更好的成果，創造更大的價值。

在效率與效果之間取得平衡，用正確的方式，做正確的事。相對而言，效果更重要，千萬不要高效率地做錯誤的事。所以，在做事之前，先明確目標和方向，這一點尤為重要。

高效能人士做事的效率通常都比較高，但反之則不成立，有很多人做事的效率很高，然而并沒有做出有效的成果。

把分析付諸行動，這是一個巨大的挑戰，因為在知道與做到之間存在巨大的鴻溝，需要不斷去嘗試克服很多障礙，但是一旦真正做到了，那么行動也將帶來巨大的收益。

12 勝任能力

勝任數據分析的核心能力，包括高效完成分析工作所需要的知識、技能、能力和性格等，能夠將數據轉化為可執行的業務干預措施，讓業務變得更好。

要掌握數據分析的知識和技能，需要持續不斷地學習，否則將難以勝任其工作，因為技術發展和社會環境的變化都是非?？斓?。

傳統的分析技能更多是分析工具的應用，比如 Excel、SQL、SAS 等，而現代要勝任數據分析工作，不僅要懂業務，而且要有數據分析的思維，還有新的分析工具不斷出現，比如 Python、BI 軟件等。

13 未來趨勢

我非?？春脭祿治龅奈磥?#xff0c;因為數據分析能滿足人們追根溯源的好奇心，能解決現實中的很多難題，能促進個人的成長，能提升企業的業績，能增強國家的競爭力，能讓世界變得更美好……

對企業而言，數據分析可能會涉及到企業經營的很多方面，包括戰略、數據、技術、流程、人員，等等。隨著技術的進步，數據分析的難度將會不斷降低。

我們每個人都可以從簡單的數據記錄開始，經過日積月累，形成自己的個人大數據。

如果你能從個人大數據中挖掘出一些有用的信息，形成一套有效的個人成長體系，那么將能成為一個更有智慧的人，一個洞察先機的人，一個能用數據為自己賦能的人。

有研究表明，未來 10 年，人工智能預計將取代目前 50% 的工作，但那些擁有解決問題的能力、并善于換位思考的數據達人將會脫穎而出。

最后的話

以上，就是我讀完《數據分析即未來》之后，寫的一些讀書筆記和個人思考。

這本書介紹了數據分析的全生命周期和應用流程，是一本側重于介紹「為什么」和「是什么」的參考書，而不是一本介紹「如何做」的工具書，比較適合領導者、決策者、分析團隊和有抱負的數據倡導者，比如首席數據官、數據科學家、數據分析師、量化專家、產品經理、項目經理、團隊負責人等。

每個人都是自己人生的 CEO，要想經營好自己的人生，就需要掌握一些基本的數據分析思維。

如果一個人能夠學會應用數據分析的技能，主動適應新的環境，從長遠的目標來考慮問題，并且對自己的選擇負責，做出更加明智的決策，那么未來將會成為一個更靠譜的人。

延伸閱讀👇

總結

以上是生活随笔為你收集整理的数据分析即未来的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。