什麼是數據認知的一套思維模式

① 大數據定義、思維方式及架構模式

大數據定義、思維方式及架構模式
一、大數據何以為大
數據現在是個熱點詞彙，關於有了大數據，如何發揮大數據的價值，議論紛紛，而筆者以為，似乎這有點搞錯了原因與結果，就象關聯關系，有A的時候，B與之關聯，而有B的時候，A卻未必關聯，筆者還是從通常的4個V來描述一下我所認為的大數據思維。
1、大數據的量，數據量足夠大，達到了統計性意義，才有價值。筆者看過的一個典型的案例就是，例如傳統的，收集幾千條數據，很難發現血緣關系對遺傳病的影響，而一旦達到2萬條以上，那麼發現這種影響就會非常明顯。那麼對於我們在收集問題時，是為了發現隱藏的知識去收集數據，還是不管有沒有價值地收集，這還是值得商榷的。其實收集數據，對於數據本身，還是可以劃分出一些標准，確立出層級，結合需求、目標來收集，當然有人會說，這樣的話，將會導致巨大的偏差，例如說喪失了數據的完整性，有一定的主觀偏向，但是筆者以為，這樣至少可以讓收集到的數據的價值相對較高。
2、大數據的種類，也可以說成數據的維度，對於一個對象，採取標簽化的方式，進行標記，針對需求進行種類的擴充，和數據的量一樣，筆者認為同樣是建議根據需求來確立，但是對於標簽，有一個通常採取的策略，那就是推薦標簽和自定義標簽的問題，分類法其實是人類文明的一大創舉，採取推薦標簽的方式，可以大幅度降低標簽的總量，而減少後期的規約工作，數據收集時擴充量、擴充維度，但是在數據進入應用狀態時，我們是希望處理的是小數據、少維度，而通過這種推薦、可選擇的方式，可以在標准化基礎上的自定義，而不是毫無規則的擴展，甚至用戶的自定義標簽給予一定的限制，這樣可以使維度的價值更為顯現。
3、關於時效性，現在進入了讀秒時代，那麼在很短的時間進行問題分析、關聯推薦、決策等等，需要的數據量和數據種類相比以前，往往更多，換個說法，因為現在時效性要求高了，所以處理數據的方式變了，以前可能多人處理，多次處理，現在必須變得單人處理、單次處理，那麼相應的信息系統、工作方式、甚至企業的組織模式，管理績效都需要改變，例如筆者曾經工作的企業，上了ERP系統，設計師意見很大，說一個典型案例，以往發一張變更單，發出去工作結束，而上了ERP系統以後，就必須為這張變更單設定物料代碼，設置需要查詢物料的存儲，而這些是以前設計師不管的，又沒有為設計師為這些增加的工作支付獎勵，甚至因為物料的缺少而導致變更單不能發出，以至於設計師工作沒有完成，導致被處罰。但是我們從把工作一次就做完，提升企業的工作效率角度，這樣的設計變更與物料集成的方式顯然是必須的。那麼作為一個工作人員，如何讓自己的工作更全面，更完整，避免王府，讓整個企業工作更具有時間的競爭力，提高數據的數量、種類、處理能力是必須的。
4、關於大數據價值，一種說法是大數據有大價值，還有一種是相對於以往的結構化數據、少量數據，現在是大數據了，所以大數據的單位價值下降。筆者以為這兩種說法都正確，這是一個從總體價值來看，一個從單元數據價值來看的問題。而筆者提出一個新的關於大數據價值的觀點，那就是真正發揮大數據的價值的另外一個思路。這個思路就是針對企業的問題，首先要說什麼是問題，筆者說的問題不是一般意義上的問題，因為一說問題，大家都以為不好、錯誤等等，而筆者的問題的定義是指狀態與其期望狀態的差異，包括三種模式，
1）通常意義的問題，例如失火了，必須立即撲救，其實這是三種模式中最少的一種；
2）希望保持狀態，
3）期望的狀態，這是比原來的狀態高一個層級的。
我們針對問題，提出一系列解決方案，這些解決方案往往有多種，例如員工的培訓，例如設備的改進，例如組織的方式的變化，當然解決方案包括信息化手段、大數據手段，我們一樣需要權衡大數據的方法是不是一種相對較優的方法，如果是，那麼用這種手段去解決，那麼也就是有價值了。例如筆者知道的一個案例，一個企業某產品部件偶爾會出現問題，企業經歷數次後決定針對設備上了一套工控系統，記錄材料的溫度，結果又一次出現問題時，進行分析認為，如果工人正常上班操作，不應該有這樣的數據記錄，而經過與值班工人的質詢，值班工人承認其上晚班時睡覺，沒有及時處理。再往後，同樣的問題再沒有再次發生。
總結起來，筆者以為大數據思維的核心還是要落實到價值上，面向問題，收集足夠量的數據，足夠維度的數據，達到具有統計學意義，也可以滿足企業生產、客戶需求、甚至競爭的時效要求，而不是一味為了大數據而大數據，這樣才是一種務實、有效的正確思維方式，是一線大數據的有效的項目推進方式，在這樣的思維模式基礎上，採取滾雪球方式，把大數據逐步展開，才真正贏來大數據百花齊放的春天。
二、大數據思維方式
大數據研究專家舍恩伯格指出，大數據時代，人們對待數據的思維方式會發生如下三個變化：
1）人們處理的數據從樣本數據變成全部數據；
2）由於是全樣本數據，人們不得不接受數據的混雜性，而放棄對精確性的追求；
3）人類通過對大數據的處理，放棄對因果關系的渴求，轉而關注相關關系。
事實上，大數據時代帶給人們的思維方式的深刻轉變遠不止上述三個方面。筆者認為，大數據思維最關鍵的轉變在於從自然思維轉向智能思維，使得大數據像具有生命力一樣，獲得類似於「人腦」的智能，甚至智慧。
1、總體思維
社會科學研究社會現象的總體特徵，以往采樣一直是主要數據獲取手段，這是人類在無法獲得總體數據信息條件下的無奈選擇。在大數據時代，人們可以獲得與分析更多的數據，甚至是與之相關的所有數據，而不再依賴於采樣，從而可以帶來更全面的認識，可以更清楚地發現樣本無法揭示的細節信息。
正如舍恩伯格總結道：「我們總是習慣把統計抽樣看作文明得以建立的牢固基石，就如同幾何學定理和萬有引力定律一樣。但是，統計抽樣其實只是為了在技術受限的特定時期，解決當時存在的一些特定問題而產生的，其歷史不足一百年。如今，技術環境已經有了很大的改善。在大數據時代進行抽樣分析就像是在汽車時代騎馬一樣。
在某些特定的情況下，我們依然可以使用樣本分析法，但這不再是我們分析數據的主要方式。」也就是說，在大數據時代，隨著數據收集、存儲、分析技術的突破性發展，我們可以更加方便、快捷、動態地獲得研究對象有關的所有數據，而不再因諸多限制不得不採用樣本研究方法，相應地，思維方式也應該從樣本思維轉向總體思維，從而能夠更加全面、立體、系統地認識總體狀況。
2、容錯思維
在小數據時代，由於收集的樣本信息量比較少，所以必須確保記錄下來的數據盡量結構化、精確化，否則，分析得出的結論在推及總體上就會「南轅北轍」，因此，就必須十分注重精確思維。然而，在大數據時代，得益於大數據技術的突破，大量的非結構化、異構化的數據能夠得到儲存和分析，這一方面提升了我們從數據中獲取知識和洞見的能力，另一方面也對傳統的精確思維造成了挑戰。
舍恩伯格指出，「執迷於精確性是信息缺乏時代和模擬時代的產物。只有5%的數據是結構化且能適用於傳統資料庫的。如果不接受混亂，剩下95%的非結構化數據都無法利用，只有接受不精確性，我們才能打開一扇從未涉足的世界的窗戶」。也就是說，在大數據時代，思維方式要從精確思維轉向容錯思維，當擁有海量即時數據時，絕對的精準不再是追求的主要目標，適當忽略微觀層面上的精確度，容許一定程度的錯誤與混雜，反而可以在宏觀層面擁有更好的知識和洞察力。
3、相關思維
在小數據世界中，人們往往執著於現象背後的因果關系，試圖通過有限樣本數據來剖析其中的內在機理。小數據的另一個缺陷就是有限的樣本數據無法反映出事物之間的普遍性的相關關系。而在大數據時代，人們可以通過大數據技術挖掘出事物之間隱蔽的相關關系，獲得更多的認知與洞見，運用這些認知與洞見就可以幫助我們捕捉現在和預測未來，而建立在相關關系分析基礎上的預測正是大數據的核心議題。
通過關注線性的相關關系，以及復雜的非線性相關關系，可以幫助人們看到很多以前不曾注意的聯系，還可以掌握以前無法理解的復雜技術和社會動態，相關關系甚至可以超越因果關系，成為我們了解這個世界的更好視角。舍恩伯格指出，大數據的出現讓人們放棄了對因果關系的渴求，轉而關注相關關系，人們只需知道「是什麼」，而不用知道「為什麼」。我們不必非得知道事物或現象背後的復雜深層原因，而只需要通過大數據分析獲知「是什麼」就意義非凡，這會給我們提供非常新穎且有價值的觀點、信息和知識。也就是說，在大數據時代，思維方式要從因果思維轉向相關思維，努力顛覆千百年來人類形成的傳統思維模式和固有偏見，才能更好地分享大數據帶來的深刻洞見。
4、智能思維
不斷提高機器的自動化、智能化水平始終是人類社會長期不懈努力的方向。計算機的出現極大地推動了自動控制、人工智慧和機器學習等新技術的發展，「機器人」研發也取得了突飛猛進的成果並開始一定應用。應該說，自進入到信息社會以來，人類社會的自動化、智能化水平已得到明顯提升，但始終面臨瓶頸而無法取得突破性進展，機器的思維方式仍屬於線性、簡單、物理的自然思維，智能水平仍不盡如人意。
但是，大數據時代的到來，可以為提升機器智能帶來契機，因為大數據將有效推進機器思維方式由自然思維轉向智能思維，這才是大數據思維轉變的關鍵所在、核心內容。眾所周知，人腦之所以具有智能、智慧，就在於它能夠對周遭的數據信息進行全面收集、邏輯判斷和歸納總結，獲得有關事物或現象的認識與見解。同樣，在大數據時代，隨著物聯網、雲計算、社會計算、可視技術等的突破發展，大數據系統也能夠自動地搜索所有相關的數據信息，並進而類似「人腦」一樣主動、立體、邏輯地分析數據、做出判斷、提供洞見，那麼，無疑也就具有了類似人類的智能思維能力和預測未來的能力。
「智能、智慧」是大數據時代的顯著特徵，大數據時代的思維方式也要求從自然思維轉向智能思維，不斷提升機器或系統的社會計算能力和智能化水平，從而獲得具有洞察力和新價值的東西，甚至類似於人類的「智慧」。
舍恩伯格指出，「大數據開啟了一個重大的時代轉型。就像望遠鏡讓我們感受宇宙，顯微鏡讓我們能夠觀測到微生物一樣，大數據正在改變我們的生活以及理解世界的方式，成為新發明和新服務的源泉，而更多的改變正蓄勢待發」。
大數據時代將帶來深刻的思維轉變，大數據不僅將改變每個人的日常生活和工作方式，改變商業組織和社會組織的運行方式，而且將從根本上奠定國家和社會治理的基礎數據，徹底改變長期以來國家與社會諸多領域存在的「不可治理」狀況，使得國家和社會治理更加透明、有效和智慧。

② 數據思維是什麼

數據思維是指把營銷過程中的各項因素轉化成數據進行研究。數據實際上是營銷的科學導向的自然演化。
數據思維的十大原理

1.數據核心原理：從「流程」核心轉變為「數據」核心;
2.數據價值原理：由功能是價值轉變為數據是價值;
3.全樣本原理：從抽樣轉變為需要全部數據樣本;
4.關注效率原理：由關注精確度轉變為關注效率;
5.關注相關性原理：由因果關系轉變為關注相關性;
6.預測原理：從不能預測轉變為可以預測;

7.信息找人：從不能預測轉變為可以預測；

8.機器懂人原理：由人懂機器轉變為機器更懂人；

9.電子商務智能：數據改變了電子商務模式，讓電子商務更智能。商務智能，在今天大數據時代它獲得的重新的定義;

10.定製產品原理：由企業生產產品轉變為由客戶定製產品。

③ 什麼是數據思維

數據思維是指把營銷過程中的各項因素轉化成數據進行研究。數據實際上是營銷的科學導向的自然演化。
1.定量思維，即提供更多描述性的信息，其原則是一切皆可測。不僅銷售數據、價格這些客觀標准可以形成大數據，甚至連顧客情緒（如對色彩、空間的感知等）都可以測得，大數據包含了與消費行為有關的方方面面。

2.相關思維，一切皆可連，消費者行為的不同數據都有內在聯系。這可以用來預測消費者的行為偏好。

3.實驗思維，一切皆可試，大數據所帶來的信息可以幫助制定營銷策略。

這就是三個數據運用遞進的層次：首先是描述，然後是預測，最後產生攻略。
第一步：進行數據的基本管理，先得有數，這裡面第一個要有數據意識，看到一些重要的數據要把它記下來，不管是記在頭腦當中還是電腦裡面，要有這種意識。同時也要求門店或者下屬，或者代理商要實時准確客觀地傳遞數據，對企業來講如果門店沒有實時管理這些數據，談數據化管理就是白談。

第二步：是要有養數據的意識，我們常常到數據都會想到數據，但是現在很多零售企業都誤解了數據這個詞，運用數據並不一定就是大數據。傳統領域的數據往往都是小數據，離大數據還有很遠的距離。特別是很多零售店鋪連最基本的數據都沒有，現在相當多的零售店鋪採用手工輸入存儲數據的方式。所以數據思維歸根結底先得有數據，再去積累數據，最後把數據運用到業務中去，我們才能談得上去做分析，去做績效考核，去做管理。

④ 數據驅動的思維方式包含哪五個方面

每日干貨好文分享丨請點擊+關注

歡迎關注天善智能微信公眾號，我們是專注於商業智能BI，大數據，數據分析領域的垂直社區。

對商業智能BI、數據分析挖掘、大數據、機器學習，python，R感興趣同學加微信：fridaybifly，邀請你進入頭條數據愛好者交流群，數據愛好者們都在這兒。

本文作者：天善智能聯合創始人&運營總監 呂品，微信：tianshanlvpin，原文發表於天善智能服務號，歡迎討論交流。

開篇語

看過不少講解大數據思維的文章，文章的一些觀點能夠帶給我很多的啟發，很有見地也很受用。在跟一些企業的負責人聊起大數據項目規劃和建設的時候，發現大家對大數據並不缺少自己的認識和看法，只是這些認識和看法沒有被系統性的組織起來，形成一個比較有深度的思考問題、解決問題的套路。

這篇文章結合我在和一些朋友溝通過程中看到的一些問題，將大數據思維和價值做了一些聚焦和分解。我來拋磚引玉，希望這篇文章能夠讓大家從另外的一個角度去了解和思考一下到底什麼是大數據思維和價值。

這篇文章適合企業高層、即將或者正在規劃大數據項目、思考如何對大數據進行頂層設計、大數據項目管理人員一讀。作為補充，我在此也推薦幾篇文章以豐富大家思考問題的維度（角度）：

【概念篇】大數據思維十大核心原理

【分析篇】趨勢 | 大數據應用落地分析

【案例篇】深入解讀民生銀行阿拉丁大數據生態圈如何養成

【案例篇】大數據如何聚焦業務價值，美的大數據建設的啟發

本文作者：呂品 天善智能聯合創始人

本文整理自 2017年3月3日 美雲智數新品發布會數據雲分論壇呂品的演講內容

人人必談大數據

說到大數據，大家並不陌生，從各種自媒體、線上線下沙龍，包括生活中大家經常提起。早在 2010 年之前，國內的很多互聯網公司都已經在處理 「大數據」，只不過那時對大數據還沒有一個清晰的定義。2013 年起，我們注意到在國內大數據這個詞開始火了，火到什麼程度？ 舉個例子：我每次回家，家裡的親人朋友都在問我是做什麼的，我說我們是搞商業智能 BI 的，基本上聽不懂。什麼把數據變為信息、信息產生決策，什麼 ETL、報表，幾乎是懵圈的。後來提了一句，我們有一個技術網站，裡面都是玩數據的，比如大數據、數據分析、數據挖掘...。「大數據啊！大數據我知道！」，我問什麼是大數據，回答很簡潔乾脆：「大數據就是數據大唄！」。

其實這種理解不能說錯，只能說不全面，但是從某種角度上來說大數據還是比較深入人心的，「大數據」這三個字起到了一個很好的名詞普及作用，至少不會像商業智能 BI 那樣很難用一句或者幾句話讓大家有個哪怕是很基礎的概念。

大數據 4V

我們經常提到的大數據四大特徵：4個V

Volume 數據容量大：數據量從 GB 到 TB 到 PB 或以上的級別。
Variety 數據類型多：企業在解決好內部數據之後，開始向外部數據擴充。同時，從以往處理結構化的數據到現在需要處理大量非結構化的數據。社交網路數據採集分析、各種日誌文本、視頻圖片等等。
Value 價值高，密度低：數據總量很大，但真正有價值的數據可能只有那麼一部分，有價值的數據所佔比例很小。就需要通過從大量不相關的、各種類型的數據中去挖掘對未來趨勢和模型預測分析有價值的數據，發現新的規律和新的價值。
Velocity 快速化：數據需要快速處理和分析。2010年前後做過一個美國醫療保險的數據遷移項目，有一個 ETL 需要處理該公司幾十年的歷史文件和歷史數據，文件數據量很大，並且邏輯非常復雜，一個流程幾十個包，一趟下來 35 個小時執行完畢。這種情形如果放在現在的互聯網比如電商平台很顯然是不允許的。比如像電商促銷、或者要打促銷價格戰，實時處理傳統的 BI 是無法完成的。對有這種實時處理實時分析要求的企業來說，數據就是金錢，時間就是生命。
我相信上面提到的大數據的四個 V、核心特徵還是比較容易理解的。如果我們不是站在技術層面去聊的話，大家對大數據或多或少都會有一些比較接近和類似的看法，並且在理解和認識上基本也不會有太大的偏差。

但是當我們談到大數據，大家真正關心的問題在哪裡呢？ 從技術角度大家可能關心的是大數據的架構、大數據處理用到了什麼樣的技術。但是站在一個企業層面，特別是在著手考察或者規劃大數據項目建設的負責人、企業高層來說，更多關心的應該是下面這幾個問題：

1. 大數據到底能幫我們企業做什麼，或者說能夠帶給我們企業什麼變化。上了大數據對我們有什麼用，會有什麼樣的改變，是經營成本下降、還是幫我們把產品賣的更多？

2. 我們的企業現在能不能上大數據？如果不能上大數據，為什麼，那又需要怎麼做？

3. 我們企業也想跟隨潮流上大數據，問題是要怎麼做。需要准備什麼，關於投入、人才、還缺什麼、需要用到什麼樣的技術？

4. 我們怎麼驗證這個大數據項目是成功還是失敗，我們判斷的標準是什麼？

我相信這些問題都是大家比較關心的一些點，包括我自己。我們目前還是以 BI 分析為主，但我們也會去爬一些外部的數據，後面也在規劃大數據相關的一些項目和開發。

當然大數據這個話題是非常大的，我們很難從一個或者兩個角度把這些問題回答的非常全面。但是我覺得有一點是我們的企業高層或者決策者可以注意的：在規劃和考慮大數據的時候需要具備一定的大數據思維，或者說是面對大數據時我們所要具備的考慮問題和看問題的角度。

大數據思維方式

大數據思維方式我簡單概括為兩個方面：第一個是以數據為核心、數據驅動的思維方式。第二個是業務核心，業務場景化的思維方式。

以數據為核心、數據驅動的思維方式包含這幾個方面：

1. 盡可能完善自己的數據資源。我們手上握有什麼樣的數據資源，我們數據資源的質量如何？

企業需要關注和梳理我們有什麼樣的數據，以前是關注企業的流程，IT的流程、業務流程再造。現在大多數企業這些 IT 基礎和應用的建設都已經完成了，更加關心的應該是在我們的企業里到底握有什麼樣的數據資源，在不同的行業我們的數據主題是不一樣的。

比如電商零售行業，我們考慮更多的可能是消費數據、涉及到用戶、產品、消費記錄。因為我們可以圍繞這些數據比如做用戶畫像、精準營銷、定製化的產品、產品的市場定位分析等等。

比如製造生產行業，我們涉及更多的數據可能是產品本身、我們的生產流程、供應商等。因為我們可以圍繞這些數據比如做我們的生產質量檢查、降低生產成本、工藝流程再造等。

只有了解我們目前自身的數據資源，才能知道我們還缺少哪些數據資源。而這些缺少的數據資源從哪裡來，如何獲得，就是我們在規劃大數據項目的時候是需要解決的。如果缺乏這種意識，等在規劃和上大數據項目的時候你的大數據資源非常有限的。

2. 增加數據觸點、盡可能多的去收集數據，增加數據收集和採集渠道。大數據的建設和大數據分析它是一個迭代的過程，很多的分析場景都是在不斷的探索中找出來的，它有一定的不確定性。正是因為這種不確定性所以才需要我們盡可能收集更多的數據。

現在是移動互聯網時代，人人都是數據的生產者和製造者。比如每天的社交數據、互聯網點擊網路的數據、刷卡消費的數據、電信運營、互聯網運營數據。像我們的製造和生產行業，有自動化的感測器、生產流水線、自動設施的數據等。有些數據放在以前可能不值錢，但是現在看呢？這些數據現在或者在將來的某一天就會變得很有價值。

比如像我最開始提到的那家美國醫療保險公司，我看過他們的 COBOL 代碼注釋都有是七幾年、八幾年前的。他們積累了幾十年的數據，突然在 2010 年前後開始意識到數據的價值了，開始通過數據進行一些變現了。之前知道這些數據的價值嗎？不知道，但是嘗試到數據的甜頭，比如做自己的數據分析，咨詢機構購買一些脫敏的數據，或者給咨詢機構提供數據做市場研究用途。

所以大數據的構建不會是一天兩天的，這個過程會持續很長的時間，我們需要為將來做准備。所以如果你的公司連個最簡單的業務系統，IT 應用系統都沒有，數據連存放的地方都沒有，怎麼能夠上大數據呢？不合理。

數據越多，數據種類越豐富，我們觀察數據的角度維度就越豐富，我們利用大數據從中就能夠發掘出以前更多沒有看到的東西。

3. 數據開放和共享思維。這一點在我們國內其實說起來很容易，但是實際上很難。

去年的時候我去看了一個市公安局的大數據項目（可參看這篇文章 政府大數據面臨的問題和阻力在哪裡？），他們有兩點意識非常好：

1）非常清楚的知道自己擁有哪些數據資源。比如市公安局以及下屬分局、各個支隊各個應用系統的數據：基礎的人口管理、信訪、犯罪信息、情報。包括數據監控所涉及到的鐵路、網吧、民航購票、ETC 卡口等。

2）為了納入更多的社會化數據資源、實現全行業的數據覆蓋，他們准備接入交通、服務、科技信息化、教育、社保、民政等各個行業的數據。包括他們給下面的單位下了數據的指標，每個單位或者每個民警都有這種收集數據的指標，比如哪個單位今天上傳了什麼樣的多少數據，每個月哪個單位上傳的最多，這都是很好的數據收集的意識。

但問題在哪裡？問題在於很多機構比如銀行受國家政策限制很多數據是沒有辦法共享的、還有像教育機構，我憑什麼把數據給你，在行政上大家是並級的機構。

所以這個時候就需要考慮數據開放和共享的思維，在滿足數據安全性的基礎之上我們可以不可以考慮數據互換共享的可能。公安局有的數據一定是教育機構沒有的數據，那麼同樣的教育機構有的數據，公安機構也不一定有。如果兩者數據在某種程度上形成共享，在保證數據安全和不沖突的情況下是可以創造出更多的社會價值的。比如公安局可以提供教育機構關於各個地區犯罪率的信息，包括交通安全事故多發地等，教育機構可以針對

⑤ 什麼叫大數據思維大數據思維解釋

大數據思維是指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
大數據與「小數據」的根本區別在於大數據採用全樣思維方式，小數據強調抽樣。抽樣是數據採集、數據存儲、數據分析、數據呈現技術達不到實際要求，或成本遠超過預期的情況下的權宜之計。隨著技術的發展，在過去不可能獲取全樣數據，不可能存儲和分析全樣數據的情況都將一去不復返。大數據年代是全樣的年代，抽樣的場景將有利於小，最終消失在歷史長河中。

⑥ 大數據的思維方式有哪些

一：邏輯思維

這個詞在我們的認識中並不算陌生，邏輯思維是一種數學思維，在大數據分析過程中，需要理清楚各項數據之間的關系，以及需要知道分析的過程中需要收集哪些數據？這些數據分析要得到什麼結果，需要通過什麼方式獲得這些數據，這些都是需要細致的邏輯思維推出的。

二：上切思維

在大數據分析過程中，要站在決策層的層面去考慮數據分析，上切思維就是要站在比數據更高的思維上去看數據分析的角度，數據分析不僅僅是關繫到數據部門，還關繫到業務部門等其他部門，大數據分析過程中，上切思維的關鍵就是要建立更加全局的眼光和目標，完整的進行數據分析。

三：下切思維

數據的分析結果是為解決問題存在的，要通過數據的結果來看到問題的所在，這就需要在大數據分析的過程中，需要將過程進行細分，知道和了解數據的構成、進行數據的分解等等，就是一個向下更加細分的過程。

四：求異思維

面對大數據分析過程中接觸到的大量的數據，對於某些數據我們一眼看不出區別在哪裡或者問題在哪裡，對於這些相似的數據，我們需要看到數據在哪些地方有不同，對不同的個體進行理解和分析，例如公司的員工，每一個都有自己的個性，怎麼讓他們增加工作的激情，更好的為實現公司的目標服務，如何幫助他們進行問題的分析。

五：抽離思維

俗話說旁觀者清，在進行大數據分析的過程中，換一個角度，從旁觀者來考慮問題，在看數據的時候就會有不同的想法，紛繁復雜的大數據，面對她們的時候，分析者難免會產生一些困擾或者抵觸的心理，在碰到牛角尖的時候不要鑽進去，而是抽離出來，利用更多角度去看待這些問題，才有使大數據工作更加高效。

六：換位思維

這也是我們在日常比較經常接觸的名詞之一，站在當事人的角度去看待數據分析，例如站在業務人員的角度去看待數據分析，你才會了解業務部門需要的是什麼，大數據分析更好的為解決問題服務。

⑦ 《數據思維》：開啟數據認知素養之旅，讓數據變得有溫度

最近，南京理工大學上了熱搜。原因是，南京理工大學的貧困生比例較大，但很多貧困學生因為面子的原因，不願意申請貧困助學金。於是南京理工大學用上了大數據分析，把每個月在食堂吃飯超過60頓，總消費不足420元的學生悄悄列為了受資助的對象。

這些學生每天在學校吃兩頓飯，但每餐飯卻花了不超過7元錢，說明這名學生確實在經濟上出現了困難。這部分學生不用走審核、公示的流程，學校直接將補貼款打進他們的飯卡。大數據讓南京理工大學用不動聲色的方式，體現出了人性底色中的善良。

我們已經不可避免地生活在數據世界中。社會發展離不開數據，企業的發展離不開數據，個人的工作和生活更離不開數據。數據無處不在，數據的應用隨處可見，大數據甚至比我們自己都更了解自己。

因此像南京理工大學這樣用數據思維來解決問題，將會越來越多地出現在我們的生活中。「數據認知素養之父」喬丹·莫羅寫了《數據思維》，告訴我們數據思維應該是「人人必會的數據認知技能」。

喬丹·莫羅，是PLURALSIGHT的數據、設計和管理技能主管，也是數據素養領域的全球開拓者。他認為，數據思維可以幫助企業和個人提高競爭力，促進企業文化和個人能力發展。

在《數據思維》這本書中，他用三部分對數據思維進行了闡述：數據的重要性、數據認知素養、數據處理技能。其中「數據認知素養」是數據思維的核心，那麼，我們該如何具備「數據認知素養」呢？

素養是指一個人的修養，需要我們在不斷學習中獲得。數據認知素養也並非人類的本能，但可以通過教育、學習和培訓得到彌補和提高。

喬丹·莫羅在《數據思維》中給出了「數據認知素養」的概念：對數據進行閱讀、用數據語言開展工作、對數據進行分析和用數據進行溝通的能力。

在這個概念中，包含了「數據認知素養」的四個特徵，了解了這四個特徵，我們就知道了什麼是「數據認知素養」。

特徵1 :閱讀數據。就是對呈現在我們面前的數據信息進行查看和理解。

特徵2 :用數據開展工作。是指為獲得某種結果或目的，運用組織中的數據做某件事情。

特徵3 :分析數據。對我們生活中面臨的海量數據和信息資料，開展數據分析能給我們提供辨識和篩選的途徑。

特徵4 :數據溝通。是指分享或交換信息資訊或想法。

南京理工大學通過每餐飯不超過7元這個數據，辨識和篩選出貧困生學生，並以此作為補貼的依據，就是對數據認知素養四個特徵的充分應用。

數據認知素養不是個人能力、才能或職業技能的改變，而是個人在數據方面能力的提高。那麼如何才能提高數據認知素養呢？

喬丹·莫羅在《數據思維》里給出了答案。就是數據認知素養的3C：保持好奇心（Curiosity）、創造性（Creativity）、批判性思維（Critical Thinking）。

第一個C：保持好奇心。 如果你是南京理工大學的教務人員，當你看到有學生在食堂吃飯每餐消費不超過7元錢時，你有沒有產生好奇心，多問一個為什麼呢？

好奇心是我們開啟數據認知素養的第一步。在閱讀信息並理解它的過程中，我們的好奇心會使我們不知不覺進入用數據開展工作的狀態中，想要探尋更多的信息和認識結果，從而使數據認知素養的四個特徵周而復始地開始循環。

第二個C：創造性。 只有產生好奇，才能產生興趣，而興趣促進創意的誕生、改變的發生。好奇心可以帶來創造性，在提升數據認知素養時，如果我們能充分釋放出創造性技能，將會使世界更加美好。

第三個C：批判性思維。 在分析擺在我們面前的數據和信息時，可以讓我們從更客觀的角度去思考問題、作出決定，改變先入為主的觀念，轉變整體思維模式。判斷出分析是否可靠而周全，確保決策可行且科學。

數據認知素養的3C，對強化數據認知素養的作用必不可少。在我們的職業生涯和生活中，當我們努力實現這些目標時，就可以朝著更明智、更完美的決策方向努力。

喬丹·莫羅說：「人是數據認知素養的本質」。我們認識和提高認知素養的終極目標，應該是幫助個人或組織做出明智的數據知情的決策，依靠數據驅動文化。

那我們應該怎樣實現這樣一個目標呢？作者在《數據思維》中提出了6個建立數據知情決策框架的步驟：

步驟1:提出問題。 這一步可以和3C中的保持好奇心結合起來，來推動以數據為中心的思維傾向的開展。

步驟2:獲取數據。 是指獲取有用的數據，來幫助我們具體地回答在第一步中所提出的問題。

步驟3:分析數據。 可以和數據認知素養的第三個特徵，以及3C中的創造性和批判性思維結合起來，將其貫穿到數據知情決策的整個過程。

步驟4:整合分析。 根據個人的經驗，將人的因素、數據和技術正確地整合並融合在一起，找到清晰、完美的解決問題的答案，盡可能做出更好的決策。

步驟5:給出決策。 以上的所有步驟都是為了得到一個至關重要的結果，就是決策。無論你的策略和計劃多麼完美，沒有決策和實施，一切都是空談。

步驟6:開展迭代。 決策並不是最終的結果，從已知的決策中學習，然後不斷重復這個過程，可以更加有助於組織實行數據驅動和數據知情。要想決策更加合理，迭代是必不可少的環節。

數據決策框架應該成為我們用數據認知素養開展工作不可分割的部分，這6個步驟可以引導我們去做出更好的決策。作者說：這是一個智能的、數據驅動文化的重要過程。

作家梁曉聲曾闡釋過什麼是文化，他說：文化是根植於內⼼的修養；⽆需提醒的⾃覺；以約束為前提的⾃由；為別⼈著想的善良。

如何做到用數據驅動文化，南京理工大學資助貧困生就是一個很好的例證。當我們提高了自身的數據認知素養，學會用數據開展工作，並且始終保持著一種積極的心態時，我們一定會發現用數據開展工作有助於我們做出智慧決策。

⑧ 結合自己的經歷,談談對數據思維概念的理解與認識。

數據思維與邏輯思維、演算法思維、網路思維和系統思維相比具有明顯的不同點。首先，邏輯思維強調的是解決問題的邏輯性和正確性，演算法思維強調的是計算過程，網路思維強調的是關聯，系統思維強調的是整體性。而數據思維強調的是物理世界和數字世界的反映性，數據是對物理世界的反映。

「思維」這個詞很棒，即具有意識的人腦對客觀現實的本質滾隱首屬性、內部規律的自覺的、間接的和概括的反映，這是人類獨有的能力!稻盛攜液和夫在書中提到「人生成功方程式」，這樣寫到：成功的結果=思維方式×熱情×能力。具備正確思維，所獲得成功的結果是成倍增加。也就是說，一個人的思維方式，決定了他看待世界的角度；一個人的思維方式，決定了一個人的人生高度。

⑨ 數據思維。是什麼

答：一、數據思維是根據數據來思考事物的一種思維模式，是一種量化的思維模式，是重視事實、追求真理的思維模式。
二、企業在管理過程中，依靠數據發現問題、分析問題、解決問題、跟蹤問題的管理方式，就是數據化管理。
三、「數據化思維」是個新詞。但其中的內涵，並不是個新鮮事物。所謂新鮮的成分，是我們對數據的解讀有了另一種認知，或者說思維方式。

⑩ <2>什麼是數據化思維7大數據思維技巧

數據化思維就是利用數據來解決業務問題，讓數據更落地更貼近實際應用的思維方式。

1.結構化思維

2.公式姿仔槐化思維

3.業務化思維

1.能站在更宏觀的角度來解決跡友業務問題

2.能讓戚前業務的解決方案更有數據可做信賴

3.數據化思維可以更便捷更快速的解決問題

1.象限法 

2.對比法

3.漏鬥法

    

4.二八法

5.指數法

6.假設法

7.多維法