什么是数据认知的一套思维模式

① 大数据定义、思维方式及架构模式

大数据定义、思维方式及架构模式
一、大数据何以为大
数据现在是个热点词汇，关于有了大数据，如何发挥大数据的价值，议论纷纷，而笔者以为，似乎这有点搞错了原因与结果，就象关联关系，有A的时候，B与之关联，而有B的时候，A却未必关联，笔者还是从通常的4个V来描述一下我所认为的大数据思维。
1、大数据的量，数据量足够大，达到了统计性意义，才有价值。笔者看过的一个典型的案例就是，例如传统的，收集几千条数据，很难发现血缘关系对遗传病的影响，而一旦达到2万条以上，那么发现这种影响就会非常明显。那么对于我们在收集问题时，是为了发现隐藏的知识去收集数据，还是不管有没有价值地收集，这还是值得商榷的。其实收集数据，对于数据本身，还是可以划分出一些标准，确立出层级，结合需求、目标来收集，当然有人会说，这样的话，将会导致巨大的偏差，例如说丧失了数据的完整性，有一定的主观偏向，但是笔者以为，这样至少可以让收集到的数据的价值相对较高。
2、大数据的种类，也可以说成数据的维度，对于一个对象，采取标签化的方式，进行标记，针对需求进行种类的扩充，和数据的量一样，笔者认为同样是建议根据需求来确立，但是对于标签，有一个通常采取的策略，那就是推荐标签和自定义标签的问题，分类法其实是人类文明的一大创举，采取推荐标签的方式，可以大幅度降低标签的总量，而减少后期的规约工作，数据收集时扩充量、扩充维度，但是在数据进入应用状态时，我们是希望处理的是小数据、少维度，而通过这种推荐、可选择的方式，可以在标准化基础上的自定义，而不是毫无规则的扩展，甚至用户的自定义标签给予一定的限制，这样可以使维度的价值更为显现。
3、关于时效性，现在进入了读秒时代，那么在很短的时间进行问题分析、关联推荐、决策等等，需要的数据量和数据种类相比以前，往往更多，换个说法，因为现在时效性要求高了，所以处理数据的方式变了，以前可能多人处理，多次处理，现在必须变得单人处理、单次处理，那么相应的信息系统、工作方式、甚至企业的组织模式，管理绩效都需要改变，例如笔者曾经工作的企业，上了ERP系统，设计师意见很大，说一个典型案例，以往发一张变更单，发出去工作结束，而上了ERP系统以后，就必须为这张变更单设定物料代码，设置需要查询物料的存储，而这些是以前设计师不管的，又没有为设计师为这些增加的工作支付奖励，甚至因为物料的缺少而导致变更单不能发出，以至于设计师工作没有完成，导致被处罚。但是我们从把工作一次就做完，提升企业的工作效率角度，这样的设计变更与物料集成的方式显然是必须的。那么作为一个工作人员，如何让自己的工作更全面，更完整，避免王府，让整个企业工作更具有时间的竞争力，提高数据的数量、种类、处理能力是必须的。
4、关于大数据价值，一种说法是大数据有大价值，还有一种是相对于以往的结构化数据、少量数据，现在是大数据了，所以大数据的单位价值下降。笔者以为这两种说法都正确，这是一个从总体价值来看，一个从单元数据价值来看的问题。而笔者提出一个新的关于大数据价值的观点，那就是真正发挥大数据的价值的另外一个思路。这个思路就是针对企业的问题，首先要说什么是问题，笔者说的问题不是一般意义上的问题，因为一说问题，大家都以为不好、错误等等，而笔者的问题的定义是指状态与其期望状态的差异，包括三种模式，
1）通常意义的问题，例如失火了，必须立即扑救，其实这是三种模式中最少的一种；
2）希望保持状态，
3）期望的状态，这是比原来的状态高一个层级的。
我们针对问题，提出一系列解决方案，这些解决方案往往有多种，例如员工的培训，例如设备的改进，例如组织的方式的变化，当然解决方案包括信息化手段、大数据手段，我们一样需要权衡大数据的方法是不是一种相对较优的方法，如果是，那么用这种手段去解决，那么也就是有价值了。例如笔者知道的一个案例，一个企业某产品部件偶尔会出现问题，企业经历数次后决定针对设备上了一套工控系统，记录材料的温度，结果又一次出现问题时，进行分析认为，如果工人正常上班操作，不应该有这样的数据记录，而经过与值班工人的质询，值班工人承认其上晚班时睡觉，没有及时处理。再往后，同样的问题再没有再次发生。
总结起来，笔者以为大数据思维的核心还是要落实到价值上，面向问题，收集足够量的数据，足够维度的数据，达到具有统计学意义，也可以满足企业生产、客户需求、甚至竞争的时效要求，而不是一味为了大数据而大数据，这样才是一种务实、有效的正确思维方式，是一线大数据的有效的项目推进方式，在这样的思维模式基础上，采取滚雪球方式，把大数据逐步展开，才真正赢来大数据百花齐放的春天。
二、大数据思维方式
大数据研究专家舍恩伯格指出，大数据时代，人们对待数据的思维方式会发生如下三个变化：
1）人们处理的数据从样本数据变成全部数据；
2）由于是全样本数据，人们不得不接受数据的混杂性，而放弃对精确性的追求；
3）人类通过对大数据的处理，放弃对因果关系的渴求，转而关注相关关系。
事实上，大数据时代带给人们的思维方式的深刻转变远不止上述三个方面。笔者认为，大数据思维最关键的转变在于从自然思维转向智能思维，使得大数据像具有生命力一样，获得类似于“人脑”的智能，甚至智慧。
1、总体思维
社会科学研究社会现象的总体特征，以往采样一直是主要数据获取手段，这是人类在无法获得总体数据信息条件下的无奈选择。在大数据时代，人们可以获得与分析更多的数据，甚至是与之相关的所有数据，而不再依赖于采样，从而可以带来更全面的认识，可以更清楚地发现样本无法揭示的细节信息。
正如舍恩伯格总结道：“我们总是习惯把统计抽样看作文明得以建立的牢固基石，就如同几何学定理和万有引力定律一样。但是，统计抽样其实只是为了在技术受限的特定时期，解决当时存在的一些特定问题而产生的，其历史不足一百年。如今，技术环境已经有了很大的改善。在大数据时代进行抽样分析就像是在汽车时代骑马一样。
在某些特定的情况下，我们依然可以使用样本分析法，但这不再是我们分析数据的主要方式。”也就是说，在大数据时代，随着数据收集、存储、分析技术的突破性发展，我们可以更加方便、快捷、动态地获得研究对象有关的所有数据，而不再因诸多限制不得不采用样本研究方法，相应地，思维方式也应该从样本思维转向总体思维，从而能够更加全面、立体、系统地认识总体状况。
2、容错思维
在小数据时代，由于收集的样本信息量比较少，所以必须确保记录下来的数据尽量结构化、精确化，否则，分析得出的结论在推及总体上就会“南辕北辙”，因此，就必须十分注重精确思维。然而，在大数据时代，得益于大数据技术的突破，大量的非结构化、异构化的数据能够得到储存和分析，这一方面提升了我们从数据中获取知识和洞见的能力，另一方面也对传统的精确思维造成了挑战。
舍恩伯格指出，“执迷于精确性是信息缺乏时代和模拟时代的产物。只有5%的数据是结构化且能适用于传统数据库的。如果不接受混乱，剩下95%的非结构化数据都无法利用，只有接受不精确性，我们才能打开一扇从未涉足的世界的窗户”。也就是说，在大数据时代，思维方式要从精确思维转向容错思维，当拥有海量即时数据时，绝对的精准不再是追求的主要目标，适当忽略微观层面上的精确度，容许一定程度的错误与混杂，反而可以在宏观层面拥有更好的知识和洞察力。
3、相关思维
在小数据世界中，人们往往执着于现象背后的因果关系，试图通过有限样本数据来剖析其中的内在机理。小数据的另一个缺陷就是有限的样本数据无法反映出事物之间的普遍性的相关关系。而在大数据时代，人们可以通过大数据技术挖掘出事物之间隐蔽的相关关系，获得更多的认知与洞见，运用这些认知与洞见就可以帮助我们捕捉现在和预测未来，而建立在相关关系分析基础上的预测正是大数据的核心议题。
通过关注线性的相关关系，以及复杂的非线性相关关系，可以帮助人们看到很多以前不曾注意的联系，还可以掌握以前无法理解的复杂技术和社会动态，相关关系甚至可以超越因果关系，成为我们了解这个世界的更好视角。舍恩伯格指出，大数据的出现让人们放弃了对因果关系的渴求，转而关注相关关系，人们只需知道“是什么”，而不用知道“为什么”。我们不必非得知道事物或现象背后的复杂深层原因，而只需要通过大数据分析获知“是什么”就意义非凡，这会给我们提供非常新颖且有价值的观点、信息和知识。也就是说，在大数据时代，思维方式要从因果思维转向相关思维，努力颠覆千百年来人类形成的传统思维模式和固有偏见，才能更好地分享大数据带来的深刻洞见。
4、智能思维
不断提高机器的自动化、智能化水平始终是人类社会长期不懈努力的方向。计算机的出现极大地推动了自动控制、人工智能和机器学习等新技术的发展，“机器人”研发也取得了突飞猛进的成果并开始一定应用。应该说，自进入到信息社会以来，人类社会的自动化、智能化水平已得到明显提升，但始终面临瓶颈而无法取得突破性进展，机器的思维方式仍属于线性、简单、物理的自然思维，智能水平仍不尽如人意。
但是，大数据时代的到来，可以为提升机器智能带来契机，因为大数据将有效推进机器思维方式由自然思维转向智能思维，这才是大数据思维转变的关键所在、核心内容。众所周知，人脑之所以具有智能、智慧，就在于它能够对周遭的数据信息进行全面收集、逻辑判断和归纳总结，获得有关事物或现象的认识与见解。同样，在大数据时代，随着物联网、云计算、社会计算、可视技术等的突破发展，大数据系统也能够自动地搜索所有相关的数据信息，并进而类似“人脑”一样主动、立体、逻辑地分析数据、做出判断、提供洞见，那么，无疑也就具有了类似人类的智能思维能力和预测未来的能力。
“智能、智慧”是大数据时代的显着特征，大数据时代的思维方式也要求从自然思维转向智能思维，不断提升机器或系统的社会计算能力和智能化水平，从而获得具有洞察力和新价值的东西，甚至类似于人类的“智慧”。
舍恩伯格指出，“大数据开启了一个重大的时代转型。就像望远镜让我们感受宇宙，显微镜让我们能够观测到微生物一样，大数据正在改变我们的生活以及理解世界的方式，成为新发明和新服务的源泉，而更多的改变正蓄势待发”。
大数据时代将带来深刻的思维转变，大数据不仅将改变每个人的日常生活和工作方式，改变商业组织和社会组织的运行方式，而且将从根本上奠定国家和社会治理的基础数据，彻底改变长期以来国家与社会诸多领域存在的“不可治理”状况，使得国家和社会治理更加透明、有效和智慧。

② 数据思维是什么

数据思维是指把营销过程中的各项因素转化成数据进行研究。数据实际上是营销的科学导向的自然演化。
数据思维的十大原理

1.数据核心原理：从“流程”核心转变为“数据”核心;
2.数据价值原理：由功能是价值转变为数据是价值;
3.全样本原理：从抽样转变为需要全部数据样本;
4.关注效率原理：由关注精确度转变为关注效率;
5.关注相关性原理：由因果关系转变为关注相关性;
6.预测原理：从不能预测转变为可以预测;

7.信息找人：从不能预测转变为可以预测；

8.机器懂人原理：由人懂机器转变为机器更懂人；

9.电子商务智能：数据改变了电子商务模式，让电子商务更智能。商务智能，在今天大数据时代它获得的重新的定义;

10.定制产品原理：由企业生产产品转变为由客户定制产品。

③ 什么是数据思维

数据思维是指把营销过程中的各项因素转化成数据进行研究。数据实际上是营销的科学导向的自然演化。
1.定量思维，即提供更多描述性的信息，其原则是一切皆可测。不仅销售数据、价格这些客观标准可以形成大数据，甚至连顾客情绪（如对色彩、空间的感知等）都可以测得，大数据包含了与消费行为有关的方方面面。

2.相关思维，一切皆可连，消费者行为的不同数据都有内在联系。这可以用来预测消费者的行为偏好。

3.实验思维，一切皆可试，大数据所带来的信息可以帮助制定营销策略。

这就是三个数据运用递进的层次：首先是描述，然后是预测，最后产生攻略。
第一步：进行数据的基本管理，先得有数，这里面第一个要有数据意识，看到一些重要的数据要把它记下来，不管是记在头脑当中还是电脑里面，要有这种意识。同时也要求门店或者下属，或者代理商要实时准确客观地传递数据，对企业来讲如果门店没有实时管理这些数据，谈数据化管理就是白谈。

第二步：是要有养数据的意识，我们常常到数据都会想到数据，但是现在很多零售企业都误解了数据这个词，运用数据并不一定就是大数据。传统领域的数据往往都是小数据，离大数据还有很远的距离。特别是很多零售店铺连最基本的数据都没有，现在相当多的零售店铺采用手工输入存储数据的方式。所以数据思维归根结底先得有数据，再去积累数据，最后把数据运用到业务中去，我们才能谈得上去做分析，去做绩效考核，去做管理。

④ 数据驱动的思维方式包含哪五个方面

每日干货好文分享丨请点击+关注

欢迎关注天善智能微信公众号，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区。

对商业智能BI、数据分析挖掘、大数据、机器学习，python，R感兴趣同学加微信：fridaybifly，邀请你进入头条数据爱好者交流群，数据爱好者们都在这儿。

本文作者：天善智能联合创始人&运营总监 吕品，微信：tianshanlvpin，原文发表于天善智能服务号，欢迎讨论交流。

开篇语

看过不少讲解大数据思维的文章，文章的一些观点能够带给我很多的启发，很有见地也很受用。在跟一些企业的负责人聊起大数据项目规划和建设的时候，发现大家对大数据并不缺少自己的认识和看法，只是这些认识和看法没有被系统性的组织起来，形成一个比较有深度的思考问题、解决问题的套路。

这篇文章结合我在和一些朋友沟通过程中看到的一些问题，将大数据思维和价值做了一些聚焦和分解。我来抛砖引玉，希望这篇文章能够让大家从另外的一个角度去了解和思考一下到底什么是大数据思维和价值。

这篇文章适合企业高层、即将或者正在规划大数据项目、思考如何对大数据进行顶层设计、大数据项目管理人员一读。作为补充，我在此也推荐几篇文章以丰富大家思考问题的维度（角度）：

【概念篇】大数据思维十大核心原理

【分析篇】趋势 | 大数据应用落地分析

【案例篇】深入解读民生银行阿拉丁大数据生态圈如何养成

【案例篇】大数据如何聚焦业务价值，美的大数据建设的启发

本文作者：吕品 天善智能联合创始人

本文整理自 2017年3月3日 美云智数新品发布会数据云分论坛吕品的演讲内容

人人必谈大数据

说到大数据，大家并不陌生，从各种自媒体、线上线下沙龙，包括生活中大家经常提起。早在 2010 年之前，国内的很多互联网公司都已经在处理 “大数据”，只不过那时对大数据还没有一个清晰的定义。2013 年起，我们注意到在国内大数据这个词开始火了，火到什么程度？ 举个例子：我每次回家，家里的亲人朋友都在问我是做什么的，我说我们是搞商业智能 BI 的，基本上听不懂。什么把数据变为信息、信息产生决策，什么 ETL、报表，几乎是懵圈的。后来提了一句，我们有一个技术网站，里面都是玩数据的，比如大数据、数据分析、数据挖掘...。“大数据啊！大数据我知道！”，我问什么是大数据，回答很简洁干脆：“大数据就是数据大呗！”。

其实这种理解不能说错，只能说不全面，但是从某种角度上来说大数据还是比较深入人心的，“大数据”这三个字起到了一个很好的名词普及作用，至少不会像商业智能 BI 那样很难用一句或者几句话让大家有个哪怕是很基础的概念。

大数据 4V

我们经常提到的大数据四大特征：4个V

Volume 数据容量大：数据量从 GB 到 TB 到 PB 或以上的级别。
Variety 数据类型多：企业在解决好内部数据之后，开始向外部数据扩充。同时，从以往处理结构化的数据到现在需要处理大量非结构化的数据。社交网络数据采集分析、各种日志文本、视频图片等等。
Value 价值高，密度低：数据总量很大，但真正有价值的数据可能只有那么一部分，有价值的数据所占比例很小。就需要通过从大量不相关的、各种类型的数据中去挖掘对未来趋势和模型预测分析有价值的数据，发现新的规律和新的价值。
Velocity 快速化：数据需要快速处理和分析。2010年前后做过一个美国医疗保险的数据迁移项目，有一个 ETL 需要处理该公司几十年的历史文件和历史数据，文件数据量很大，并且逻辑非常复杂，一个流程几十个包，一趟下来 35 个小时执行完毕。这种情形如果放在现在的互联网比如电商平台很显然是不允许的。比如像电商促销、或者要打促销价格战，实时处理传统的 BI 是无法完成的。对有这种实时处理实时分析要求的企业来说，数据就是金钱，时间就是生命。
我相信上面提到的大数据的四个 V、核心特征还是比较容易理解的。如果我们不是站在技术层面去聊的话，大家对大数据或多或少都会有一些比较接近和类似的看法，并且在理解和认识上基本也不会有太大的偏差。

但是当我们谈到大数据，大家真正关心的问题在哪里呢？ 从技术角度大家可能关心的是大数据的架构、大数据处理用到了什么样的技术。但是站在一个企业层面，特别是在着手考察或者规划大数据项目建设的负责人、企业高层来说，更多关心的应该是下面这几个问题：

1. 大数据到底能帮我们企业做什么，或者说能够带给我们企业什么变化。上了大数据对我们有什么用，会有什么样的改变，是经营成本下降、还是帮我们把产品卖的更多？

2. 我们的企业现在能不能上大数据？如果不能上大数据，为什么，那又需要怎么做？

3. 我们企业也想跟随潮流上大数据，问题是要怎么做。需要准备什么，关于投入、人才、还缺什么、需要用到什么样的技术？

4. 我们怎么验证这个大数据项目是成功还是失败，我们判断的标准是什么？

我相信这些问题都是大家比较关心的一些点，包括我自己。我们目前还是以 BI 分析为主，但我们也会去爬一些外部的数据，后面也在规划大数据相关的一些项目和开发。

当然大数据这个话题是非常大的，我们很难从一个或者两个角度把这些问题回答的非常全面。但是我觉得有一点是我们的企业高层或者决策者可以注意的：在规划和考虑大数据的时候需要具备一定的大数据思维，或者说是面对大数据时我们所要具备的考虑问题和看问题的角度。

大数据思维方式

大数据思维方式我简单概括为两个方面：第一个是以数据为核心、数据驱动的思维方式。第二个是业务核心，业务场景化的思维方式。

以数据为核心、数据驱动的思维方式包含这几个方面：

1. 尽可能完善自己的数据资源。我们手上握有什么样的数据资源，我们数据资源的质量如何？

企业需要关注和梳理我们有什么样的数据，以前是关注企业的流程，IT的流程、业务流程再造。现在大多数企业这些 IT 基础和应用的建设都已经完成了，更加关心的应该是在我们的企业里到底握有什么样的数据资源，在不同的行业我们的数据主题是不一样的。

比如电商零售行业，我们考虑更多的可能是消费数据、涉及到用户、产品、消费记录。因为我们可以围绕这些数据比如做用户画像、精准营销、定制化的产品、产品的市场定位分析等等。

比如制造生产行业，我们涉及更多的数据可能是产品本身、我们的生产流程、供应商等。因为我们可以围绕这些数据比如做我们的生产质量检查、降低生产成本、工艺流程再造等。

只有了解我们目前自身的数据资源，才能知道我们还缺少哪些数据资源。而这些缺少的数据资源从哪里来，如何获得，就是我们在规划大数据项目的时候是需要解决的。如果缺乏这种意识，等在规划和上大数据项目的时候你的大数据资源非常有限的。

2. 增加数据触点、尽可能多的去收集数据，增加数据收集和采集渠道。大数据的建设和大数据分析它是一个迭代的过程，很多的分析场景都是在不断的探索中找出来的，它有一定的不确定性。正是因为这种不确定性所以才需要我们尽可能收集更多的数据。

现在是移动互联网时代，人人都是数据的生产者和制造者。比如每天的社交数据、互联网点击网络的数据、刷卡消费的数据、电信运营、互联网运营数据。像我们的制造和生产行业，有自动化的传感器、生产流水线、自动设施的数据等。有些数据放在以前可能不值钱，但是现在看呢？这些数据现在或者在将来的某一天就会变得很有价值。

比如像我最开始提到的那家美国医疗保险公司，我看过他们的 COBOL 代码注释都有是七几年、八几年前的。他们积累了几十年的数据，突然在 2010 年前后开始意识到数据的价值了，开始通过数据进行一些变现了。之前知道这些数据的价值吗？不知道，但是尝试到数据的甜头，比如做自己的数据分析，咨询机构购买一些脱敏的数据，或者给咨询机构提供数据做市场研究用途。

所以大数据的构建不会是一天两天的，这个过程会持续很长的时间，我们需要为将来做准备。所以如果你的公司连个最简单的业务系统，IT 应用系统都没有，数据连存放的地方都没有，怎么能够上大数据呢？不合理。

数据越多，数据种类越丰富，我们观察数据的角度维度就越丰富，我们利用大数据从中就能够发掘出以前更多没有看到的东西。

3. 数据开放和共享思维。这一点在我们国内其实说起来很容易，但是实际上很难。

去年的时候我去看了一个市公安局的大数据项目（可参看这篇文章 政府大数据面临的问题和阻力在哪里？），他们有两点意识非常好：

1）非常清楚的知道自己拥有哪些数据资源。比如市公安局以及下属分局、各个支队各个应用系统的数据：基础的人口管理、信访、犯罪信息、情报。包括数据监控所涉及到的铁路、网吧、民航购票、ETC 卡口等。

2）为了纳入更多的社会化数据资源、实现全行业的数据覆盖，他们准备接入交通、服务、科技信息化、教育、社保、民政等各个行业的数据。包括他们给下面的单位下了数据的指标，每个单位或者每个民警都有这种收集数据的指标，比如哪个单位今天上传了什么样的多少数据，每个月哪个单位上传的最多，这都是很好的数据收集的意识。

但问题在哪里？问题在于很多机构比如银行受国家政策限制很多数据是没有办法共享的、还有像教育机构，我凭什么把数据给你，在行政上大家是并级的机构。

所以这个时候就需要考虑数据开放和共享的思维，在满足数据安全性的基础之上我们可以不可以考虑数据互换共享的可能。公安局有的数据一定是教育机构没有的数据，那么同样的教育机构有的数据，公安机构也不一定有。如果两者数据在某种程度上形成共享，在保证数据安全和不冲突的情况下是可以创造出更多的社会价值的。比如公安局可以提供教育机构关于各个地区犯罪率的信息，包括交通安全事故多发地等，教育机构可以针对

⑤ 什么叫大数据思维大数据思维解释

大数据思维是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
大数据与“小数据”的根本区别在于大数据采用全样思维方式，小数据强调抽样。抽样是数据采集、数据存储、数据分析、数据呈现技术达不到实际要求，或成本远超过预期的情况下的权宜之计。随着技术的发展，在过去不可能获取全样数据，不可能存储和分析全样数据的情况都将一去不复返。大数据年代是全样的年代，抽样的场景将有利于小，最终消失在历史长河中。

⑥ 大数据的思维方式有哪些

一：逻辑思维

这个词在我们的认识中并不算陌生，逻辑思维是一种数学思维，在大数据分析过程中，需要理清楚各项数据之间的关系，以及需要知道分析的过程中需要收集哪些数据？这些数据分析要得到什么结果，需要通过什么方式获得这些数据，这些都是需要细致的逻辑思维推出的。

二：上切思维

在大数据分析过程中，要站在决策层的层面去考虑数据分析，上切思维就是要站在比数据更高的思维上去看数据分析的角度，数据分析不仅仅是关系到数据部门，还关系到业务部门等其他部门，大数据分析过程中，上切思维的关键就是要建立更加全局的眼光和目标，完整的进行数据分析。

三：下切思维

数据的分析结果是为解决问题存在的，要通过数据的结果来看到问题的所在，这就需要在大数据分析的过程中，需要将过程进行细分，知道和了解数据的构成、进行数据的分解等等，就是一个向下更加细分的过程。

四：求异思维

面对大数据分析过程中接触到的大量的数据，对于某些数据我们一眼看不出区别在哪里或者问题在哪里，对于这些相似的数据，我们需要看到数据在哪些地方有不同，对不同的个体进行理解和分析，例如公司的员工，每一个都有自己的个性，怎么让他们增加工作的激情，更好的为实现公司的目标服务，如何帮助他们进行问题的分析。

五：抽离思维

俗话说旁观者清，在进行大数据分析的过程中，换一个角度，从旁观者来考虑问题，在看数据的时候就会有不同的想法，纷繁复杂的大数据，面对她们的时候，分析者难免会产生一些困扰或者抵触的心理，在碰到牛角尖的时候不要钻进去，而是抽离出来，利用更多角度去看待这些问题，才有使大数据工作更加高效。

六：换位思维

这也是我们在日常比较经常接触的名词之一，站在当事人的角度去看待数据分析，例如站在业务人员的角度去看待数据分析，你才会了解业务部门需要的是什么，大数据分析更好的为解决问题服务。

⑦ 《数据思维》：开启数据认知素养之旅，让数据变得有温度

最近，南京理工大学上了热搜。原因是，南京理工大学的贫困生比例较大，但很多贫困学生因为面子的原因，不愿意申请贫困助学金。于是南京理工大学用上了大数据分析，把每个月在食堂吃饭超过60顿，总消费不足420元的学生悄悄列为了受资助的对象。

这些学生每天在学校吃两顿饭，但每餐饭却花了不超过7元钱，说明这名学生确实在经济上出现了困难。这部分学生不用走审核、公示的流程，学校直接将补贴款打进他们的饭卡。大数据让南京理工大学用不动声色的方式，体现出了人性底色中的善良。

我们已经不可避免地生活在数据世界中。社会发展离不开数据，企业的发展离不开数据，个人的工作和生活更离不开数据。数据无处不在，数据的应用随处可见，大数据甚至比我们自己都更了解自己。

因此像南京理工大学这样用数据思维来解决问题，将会越来越多地出现在我们的生活中。“数据认知素养之父”乔丹·莫罗写了《数据思维》，告诉我们数据思维应该是“人人必会的数据认知技能”。

乔丹·莫罗，是PLURALSIGHT的数据、设计和管理技能主管，也是数据素养领域的全球开拓者。他认为，数据思维可以帮助企业和个人提高竞争力，促进企业文化和个人能力发展。

在《数据思维》这本书中，他用三部分对数据思维进行了阐述：数据的重要性、数据认知素养、数据处理技能。其中“数据认知素养”是数据思维的核心，那么，我们该如何具备“数据认知素养”呢？

素养是指一个人的修养，需要我们在不断学习中获得。数据认知素养也并非人类的本能，但可以通过教育、学习和培训得到弥补和提高。

乔丹·莫罗在《数据思维》中给出了“数据认知素养”的概念：对数据进行阅读、用数据语言开展工作、对数据进行分析和用数据进行沟通的能力。

在这个概念中，包含了“数据认知素养”的四个特征，了解了这四个特征，我们就知道了什么是“数据认知素养”。

特征1 :阅读数据。就是对呈现在我们面前的数据信息进行查看和理解。

特征2 :用数据开展工作。是指为获得某种结果或目的，运用组织中的数据做某件事情。

特征3 :分析数据。对我们生活中面临的海量数据和信息资料，开展数据分析能给我们提供辨识和筛选的途径。

特征4 :数据沟通。是指分享或交换信息资讯或想法。

南京理工大学通过每餐饭不超过7元这个数据，辨识和筛选出贫困生学生，并以此作为补贴的依据，就是对数据认知素养四个特征的充分应用。

数据认知素养不是个人能力、才能或职业技能的改变，而是个人在数据方面能力的提高。那么如何才能提高数据认知素养呢？

乔丹·莫罗在《数据思维》里给出了答案。就是数据认知素养的3C：保持好奇心（Curiosity）、创造性（Creativity）、批判性思维（Critical Thinking）。

第一个C：保持好奇心。 如果你是南京理工大学的教务人员，当你看到有学生在食堂吃饭每餐消费不超过7元钱时，你有没有产生好奇心，多问一个为什么呢？

好奇心是我们开启数据认知素养的第一步。在阅读信息并理解它的过程中，我们的好奇心会使我们不知不觉进入用数据开展工作的状态中，想要探寻更多的信息和认识结果，从而使数据认知素养的四个特征周而复始地开始循环。

第二个C：创造性。 只有产生好奇，才能产生兴趣，而兴趣促进创意的诞生、改变的发生。好奇心可以带来创造性，在提升数据认知素养时，如果我们能充分释放出创造性技能，将会使世界更加美好。

第三个C：批判性思维。 在分析摆在我们面前的数据和信息时，可以让我们从更客观的角度去思考问题、作出决定，改变先入为主的观念，转变整体思维模式。判断出分析是否可靠而周全，确保决策可行且科学。

数据认知素养的3C，对强化数据认知素养的作用必不可少。在我们的职业生涯和生活中，当我们努力实现这些目标时，就可以朝着更明智、更完美的决策方向努力。

乔丹·莫罗说：“人是数据认知素养的本质”。我们认识和提高认知素养的终极目标，应该是帮助个人或组织做出明智的数据知情的决策，依靠数据驱动文化。

那我们应该怎样实现这样一个目标呢？作者在《数据思维》中提出了6个建立数据知情决策框架的步骤：

步骤1:提出问题。 这一步可以和3C中的保持好奇心结合起来，来推动以数据为中心的思维倾向的开展。

步骤2:获取数据。 是指获取有用的数据，来帮助我们具体地回答在第一步中所提出的问题。

步骤3:分析数据。 可以和数据认知素养的第三个特征，以及3C中的创造性和批判性思维结合起来，将其贯穿到数据知情决策的整个过程。

步骤4:整合分析。 根据个人的经验，将人的因素、数据和技术正确地整合并融合在一起，找到清晰、完美的解决问题的答案，尽可能做出更好的决策。

步骤5:给出决策。 以上的所有步骤都是为了得到一个至关重要的结果，就是决策。无论你的策略和计划多么完美，没有决策和实施，一切都是空谈。

步骤6:开展迭代。 决策并不是最终的结果，从已知的决策中学习，然后不断重复这个过程，可以更加有助于组织实行数据驱动和数据知情。要想决策更加合理，迭代是必不可少的环节。

数据决策框架应该成为我们用数据认知素养开展工作不可分割的部分，这6个步骤可以引导我们去做出更好的决策。作者说：这是一个智能的、数据驱动文化的重要过程。

作家梁晓声曾阐释过什么是文化，他说：文化是根植于内⼼的修养；⽆需提醒的⾃觉；以约束为前提的⾃由；为别⼈着想的善良。

如何做到用数据驱动文化，南京理工大学资助贫困生就是一个很好的例证。当我们提高了自身的数据认知素养，学会用数据开展工作，并且始终保持着一种积极的心态时，我们一定会发现用数据开展工作有助于我们做出智慧决策。

⑧ 结合自己的经历,谈谈对数据思维概念的理解与认识。

数据思维与逻辑思维、算法思维、网络思维和系统思维相比具有明显的不同点。首先，逻辑思维强调的是解决问题的逻辑性和正确性，算法思维强调的是计算过程，网络思维强调的是关联，系统思维强调的是整体性。而数据思维强调的是物理世界和数字世界的反映性，数据是对物理世界的反映。

“思维”这个词很棒，即具有意识的人脑对客观现实的本质滚隐首属性、内部规律的自觉的、间接的和概括的反映，这是人类独有的能力!稻盛携液和夫在书中提到“人生成功方程式”，这样写到：成功的结果=思维方式×热情×能力。具备正确思维，所获得成功的结果是成倍增加。也就是说，一个人的思维方式，决定了他看待世界的角度；一个人的思维方式，决定了一个人的人生高度。

⑨ 数据思维。是什么

答：一、数据思维是根据数据来思考事物的一种思维模式，是一种量化的思维模式，是重视事实、追求真理的思维模式。
二、企业在管理过程中，依靠数据发现问题、分析问题、解决问题、跟踪问题的管理方式，就是数据化管理。
三、“数据化思维”是个新词。但其中的内涵，并不是个新鲜事物。所谓新鲜的成分，是我们对数据的解读有了另一种认知，或者说思维方式。

⑩ <2>什么是数据化思维7大数据思维技巧

数据化思维就是利用数据来解决业务问题，让数据更落地更贴近实际应用的思维方式。

1.结构化思维

2.公式姿仔槐化思维

3.业务化思维

1.能站在更宏观的角度来解决迹友业务问题

2.能让戚前业务的解决方案更有数据可做信赖

3.数据化思维可以更便捷更快速的解决问题

1.象限法 

2.对比法

3.漏斗法

    

4.二八法

5.指数法

6.假设法

7.多维法