1.2 数据思维到底是什么

在1.1节，我们从数据治理流程出发，概括性地介绍了数据思维。本节我们着重解决两个问题：其一是数据思维到底是什么；其二是数据思维是否可以培养。

1.2.1 应用数据思维的工作

如果从数据分析师的日常工作内容出发来定义数据思维，即数据分析师在数据埋点、体系和标准构建以及商业智能分析中思考问题的方式以及运用的分析方法，如图1-4所示。

1. 数据埋点

数据分析师对业务进行分析所需要的数据需要通过埋点来获取。数据分析师参与到数据规划、数据采集的过程中，可以更快地拿到数据，从而提高分析效率。数据埋点是一个极其考验数据分析师数据敏感度的工作。数据分析师需要在数据埋点时预见之后可能面临的数据分析需求，以及这些需求可能会用到的数据字段。只有考虑到这一层面，才能减少因数据埋点而造成分析延期的情况出现。

举个例子，假如现在用户流失很严重，业务方想要让数据分析师帮忙分析用户流失前的第N步都做了什么？但是，碰巧用户流失前第N步的事件没有埋点，那么数据分析师就无从下手，只能给研发人员提出埋点需求，在下一个版本进行数据埋点。这样一来，分析的周期就会延后一个版本。如果数据分析师能提前参与到数据埋点这项工作中，此类事情就可避免。

2. 构建体系和标准

获取、分析数据的终极目的是定位业务问题，辅助业务决策。业务评价标准是衡量业务发展水平的重要指标，而指标体系是监控业务问题、定位业务问题的好帮手。所以，构建体系和标准也是数据分析师的重要工作之一。好的评价标准和指标体系能够直接反映业务问题，同时能够帮助数据分析师快速定位业务问题，以辅助业务方进行决策。如何选择最能监控业务变化的数据指标，如何通过数据指标体系减少日常的临时取数需求是数据分析师值得思考的问题。

3. 商业智能分析

数据分析当然少不了商业智能分析，包括各类活动效果分析、版本变化分析、用户分析、流失分析等。商业智能分析可以总结为探究原因、评价效果以及活动预估三大模块。分析结果通常以分析报告的形式来展现。一份好的分析报告能够给业务方的发展提供多种思路，也是数据分析师最重要的价值体现。其中涉及的分析方法和分析思路也是数据思维的体现。数据分析师需要在日常的工作中不断积累经验，完善自己的分析体系。

1.2.2 数据思维是可以培养的

数据埋点、构建体系和标准以及商业智能分析等过程是数据分析师运用数据思维的具体场景。数据思维是可以后天培养的。当数据分析初学者掌握了数据分析工具之后，就可以系统地学习统计学知识及各类分析方法。统计学知识是数据分析中使用频率较高的内容，但要想将其恰到好处地运用到数据分析场景，则需要不断积累经验。

在数据分析中，不同模块的业务会有一些通用的方法论，这些方法论在一定程度上也能为数据分析师提供行之有效的分析思路。有了统计学基础和分析方法的积累，就可以尝试利用开源的数据集进行数据分析，在分析过程中综合运用各类分析方法解决问题。当然，数据思维的培养并不是通过几次公开数据集的分析训练就能掌握，而是需要长期的沉淀和积累。对于数据思维如何培养这个问题，这里不再赘述，会在本书第3章做详细介绍。