爲何數據前面加個大？算法
不加大你不點，不加大不時髦，不加大不夠大！工具
先從一個故事講起，某養豬場廠長告訴A分析屍，我要看幾個數據，你提取一下，一週後給我看看。學習
A分析屍列出：大數據
豬總數10000、收入500萬、淨利潤180萬。設計
豬場老闆一看，說：作的不錯，A君好好幹。blog
一樣的問題，豬場老闆給了B分析屍，B分析師很用功，分析公司今年的戰略計劃和年初定製的KPI目標，得知一個信號，豬場老闆想下降成本、提升利潤。數據分析
B分析屍列出了：自動化
投入減小30%、毛利480萬、淨利增加50%微博
豬場老闆一看，大喜，B君下月給你加薪。class
一樣的問題又給了數據君
數據君爲了分析目標老闆的目的，分析了去年他講話的內容，也分析了他以往發給員工的郵件，甚至爬了豬總的微博、朋友圈得知一個信息，豬總其實不想繼續增長擴張，想減小投入，提升淨利，並且他對自動化餵養很感興趣，寫了幾篇本身豬場和自動化餵養結合的文章，那麼問題來了？我該如何思考？
先看看通常商業分析分析的路徑，這個是麥肯錫的，很經典，但許多人知道，歷來不循序漸進來
首先從幾個關鍵的業務目標出發：
羅列出這些目標影響的因素有那些？那麼問題來了，因素他們多你如何去選取？
這時候就須要數據的支持，通常2種方式：
一、內部數據去推算，驅動因素影響的程度如何？這時候什麼相關分析、AHP、迴歸分析等，給因素影響一個量化的標準，找出核心驅動因素；
二、外部數據，採用座談，調研等方式肯定公司各個業務部門對驅動因素的鎖定。
其次就是驗證推理提取核心的過程：
數據君總體分析了豬的結構，好比公母比例、幼豬和出品豬的結構變化，豬市場價格發展變化規律等，也從市場上分析了一些自動化餵養設備的投入，算出了ROI，這時候要系統性的去思考，各種對比和梳理。
這點大多數據分析輕車熟路，不作過多的闡述。
那麼我發現了什麼？
一、豬的繁殖有問題，公豬佔85%，母豬佔15%；
二、豬食的浪費問題，天天大概有價值10000大洋的豬食被當成垃圾請走；
三、豬市場的價格從10月開始通常上升趨勢明顯。
最後，我給豬總呈現了三個數據，這纔是數據分析的核心：
一、繁殖問題，比例失調嚴重，緊缺母豬，如今（5月）母豬在市場的引入價格較低，建議引入500頭母豬，這是第一個數據；
二、自動化餵養，採納分析了ROI和採購價格的對比，預計採購某廠家的自動化餵養，1年後自動化餵養能夠節約50w的成本，這是第二個數據；
三、從目前來說，咱們的成品豬較多，建議加大銷售，騰出更多的地方買入幼豬，預估10月份將提高30%的淨利，這是第三個數據；
豬場老闆一看，目瞪口呆！！
數據君明天開始，你出任公司數據增加的業務負責人，薪資加倍。
以上的故事是我虛構的，可能語言組織和思路還不夠嚴謹，我只是爲了告訴你們一個道理，數據分析的本質是商業分析，而不是技術和工具問題，大數據時代，數據價值和驅動纔是咱們每一個分析師應該關注的問題，從一個綜合技能來看。
想成爲一個出色的分析師須要N多技能，那些技能能讓你快速實現本身的目標，這纔是咱們學習數據分析應該定位的，都要學習嗎？
有了場景，有了明確的目的，接下來纔是分析師們經常使用的三大利器：
一、對比，任何分析都是對比，對比就要講究設計、平等、體系，纔可比，換句話就是找「雙胞胎」，才值得比，並列關係；
二、拆解，業務其實和數據分析同樣，都是不斷的拆分，拆的程度就是回答你的假設，許多指標都是分渠道、區域、用戶類型、品類特徵去拆，但拆要分主次，你拆和不拆對結果有什麼影響要好好假設考慮，並列和主次；
三、構成，許多事情你明白他的構成你就更加清晰，比如你去飯店吃飯，有一盤菜，LP說真好吃，那你就會去研究這菜有什麼成分，什麼菜品組成，加工順序如何，這就叫拋，彼此都是並列和流程關係。
不要迷戀統計學、工具、算法，就比如平均數能夠當作是一組數據的綜合衡量，而分析解讀風險指數就是方差，固然你不懂統計學，什麼數據都用平均數的話，你和統計局智商基本同樣，要消化概念，看你如何把算法和規則轉化爲商業問題，這纔是關鍵。