想要入大數據分析的門，必須具備這樣的思維

來自：燈塔大數據 ID：DTbigdata

導讀

什麼樣的思維才是數據分析工作者應該具備的入門思維?文章為你解析。

隨著企業中的大數據採集技術、存儲技術的日益增強，沉澱下來的大數據急需喚醒潛在的價值，從傳統BI(Business Intelligence)到現在的大數據分析，企業對數據分析人才的需求也從單純的數據交叉多維度分析，配置可視化報表提升到了另外一個階段。

那麼，數據分析工作者在人工智慧時代該具備怎樣的思維才算真正的入門了呢?本文會帶給大家一個全新的角度闡釋什麼樣的思維才是數據分析工作者應該具備的入門思維。無論你的職責是分析企業內部數據的分析師，還是設計大數據分析產品的產品經理希望本文對你有所啟發。

數據分析的四種模式

首先我們回顧一下被普遍接受的數據分析的四個模式：

第一個方式：描述性分析(Descriptive Analytics)，即將已經發生事實用數據表述出來。

第二個方式：診斷性分析(Diagnostic Analytics)，即回答為什麼會發生，通常使用數據鑽取的手段就可實現。

第三個方式： 預測性分析(Predictive Analytics)，即通過歷史數據對未來的趨勢進行預測。這個階段會引入一些高級演算法。

第四個方式：決策建議性分析(Prescriptive Analytics)，即通過分析可能影響行為結果的動態指標(或行為)並將指標和結果的關聯關係進行量化，從而給出對結果產生最重要影響的指標，以及對應每個指標對結果產生不同影響程度的描述。

有了以上這些分析，決策者可以將數據驅動決策真正落地。

儘管很多文章將這四個模式分為四個階段逐層深入，筆者認為在很多場景中的數據分析並不應該將這四種方式按分析的深入程度區分，或者說它們不應該被賦予不同的價值標籤。

例如在很多場景中，描述性分析就完全可以以最低的成本快速解決用戶的需求，並不需要引入複雜的演算法，用戶就可以得出結論或指導他的決策了。

相反，如果引入了高級演算法，進行了預測性分析或決策建議性分析往往在投入和彙報比方面對於終端用戶來講會很低，畢竟，任何一種數據分析絕不是分析而已，不要忽略了從數據採集、清洗、存儲，必要時候還要進入高級演算法建立模型這些不同階段消耗的是企業的人力和財力。因此我們要放平心態，用效率最高的方式解決問題即可，切不可盲目追求低投入產出比的方案。

什麼是「Back & Forth」思維模式

之所以稱為思維模式，是相比於分析模式更抽象一層的思考邏輯。「Back & Forth」正是基於四種分析模式的一種大數據產品設計、規劃以及分析的思維方式，如果將四種分析模式比喻成工具，那麼「Back & Forth」」就是一種可以將工具發揮到極致的思維邏輯。

畢竟，有了工具還不夠，還要學會怎麼使用，在什麼情況下使用才能將數據分析方法論應用到各種不同場景中。

其實這種思維模式在很早以前就存在，只不過被廣泛引用在書面報告、年終總結中，被視為一種「討人喜歡」的語言和信息的組織和表達方式，「Back & Forth」思維模式通常具有兩大特徵：

一、Back，即倒退一步總結，不要停留在事情的表面，從感性認知上升到規律性的總結，總結經驗和方法論。

二、Forth往前多邁一步，給出行動指南或具體方案。

這種語言和信息的組織表達方式即使不應用在數據分析方面，用在和領導的彙報和年終總結上，也一樣會讓你脫穎而出，讓領導印象深刻。因為Back意味著補充新的知識、總結新的經驗、提供新的視角、揭示新的問題，往往這樣的信息帶給人的是一種禮物，甚至是驚喜，是一種信息加工后的結果。而Forth就更容易理解了，領導希望看到的是你給出行動建議，而不是提出問題，給別人挑毛病不難，但是給出行動建議才是對方真正需要的。

舉個使用到「Back」的例子，在寫年終總結的時候：

未使用「Back & Forth」思維

使用了「Back & Forth」思維

顯然如果你是領導，你更喜歡聽到的是後者的彙報，前面的彙報更像是講述一個流水賬而已。

再舉一個使用到「Forth」的例子，同樣是年終總結：

「Back & Forth」思維模式如何應用在大數據分析中

說到這，你應該對這種思維模式有了基本的了解，接下來就分享下怎麼在大數據分析或數據分析類產品設計中使用這種思維了，應用在教育行業中舉例：

分析某學校的學術能力時，傳統的BI思維會這樣設計分析主題：

用戶看到這些BI圖表的分析后應該是下面這種狀態：

原因很顯然，傳統BI思維，顯然沒有為用戶說明。

發生了什麼，是否有規律可循，這些數據如果都是重點，我到底關注哪些數據?給我看這些的目的是什麼?我需要怎麼改變現狀來提高我學校的學術能力?

而通過應用」Back & Forth」思維，可以為用戶這樣設計大數據產品：Back，即倒退一步總結，不要停留在事情的表面，從感性認知上升到規律性的總結，總結經驗和方法論。我們可以這樣設計：

1、提供科研經費使用和論文和專著成果物數量的雙摺線圖：

價值凸顯：那些科研經費花費高，但是科學成果卻很少的學科團隊。也可以幫助用戶找到每年不同學科科研經費的投入產出效率。指導來年的不同學科科研經費投入分配比例。

2、通過分析近三年學校論文發表數量趨勢並和同類院校進行比對

價值凸顯：學校的學術能力跟競爭院校比是有縮窄差距的趨勢還是拉大差距的趨勢，通過該圖凸顯最近幾年的學術活躍度規律和競爭走勢。

Forth, 往前多邁一步，給出行動指南或具體方案。

1、一針見血的告知用戶：通過近些年的歷史數據分析，預測明年的學術地位可能上升或者可能下降，預測明年的論文發表趨勢。

2、通過多維數據的引入(內部數據、外部數據)，分析近三年學校在業界的學術及影響力排名走勢，總結出影響排名走勢的最重要因素(提供下面答案中的某一個)：資金投入，外部知名教授引入，國家重點實驗室的建設，教育科研人員的增多，並將不同的因素可能帶來的影響力進行排序，即告知用戶在不同因素上的投入可能會帶來效果程度上的不同。

價值凸顯：幫助學校找到影響學校學術地位的最重要因素。進而進行重點關注和資源投入。

這裡給出的例子只是設計方案中的一種，只要沿著這種思路繼續剖析不同場景下的客戶需求，你總會找出用戶最關注的點，從而給出產品設計上或者分析方向上的解決方案。

在數據分析中常見的一些業務模型：

由於「Back & Forth」 思維模式是註定要為客戶解決複雜問題而產生的，景下是需要搭配業務分析模型使用的，因此我在這裡舉了四種常用的業務模型供大家參考：

最後，無論你是產品經理，諮詢顧問，數據分析師還是任何一個跟產品設計和數據分析有關的職業，在應用「Back & Forth」思維之前要首先梳理用戶的關鍵業務，了解用戶的關鍵業務痛點，關鍵業務對用戶的影響以及關鍵業務的行業及歷史背景，因為這些是一切數據分析和產品設計的前提，脫離了行業背景和用戶需求，憑空捏造出的任何假設都是不成立的。

其實數據分析和寫年終總結給領導彙報是一個道理，沒有領導希望聽到的是「假大空」、流水賬、心靈雞湯，只有經過了充分的需求分析，了解用戶想要什麼樣的分析結果，才能做出好的產品。

文章作者：特里

文章編輯：秦革

新一期的組隊學習即將開始，9月將開始優秀的組長帶隊學習，一個組長2個優秀的助教，錯過就真錯過了，數據君不忽悠。。。

加入數據君高效數據分析社區，2種加人方式：

1：掃碼加入

2、加入方式：

seedata

轉賬298，先拉微信群，再邀請進小密圈

猶豫的、不懂的、諮詢的不要加，加了也是殭屍，時間寶貴，你我都珍惜