当前位置：首页 > web >正文

EP01：【DA】数据分析的概述

web 2025/8/25 5:55:43

一、认识数据

1.1 生产活动与数据的关系

人类不管做什么生产活动——小到自己在家做顿饭，大到建一座工厂——都需要准确的信息来指导。就像开车需要看仪表盘（速度、油量），没这些信息就容易出问题。

而且活动规模越大，对信息的质量要求就越高。比如一个人在家做饭，凭经验放“一勺盐”可能没问题；但如果是给10万人做盒饭的中央厨房，“一勺盐”就必须换成“精确到克”的数据，否则要么太咸要么太淡，浪费食材还影响口碑。

在所有信息里，数据是质量最高、最好用的。比如“今天天气很热”是模糊信息，而“今天气温35℃”是数据。显然，用35℃来决定是否开空调、穿什么衣服，比“很热”要靠谱得多。数据的优势就在于它能把抽象的信息变成具体的、可衡量的标准，让决策更精准。

1.2 数据的起源

数据并不是现代才有的东西，它的历史比文字还早。最早的数据形式，是古人的“结绳记事”——用绳子上的结来记录事情。比如打了10只羊，就打10个结；过了3天，就打3个结。

历史学家考证，结绳记事出现在语言之后、文字之前。我们熟悉的甲骨文是商朝的文字，距今约3000多年，但结绳记事比甲骨文早得多。《周易》里就明确写了“上古结绳而治，后世圣人易以书契”，意思是上古时代人们用结绳管理事务，后来圣人才换成了文字和契约。

别看结绳很简单，它其实已经具备了数据的核心功能：记录信息。从结绳记事到现在的电脑数据库，数据的本质没变——都是用一种可记录、可读取的方式，把重要的信息保存下来，方便后人使用。

1.3 数据的核心优势

数据能被广泛使用，是因为它有三大“超能力”：

1.3.1 能反复读取和使用

比如你去年的考试成绩，写在本子上可以随时翻出来看，对比今年的成绩找进步；公司的销售数据存在电脑里，下个月、下一年都能调出来分析趋势。这和“凭脑子记”不一样，脑子记的信息容易忘，还可能记错，而数据一旦存储下来，就能摆脱时间和空间的限制，随时用、反复用。

1.3.2 客观量化

数据是用数字说话的，比如“这个月销售额80万”，不会因为有人觉得“业绩好”或“业绩差”而改变。这种客观性能统一大家的认知——开会时不用争“到底卖得怎么样”，看数据就行。而且量化的数字能帮我们定目标、做调整：比如目标是100万，现在80万，差20万，就能针对性地想办法。

1.3.3 能借助计算机处理

电脑可以快速读取、存储、计算数据，比如打车软件能瞬间匹配附近的司机，靠的就是实时计算司机和乘客的位置数据；短视频平台能精准推你喜欢的内容，是因为电脑分析了你的浏览数据。这不仅大大降低了人工处理的成本，还能实现很多人工做不到的事——比如让几千万人同时用到精准的推荐服务。

二、认识数据分析

2.1 数据分析的常见认知与核心问题

很多人提到数据分析，第一反应就是“做图表”、“写报告”，或者“基于业务拍脑袋想问题”。但这些认知其实很片面，就像把“做饭”简单理解为“切菜”一样——切菜只是做饭的一个步骤，却不能代表做饭的全部。

这种片面认知有两个明显问题：

没说清数据分析的技术原理。比如，为什么用数据能解决问题？它背后的逻辑是什么？
解释不了为什么数据分析能被大规模普及。无论是小到个人减肥、学生备考，还是大到工厂生产、企业决策，到处都能看到数据分析的影子，显然不是“做图表”能支撑的。

举个例子，假设公司要提升销售额，有人说“我们做个柱状图看看哪个产品卖得好”，这确实用了数据，但如果只是画图却不思考“如何根据销量数据调整库存、优化营销”，那这就不是真正的数据分析。真正的数据分析，核心是通过数据找到提升效率、解决问题的方法，而做图表只是传递这些方法的工具。

2.2 数据分析在不同场景的应用

数据分析其实渗透在我们生活的方方面面，只是很多时候我们没意识到。

比如学生时代，想提高成绩不能盲目刷题。聪明的做法是先分析试卷：哪类题型失分最多？是知识点没掌握还是粗心？比如数学的函数题总丢分，那就可以针对性地多练函数专题，这就是用“分数差距数据”制定复习计划，效率会高很多。

工作中更是如此。假设团队目标是“这个月多赚钱”，但“多赚钱”太模糊了，没法协作。用数据分析就能把目标量化：比如“这个月成交额要达到50万”，再拆成“曝光1000人，转化率5%，客单价1000元”（ $1000×5%×1000=50万1000×5\%×1000=50万$ ）。这样市场部知道要做多少曝光，销售部知道要提升多少转化率，大家目标统一，协作才高效。

减肥的人肯定有体会：“少吃多动”太空泛，到底吃多少、动多久才有用？这时候就需要算“热量平衡”——每天摄入的热量减去消耗的热量，差额决定了体重变化。比如想每周瘦0.5公斤，就得每天制造500大卡的热量缺口，这样就能明确“今天可以吃一块蛋糕但要多跑30分钟”，避免瞎节食或白流汗。

甚至工业生产中，数据分析更是“生命线”。比如面包厂，面粉、水、酵母的比例差一点，可能就会烤出一堆不合格产品；生产时间多算10分钟，可能整批面包都烤焦。只有每个环节都用数据精确控制，才能减少浪费，降低成本。

2.3 数据分析的定义

说到底，数据分析的核心就一句话：基于量化的信息提升生产力。

这里的量化信息就是数据，而提升生产力是目的。不管是做表格、搭数据看板、写分析报告，还是建复杂的数学模型，只要最终能帮我们提高效率、解决问题，就是有效的数据分析。

比如，老师用成绩数据帮学生提分，是提升学习生产力；企业用销售数据优化策略，是提升业务生产力；减肥时用热量数据控制饮食，是提升健康管理的生产力。反过来，如果只是做了一堆图表，却没带来任何实际改变，那就不是真正的数据分析。

所以别被数据分析的专业名词吓到，它本质上就是一种工具——用数据让我们做事情更高效、更靠谱。

三、数据分析在企业各阶段的形态

3.1 阶段一：初创期的数据分析特征

规模小、数据少，无专职分析师，开发兼职处理

企业刚起步时，比如小餐馆、小网店，业务规模小，数据量也少。这时候公司的核心目标是活下来，对数据的需求很简单——比如老板每天看看卖了多少钱、剩了多少货，可能连专门的表格都不用，记在本子上就行。

这时候基本不需要专职数据分析师。因为数据少、问题简单，开发人员（比如懂点电脑的员工）就能兼职处理：比如用Excel做个简单的销售统计，或者手动算一下成本。大家更多靠经验决策，比如“今天周末，多备点货”，而不是靠复杂的数据分析。

3.2 阶段二：成长期的数据分析挑战

业务增长导致数据混乱（缺失、口径模糊等），需解决信息整合问题

当企业业务快速增长（比如从一家店开到10家店），数据量会爆炸式增加，问题也变复杂了，这时候就会出现信息熵增——简单说就是数据乱了、用不起来。

常见的问题有：数据缺失（比如有的门店没记录成本数据）、指标定义模糊（比如A部门说的“销售额”算运费，B部门不算）、分析建议落不了地（比如报告说“要提升客户满意度”，却没说具体怎么做）。

这背后的原因，主要是管理者经验没跟上业务增长，团队也没配齐数据相关的人。比如以前老板自己能管过来，现在管10家店，光靠经验就不够了；但又没招专业的分析师，导致数据没人整理，问题没人解决。

3.3 阶段三：成熟期的数据分析体系

团队完善（业务、开发、算法），分工协作，支持业务自动化

到了成熟期，企业会搭建完善的数据分析团队，一般分三类人：

业务方向：数据专员（负责取数）、数据运营（分析业务问题，比如“为什么这个月客户流失多”）、数据分析师（给具体的优化策略，比如“建议针对老客户发优惠券”）；
开发方向：数据产品经理（设计数据工具，比如让业务人员能自己查数据的系统）、数据工程师（搭建存储和处理数据的平台，保证数据能顺畅流通）；
算法方向：算法科学家和工程师（用模型让业务自动化，比如自动识别优质客户，不用人工筛选）。

他们的协作模式很清晰：开发团队搭好基础设施（比如数据平台），分析师用这个平台帮业务部门解决问题，算法团队则负责把能自动化的工作做好（比如自动推荐商品）。