京公网安备 11010802034615号
经营许可证编号:京B2-20210330
先有想象力,才能活用大数据_数据分析师
大数据来了,每个人都有机会从中淘金,当然,你的工作内容也将出现大地震!
“巨量数据对个人的影响,可能最令人意想不到。在某些特定领域……,原本的专业知识就变得不足挂齿了。”《大数据》作者维克托·迈尔-舍恩伯格(Viktor Mayer-Schonberger)在书中强调。
要在这个新领域成为赢家,比的不是统计能力,“唯有具备想象力,才能找到大数据真正的创新价值。”维克托·迈尔-舍恩伯格表示。
台湾中研院信息科学研究所副研究员陈升玮解释,这一波大数据趋势有两大重点:“数据重用”与“异类数据结合”。也就是说,把看似不相干的数据,放在一起分析、运用的能力,将越来越重要。
而看似无关的数据结合,靠的就是想象力。不过,想象力到底该如何培养?
“想象力没办法坐在那边想就出来,它是需要练习的。”Google台湾董事总经理简立峰接受《商业周刊》专访时解释。
以下是简立峰独家分享,Google聪明人是怎样从生活、工作中锻炼想象力的摘要。
别光“下指令”,用Data做决策 抛去旧框架,用搜集数据讨论问题
谈到大数据时代,企业主管到一般员工最需要具备的能力是什么,我认为,还是相信data(数据),凡事用data做决策:“show me the data!”决策是基于数据,不是人为个人喜好,是数据告诉我该怎么做。
企业主管必须先相信数据,接着建立数据,才可能有“大数据”。老板要打从心里认同“data driven decision making(数据导向决策)”的重要性,当有一天数据推翻老板看法时,他必须接受,抛去过去的框架、成见,鼓励员工搜集数据来讨论问题,而不是凭自己的意见下指令。
别总是“听说”,用Data找答案 在不疑处充满怀疑,想尽办法求证
提到想象力(为何重要),因为大数据主要是用在创新,开创新的商业模式。
如果你想练习想象力,首先,它就是“think out of box(跳出框架思考)”,无处不怀疑,人家不怀疑的地方,你充满怀疑就对了,而且,懂得怀疑的人,会愿意相信数据,因为他要说服自己不容易,所以得找出数据证明。
我跟我家小孩最喜欢玩的东西,就是看到一件事情,马上去求证它,例如,(有网络消息说)火星上看到一个巨人影像,我们就开始求证是真的还是假的,想尽办法开始搜寻。你可以用图找原始图,找出全世界有多少网站有这张影像,最后,我发现,我要找的链接是NASA网站,(结果)上面就写这是一张假的照片……。这种事情如果养成习惯,你才能有怀疑的能力。
别老“坐着想”,用Data找观点 多讨论,在不同意见中找出最好的
想象力没办法坐在那边想就出来,你还要有分析力,能够把一件事情拆成一百个角度去看,你就有机会刺激想象力,但如果你只有十个角度,你就很难有机会有想象力,想象力是要训练的。
几周前,我们有一个跨部门产品经理的会议,他们都是很有创意的年轻人,大家对土耳其市场搜寻流量突然增加那么多,感到很好奇,现场大概有20个人,马上抛出一百个观点,例如,最近的GDP是否成长?上网的渗透率是否成长?是不是有4G在建设……?接下来大家会很快地debate(辩论),把不合理的因素拿掉,筛出来之后,找出一、两个最有机会的,看要怎么去求证,这就是一个组织展现很强的分析能力。
要如何训练分析力,就是增加大家讨论的机会,美式公司开会表达意见的机会多,意见一旦多,你就要学习从不同意见中找出最好的,如果一个组织是上与下的关系,每次都只有一个人说话,这就培养不成了,越是扁平组织架构,越容易促进大家讨论。
最后,大数据很重要的是求证,Google里面很多数据分析师并不是天马行空地想,相反的,他们都是很严谨的人。
但别把大数据讲成统计学和数学,它只是你会不会懂得观察,生活上很多东西就是大数据的判断,我用搜索引擎也跟统计无关,我觉得用“科学家”这个词就把人吓坏了。大数据真正的用意,就是你重视data,找方法把data转换成价值就可以了,至于“大”(指所谓巨量数据),全世界需要处理大量数据的企业没几个,留给专家处理就好。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-06-02在市场竞争日趋饱和、用户需求不断细分的当下,企业创业创新、产品迭代与市场拓展不再依赖经验决策,而是需要系统化、工具化的商 ...
2026-06-01【核心关键词】调度、岗位、数据库、企业、报表、培训、程序、数据分析、数据加工、业务部门、企业数据、调度工具、业务指标、 ...
2026-06-01 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-06-01在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25