2022- 08- 09 11:25
近两年来，数字化、数据分析、大数据等概念火了，引来一帮牛鬼蛇神，把各种各样乌七八糟的东西都包装成“大数据思维”兜售。总结一下，一共八大门派，各个身怀绝技。在工作中遇到了，绝对让人苦不堪言�? # 门派一：“数据在手，天下我有”派
这个派系的口头禅是：“只要拥有了大数据，就能精准预测，千人千面，大幅度拉升收入！�? 听着振奋人心吧！可实际上，大数据不能帮你做到这些！用户最终买单，是因为有好的商品、便宜的价格、吸引人的设计、恰好在需要的时候看到广告等等，从来都不是因为有什么大数据。数据的作用，是在商品、价格、设计、投放的基础上做优化（如下图）�? 
数据的作用类似导�? 1. 它可以指示你在哪里（日周月报�? 2. 它可以指示有几条路走（经验复盘）
3. 它可以监督路上堵不堵（数据监控）
4. 它可以预测到达时间（预测分析�? 5. 堵车的时候可以提示原因（问题分析�? 6. 堵车的时候可以指示其他路（aBtest�? 但有两样是一定替代不了的
你得告诉他你要去哪里（设定目标）
你得有个车，才能跑（业务才是骨干�? 没车的话，光有导航，就只能用脚板走�? 另：导航需要提前准备大量地图信�? 正如数据需要大量数据采集一样，
这一派的危害在于：对数据能力有不切实际幻想。比如把增长的运气都赌在一个神乎其技的数据分析师身上，最后肯定是乘兴而来败兴而归�? # 门派二：“关我啥事”派
这个派系的口头禅是：“我们要建立全链路数据模型，收集：用户信息、用户爱好、用户意向、用户情绪、用户行为、用户评价、实现全方位分析。�? 听着很厉害是吧？你问他一句：“等会！这些数据你打算咋收集呀？�? 他就会回答：“数据采集关我啥事！不是有开发吗！我聚焦思维就好了……�? 数据思维之所以不是吹牛逼思维，就是因为它以数据为基础。而数据是需要采集的。并且，不同类数据采集的难度、成本、采集质量，相差甚远（如下图）�? 
这一派流毒也很广，特别在非技术出身的人群里，这帮人以为数据是天上掉下来的。导致的恶果，是“业务一张嘴，技术跑断腿”，回头他还怪你：“人家头腾阿就有，你没有是你没本事……�? 
门派三：“SWOT”派
这一派是“关我啥事派”的另一幅面孔，就是喜欢扯非算法类的思维模型。尤其以什�?SWOT、PEST 为甚�? 大部分思维模型，真的只�?ppt 里四个格子，根本没法量化，跟数据思维一毛钱关系都没有�? 但是，很多领导是 SWOT 派的信徒，并且尤其爱在汇�?ppt 里看到这种东西。所以一般面对这种领导，我们不会选择怼回去，而是用科学、复杂的方式，量化这种“模型”（如下图）�? 
门派四：“十大法则”派
从这一派开始，后边几个门派都开始讲数据了！这是个重大进步。但嘴巴上挂俩数字，并不代表就是数据思维。典型的一类错误，就是这个“十大法则”派。他们尤其喜欢在某个公司、某个业务、某支股票成功以后，洋洋洒洒列举一堆数据，然后总结出以下结论：
“十大成功法则�? “五大底层逻辑�? “九个关键因素�? 这一派相当唬人。一来它讲的都是成功的案例，你不能直接反驳。二来它确实列举了一堆数字，看起来好有道理哦。实际上，这是典型的事后诸葛亮行为�? 数据思维的核心是逻辑、而不是数字有多大。逻辑是可以从旧的数据中归纳，可以用别的场景验证，可以推测到未来。没有经过检验，只看成功个案，会混淆视听（如下图）�? 
站在最后一刻总结经验，是伪数据思维的典型，最后结论就是：成功的人放屁都是成功屁。避免该问题的最简单办法就是拉长时间，从发展初期开始研究，区分：哪些是行业周期性波动哪些是红利期、低谷期同时间段，他比竞争对手多做了什么这才是符合数据思维的靠谱做�? 这一派的最大危害，在于：引发盲目崇拜和瞎指挥。通俗的说：成功的人可能每天只�?4 个小时，但你每天�?4 个小时不会成功，只会累死。道理就是这么简单�? # 门派五：“朕即国家”派
这一派在业务部门尤其多，特别喜欢讲数据：
“这个业务，活跃率必须做�? 30% 以上”“我们的服务，要�?1 分钟以内响应客户”“今年的目标，要做到 1 个亿，才能实现腾飞�? 并且标榜以上东西为：大数据思维，还尤其爱说：“这是朕在行业内沉淀十年的内功心法�? 然后你问他：为什么是 30% ，不�? 20%
为什么是 1 分钟，不�?30 秒为什么是 1 个亿�?.5 亿又怎样
他就回答�? “朕从业十年，数字就该是这样�? “朕认识好多人，他们也认为这样�? “朕是这个行业内专家，谁不认同我谁是傻逼�? 这根本不是数据思维，恰恰相反，这是反数据思维的经验主义。真正的数据思维，给出标准是有逻辑、可验证的，绝不是什么“老子从业十年……”（如下图）�? 
�?1：活跃率与付费率关系
�?2：活跃率与付费的关系（多种可能性）
论证一个指标合理性的简单办法，就是看该指标数值与其他关键指标关系。如上图 1：当用户群体活跃率提升到 50%以上的时候，付费率有明显跃升。此时可以说 50%是个关键分界点。当然，实际情况可能很复制，比如�?2，有的是特定区间的关系，有的是临界值关系，有的是线性关系，有的是指数型关系。经验可能告诉你一个数值，但数据分析能发现更多可能性�? 这一派人在工作中引发的乱子尤其多！大部分经验主义者，并没有真正验证过自己的认知，经常在愿景中盲目自大，仗着经验乱怼人；在逆境中胡乱甩锅，自己前后言行不一，还恬不知耻，反正只要是他说的，就是对的�? 这一派是“朕即国家”的另一幅面孔。他们也很喜欢标榜自己“精通数据思维”，然后讲的案例，都是：
“我看到街上�?10 张广告牌，转念一想，这要是打上广告，得赚多少钱�? “我看到销售们每人�?100 张名牌，转念一想，这要是打上广告，又是多少钱�? “我看到车厢里十个人有八个在看手机，转念一想，这要是……�? 这根本不是数据思维，因为你会发现：拿掉里边的数字，这些故事照样成立。真正的数据思维，是把决策建立在数据的基础上，根据数据差异做判断（如下图）�? 
这一派的毒害，在于用无聊的数字，掩盖了真正要分析的问题。最后出了问题，他还会倒打一耙：“都是数据分析不深入，才让我决策失误的呀。�? 这一派牛逼了，张口《机器学习》，闭口《统计学习》，总之非模型不数据。常见于刚毕业的，做技术的新人�? 算法不是数据思维的全部。实际上，正如算法叫“算”法，本质上它就是个计算公式而已（如下图）�? 
模型本身并不神奇，它只是用一系列数学/统计方法，去模拟出一条计算公式而已，如左图，就是用各种函数，模拟一条曲线，表示用户量随时间变化的趋势�? 至于为什么是这个走势，制造这个走势需要什么样大环境，需要什么样资源投入，业务方要怎么做，模型解答不了！它只负责根据过去的走势算一个数，仅而接地学梦堂
现实问题非常复杂，需要转化以后才能用对应方法解决。比如预测销量问题，可以用时间序列预测，也能用两阶段预测，也能用回归预测。遇到问题，第一时间应该是理解业务目标，然后找合适的方法，转化为分析问题，而不是去搬书�? 这一派的毒害，在于用：常常用看似科学的方式，行不懂脑子的事实。最常见的，就是胡乱塞几个指标进回归模型，然后说：就是这个因素影响业绩，因为 R 平方的值是 0.99 呀！结果自然被人怼的体无完肤�? # 门派八：“假设检验”派
这一派是“算法模型”派在业务部门的代表。近两年来，在产品领域尤甚�? 很多产品经理，上版本的时候，不管目标受众，不想检验指标是啥，不考虑影响因素，不理强相关特征，不理会抽样框设计，不管控制变量……总之瞎几把做两个版本丢上�?ABtest�? 然后逼着数据分析师用各种统计量论证结果到底有没有差异�? 这就打着科学旗号反科学。最后经常沦为：逼着数据分析师用科学方法证明一个拍脑袋的结论�? # 小结
以上八大门派，本质上违反了数据思维所要求的“从事实出发，先收集数据，再通过逻辑论证”的思路，把数据思维简单等同于几个数字，几个玄幻的概念，几个教条公式�? 并且试图拿着这些来路不明的数字与书本上公式解决现实问题。可能有同学会好奇：真正的数据思维是啥样的�