随着物联网等IT信息技术的发展，数字经济日益成为人们生活的日常，而作为数字经济的基石，数据分析能力作为职场人士的核心竞争能力之一，日益成为了职场人士高度重视的对象。

为此，作为一个工作快20年的职场老人，结合既往服务过的300余家各行业成功或者不那么成功企业的实践经验，总结分析如何具有数据思维、数据敏感性能力、分析研究数据、建立数据分析团队、甚至建立数据业务赋能型组织方面的经验教训以供后来者佐证参考。

打开各种PC端或者移动端的招聘平台，在Markting或者Brand类的岗位后面多少有一句岗位职能要求：熟悉数据分析方法或者对数据敏感。

数据分析方法！这个统计专业的科班生至少会说出3种以上的专业分析工具或者10种以上的统计方法并就其中的优劣势或者各种研究方法的针对性在培训室或者会议室里面展开2个小时以上的研讨。

坑太大，暂时先放一边。

那么，数据敏感呢？

请问，您有阅读各种分析报告或者财务报告的习惯吗？

比如说下面这款：

构建一个场景，当面试的HR将三个不同行业不同领域的数据报表摆在您面前的时候，您如何展开？又该如何说出个“子丑寅卯辰巳午未申酉戌亥”？

“一万小时定律”！

拉德威尔在《异类》一书中提出“一万小时定律”的规律：“人们眼中的天才之所以卓越非凡，并非天资超人一等，而是付出了持续不断的努力。1万小时的锤炼是任何人从平凡变成世界级大师的必要条件。”他将此称为“一万小时定律”。

这样要具备数据思维，对数据敏感也需要持续的报表阅读和研究分析框架的搭建。

比如说最为基础的5维数据分析框架逻辑搭建训练方法。

a、量级数据，数据类型（定性、定比、定距）的确定；

b、趋势，环比和同比之下，时间序列数据的发展趋势情况；

c、异常，系统风险或者变量之下市场结构改变之后可能存在的市场机会；

d、结构，数据来源的构成情况，不同数据源对结果的关系；

e、细分、依据研究需要对数据的颗粒度进行精细划分，以确定市场或者行动计划的可行性。

以上这种数据分析方法是培养数据思维、敏感性最为基础、常规的训练方式，然后才有了各种研究人员、数据分析师依据行业特征搭建的各种数据模型、算法和统计研究方法。

对于一个常年面对SQL SERVER和Excel报表的人而言，会发现了一个比较有趣的问题，最近几年在街头看到做街访或者接到电话访问的概率变得非常罕见。原因也很简单，相对于访问员和被访者之间的沟通，基于技术或者大数据分析平台的应用，新的研究方法无论是在成本还是质量的可追溯性而言，都具有非常明显的优势。

比如瑞幸的APP客户运营数据分析部门，就号称能够获得客户全寿命生命周期内的运营数据。能够把客户的用户数据（性别、年龄、属性和偏好等因素）、行为数据（门店、消费过程、购物偏好和跳出率等因素）和业务数据（产品、价格和营业额）完整的通过在线数据分析平台进行各个区域的完美输出。

如果把同样的工作内容换成传统的模式，输出同样的结果（用户数据、行为数据和业务数据），对标上个世纪末的麦当劳，就需要全国市场门店分层抽样基础上的门店拦截访问，在单份问卷3000个有效数据编码基础上结合门店POS数据以及相应的特别客户入户留置研究才能输出同样的研究结果。

传统和现代的优劣势一目了然。

在这里无意过度展开，重要的事情在于：虽然时代不同，数据获得的方式差异较大，但是数据分析的框架依然没有改变。还是基于用户数据、行为数据以及业务数据三大模块进行展开，并依据不同需求部门的brief进行深度展开和论证。

现代的数据分析研究方法只是在数据的可获得性以及数据分析的范围和边缘学科交叉的领域获得了更深入的突破，在数理模型以及计算机算法方面相对10余年前基于基础学科的局限依然没有获得质的突破。

对于研究人员而言，依然需要基于数据的完整性和科学性进行基础的评估后，结合业务的具体需求就问题产生的具体原因找出根源性的问题，然后结合资源的可落地性给出具体可供执行的可行性建议，最终通过制度和IT的建设形成一个标准的自循环和自我纠偏的流程化业务分析SOP机制。

分析或者是数据分析通俗的讲还是属于技术的领域，要为组织或者公司的发展提供更深入的发展需要组建相应的业务分析团队来推进业务的成长。

很多互联网企业内部都有首席数据官CDO职务的设置，希望通过数据服务实现：a、数据和业务的深度绑定，而不是和业务脱离后的单纯的数据建模；b、在IT信息部门的加成上实现跨部门的深度融合，避免单个部门信息孤岛的出现；c、数据思维形成整个公司的企业文化，让数据化的决策服务成为组织内部每个个体自发的行为。

但是，多数企业内部CDO的职业背景多数源自于信息部门的负责人。要一个计算机背景业务部门的负责人去推动数字业务的发展，变业务管理部门为生产部门，并上升到整个企业文化的高度，显然有点勉为其难。

怎么办？一把手工程成为了不是解决办法的解决办法。

诞生于2012年的三只松鼠借助互联网红利发展成了坚果领域的知名企业，但是在企业转型线下的过程中却发生了反复开店和关店的“试错”行为。在渠道模式的“试错”过程中三只松鼠实质是对企业本身的经营模式定位没有认知清楚，没有对消费者的购物行为进行完整、深入的研究，从而导致了转战线下的过程中对渠道发展模式的误判。

反过来则是今日头条式的命题，能用A/B测试解决的问题都不是问题。而GOOGLE则是标准的数字推进型公司，在《How Google Works》中对数据进行了深入的分析研究。

当然，有人会吐槽，电商时代的三只松鼠和全渠道的三只松鼠，鼠老爹面临的局面完全不同，在面对没有历史数据积累的决策的时候，自然会出现各种各样的问题。比如苹果智能手机以及Chat GΡT此类“奇点” 的应用。

但是数据分析的基础概率统计中有方差的概念，以说明样本数据的离散程度，不是每个企业都是苹果或者Open AI之类的企业。您的Boss也并非是乔之类的天才，对此还是需要通过PDCA之类的管理模型推进业务流程的持续发展。

如：为生动化服务的店内购物动线行为数据模型就需要评估《个人信息保护法》的情况下对信息数据收集的方式、具体业务流程进行深入评估后才能持续发展。