正文：

在数据生态圈中，从数据采集到数据应用的整个流程中衍生了很多岗位。而每一个岗位都拥有了特殊的技能，但是从数据价值的角度来说，最强技能非「数据分析」莫属，其次是「工程能力」，最后才是「产品思维」。

重新梳理一下，数据分析就是通过观察、假设和推理，借助数学知识去探索问题。而工程能力是它解决复杂问题时的一种手段，产品思维是它价值形态输出的一种表现。所以说，每一个数据人都应该具备一定的「数据分析思维」，这点极其重要。

而何为「数据分析思维」呢？

简单来说，终极目标是让数据呈现出画面感，而不是一堆堆冰冷的数据指标。就像曾经面试时，应聘者给我说，营销转化率提升5%，审批通过率提升5%，业绩提升8%一样。

如果你缺乏数据分析思维的话，你的直观印象就只有两种，一种是真厉害，这人靠谱。另一种是无所谓，随便问问。每当应聘者遇到这样的面试官时，就会感到庆幸，因为他随便说几个数据就能蒙混过关，装作很厉害的样子。

相反，当别人说出一个数据时，你的脑海中应该要构造出画面感，从而客观去判断数据的真实性，以及它的价值。

所以，我会去深挖他们营销的业务场景、客群分布、营销方式和计算逻辑，最后了解下来是「注册 -> 首贷」的场景，促进用户申请借款的环节。而客群分布是注册90天+的用户，营销方式仅仅是短信提醒，计算逻辑只是对比「筛选人群转化率」和「整体人群转化率」。

因此，从常识来看，这个数据明显不正确。因为注册30天+的用户，如果从未发起过「申请」行为，那基本流失了，更别提延迟到注册90天+，以及仅仅短信提醒，这根本没有任何的吸引力。更何况转化率提升的这个对比逻辑完全是不公平的，没有参考价值。

如果你懂的去思考数据背后的故事，那样整个数据所呈现的画面感会让你重新去认识这个数据本身，这也就是犯罪片中常提的「恢复现场」。

所以掌握「数据分析思维」很重要，你就像数据圈的福尔摩斯。而要想培养自己的「数据分析思维」，我认为有以下几点要具备：

① 掌握最基本的业务常识和数据逻辑判断；

② 培养自己的数据敏感度和数据解读能力；

③ 构建个人的数据分析法和问题分解能力；

④ 加强一定的工程化能力和模型算法知识；

让我们用一个案例去加深以上四点的认知，就比如上面提到的「营销转化率提升5%，审批通过率提升5%，业绩提升8%」。

从业务常识上你需要去了解用户转化，知道它会涉及的流程点。对于提到的「转化率」、「通过率」、「业绩提升」其实分别归属「注册 -> 申请」、「进件 -> 审核」、「确认借款 -> 发标金额」，再结合历史数据有一个对比。而从营销效果的评估来看，仅仅上述三个指标是不具备说服力的，至少要关心「费用率」是否达标。

同时，你不可能连「费用率」、「获客成本」、「业绩金额」，甚至是「申请人数」、「进件人数」和「审批人数」这些指标，完全不知道它们背后的数据计算逻辑嘛。

在此基础之上，你才有数据感去初步判断数据的真实性和合理性。这样才有可能去解读所谓的「5%」，重新还原画面感去认识它！

而这整个分析过程中不可避免会涉及一些数据分析方法，以及将「营销效果评估」的问题进行分解。有了清晰的分析思路和分析方法才有可能去找到问题的本质，而不是只看到表象。

最后一点，如果你没有一定的工程能力，你在面对大规模复杂数据时，你将会心有余而力不足。就像分析用户行为路径去确定最佳营销环节时，你根本清洗不出来几十个G的用户行为数据，更别提业务场景建模。

当然，要彻底把「数据分析思维」说通透并非是一件容易的事，只有意会，很难言传。在如今人人都谈大数据的时代，只有抛开浮躁，静下心去洞察数据才有机会去培养自己的「数据分析思维」。如果你都没用耐心去面对又脏又乱的数据，那你又如何有底气解读数据，顶多是了解几个核心指标而已。

本文由威海网络公司半岛科技转载整理，作者：数据都不是事儿

2018.07.27