来源：总裁读书会

作者：唐文，氢原子CEO、总裁读书会研究院副院长

来源：总裁读书会（ID：winnerbook_club），本文为作者11月21日关于《数据分析思维通识课》一书的领读内容

大家好，我是唐文。今天和大家解读郭炜老师作为第一作者的《数据分析思维通识课》一书。

数据的灵魂与现实疑问

我常和郭炜兄交流，总能碰撞出不少思维火花，刚才听了他的分享更是深受启发，所以忍不住要提一个尖锐问题，希望他稍后能给我们解答。

郭炜兄刚才讲开源时，是从程序员这个群体切入的，全世界的程序员在网络社区通过开源项目做出了很多优秀成果，但他后面举的例子却都落到了公司层面，比如最近很火的影视飓风。我一直在想，如果开源模式真的有效，为什么没能在医生、律师这类专业群体中普及呢？这里我指的不是公司层面，而是职业群体本身。

或许有人会说，程序员的工作不涉及个人隐私，而医生、律师的工作离不开隐私保护，因此难以推行。但美国有个知名社区叫PatientsLikeMe（患者互助社区），很多病人会在上面分享病症、治疗方案、康复周期及花费成本，即便如此，这个社区也没能诞生出像Linux那样具有里程碑意义的开源项目。因此我特别希望，郭炜兄在后续予以解答：如果“集市模式”是成立的，为什么只在程序员群体中体现得如此显著，在其他专业群体中却迟迟没有出现？

回到这本书本身，扉页上写着：“数据是有灵魂的，我将用我的一生去追寻它。”这句话特别有诗意。一般数据分析相关的书籍都偏理性，能写出这样的文字，让我一眼就记住了，甚至直接把它当作了今天分享的标题。

接下来我想讲一个关于数据分析的故事。前几年的“口罩事件”时，网上冒出很多“神预言”：有人说某某预言家多年前就预见了这件事，还有人翻出多少年前的某本书，记载“口罩事件”，描述得有鼻子有眼。当时当当网做了一场直播，邀请我去做分享，我专门聊了对这些“神预言”的看法，还讲了一个真实案例。

有个老外特别喜欢赌球，某天收到一封邮件，预言第二天一场世界杯级别球赛中，甲队会战胜乙队。他没当回事，毕竟甲队实力远胜乙队，这预言看似平常，可第二天甲队果然获胜。

过了几天，他又收到邮件，预言下一场升级赛中，甲队能击败实力更强的丙队。他当时觉得不可能，可比赛结果揭晓，竟和预言完全一致。此后，每场重要球赛前，他都会收到这类预言邮件，无论合乎情理的结果还是超乎想象的冷门，次次精准命中。直到总决赛的超级冷门也被言中，他彻底信服，认定邮件背后的“预言者”神通广大。

当下一届球赛即将开始，“预言者”发来信息，问他是否愿意花几千美元购买专属预言服务。基于此前的多次成功案例，他毫不犹豫付了钱。可没想到，付费后预言再也没准过，他这才意识到自己受骗了。

其实这背后是大数据的“筛选套路”：第一场比赛时，诈骗者群发数百万甚至数千万封邮件，将收件人分成两组，一组预言甲胜，一组预言乙胜。比赛结束后，剔除预言错误的群体，只对正确组继续分组预言下一场，依此类推。几轮下来，必然有一小群人收到的每一次预言都正确——这并非“预言者”厉害，而是大数据筛选的结果。

这正是数据时代的缩影：身边看似“神乎其神”的现象，背后往往藏着数据逻辑。而《数据分析思维通识课》这本书，就是想帮我们拨开迷雾，找到数据背后的真相。

客观数据和主观洞察相结合

数据是客观的，但是解读数据的人是主观的。数据这门科学就像中西医混合的一门医学，既要有西医的理论、分析模型以及实验，又需要有中医的望闻问切这些个人经验。中医侧重经验和对表象的洞察，西医侧重检测和仪器测出的数据，而数据分析就是把客观数据和主观洞察结合起来。

我们公司有一项业务是给企业做战略陪跑和战略解码，我常跟客户和合作伙伴说：做战略，不可无数据，但也不可全信数据。之所以这么说，是因为数据分原始数据和二次数据。原始数据是对世界的真实记录，就像石油、煤炭、天然气、风能、太阳能这些一次能源；而二次数据是通过模型算法推导出来的，就像电力这样的二次能源——没有一次能源，二次能源便无从谈起。如果只盯着二次数据，忽略原始数据的真实性和局限性，很可能做出错误判断。所以氢原子多年辅导企业的总结是：战略前置数智系统。

这里要明确核心区别：原始数据是对已发生事实的直接记录，比如一个人的身高、体重，这是最纯粹的原始数据；而判断这个人是否健康，就是基于原始数据推导的二次数据。关键在于，所有原始数据都基于已发生事实，绝不可能来自未发生的事情，未发生的场景，只能像书中提到的，通过马尔可夫链、蒙特卡罗模型这类算法推演，这并非原始数据，而是算法推导结果，与原始数据有本质区别。

战略是面向未来的，既必须以数据为支撑，又不能完全依赖数据，尤其不懂数据思维时，极易误判。比如前些年房地产一路高歌猛进，做装修、门窗、家具的从业者，看到趋势曲线持续上扬，便误判势头会一直延续，甚至押上身家性命，不料行业突然转向，如今很多人损失惨重。

如今数据分析有了广义概念，数据形态更趋多样，比如VOC（客户声音）分析、NLP（自然语言处理）中的情绪分析，这些融入了人工智能的方法，对战略和营销的指导更贴合实际。因此，思考企业经营管理尤其是战略问题时，没有数据不行，完全依赖数据也错，必须定性与定量结合，还要有洞察行业核心矛盾的能力，二者缺一不可。这正是本书的核心精华。

数据分析的六大功用

说实话，这本书的内容从基础统计学一直延伸到人工智能，像ChatGPT、马尔可夫链相关的专业算法，更适合CTO、产品经理和专业数据分析师阅读，很多CEO等企业高管未必熟悉这些专业内容。所以我们可以对书中的方法进行重组分类，主要分为两个维度：

第一个维度是复杂程度和技术门槛不同。比如财务每月用Excel做工资表、统计信息，这也是数据分析，几乎零成本；但去年，DeepMind创始人德米斯・哈萨比斯因其团队的成就获得诺贝尔化学奖，他们不仅造出战胜李世石的阿尔法狗，更通过AlphaFold（阿尔法折叠）算法，快速完成了人工计算成本极高的蛋白质折叠预测，极大推动了生命科学发展。这种数据分析的计算成本极高、复杂度极强。而本书恰好呈现了这样的进阶逻辑：从Excel表格、直方图、柱状图这类最简单的描述性统计，逐步深入到人工智能相关的复杂计算。所以大家阅读时要明确，不同数据分析的复杂度差异巨大。

更重要的是第二个分类维度核心功用。我常给头部企业讲AI和数字化转型课程，发现对CEO等高管来说，不必清楚算法的具体计算过程、所用软件、执行步骤或所需计算资源，但必须明确它的6大核心功用归属。在我看来，从Excel算工资表到阿尔法狗下围棋，再到ChatGPT生成各类内容，无论多复杂的数据分析应用，都可归为6大功用：第一是“描述”，核心是刻画事物基本特征，比如客观记录一个人的身高、体重；第二是“探索”，挖掘数据中隐藏的模式、关系或结构；第三是“推断”，通过样本数据推断整体情况、洞察全局；第四是“预测”，原始数据只关乎过去和现在，而预测算法能帮我们预判未来，如今应用场景越来越广；第五是“决策优化”，比如高德地图提示“前方道路拥堵，但你仍在最优路线上”，就是通过算法对比多个方案后选出的最优解；第六是“个性化推荐”，像抖音、快手、视频号的个性化推送，就具备极高商业价值。郭炜兄书中的众多方法，都可以归入这六大类。

我们先看第一种描述性分析，它要解决的核心问题是“发生了什么”。大家平时用Excel，大多时候都是在做这件事。比如人的智商分布遵循正态分布，68%人智商在85-115之间；人的身高同样是正态分布，这些都是典型的描述性分析。

描述性分析有个经典案例，也是最早用大数据解决实际问题的典范：19世纪中期，伦敦爆发大霍乱。当时医学落后，工业革命后的伦敦空气污浊，人们普遍误判霍乱通过空气传播，导致大量民众死亡。阻断传染病的核心是找疫苗、特效药或锁定传染源，但彼时两者皆无，关键问题便出在传染源误判上。

一位名叫约翰・斯诺的麻醉科医生，做了件看似简单却改变历史的事：他拿出伦敦地图，挨家挨户走访统计霍乱死者的居住位置，逐一标记在图上。标记完成后，清晰线索浮现：绝大多数病例都围绕宽街水泵分布。斯诺据此断定，霍乱通过饮用水传播，控制疫情的关键是改造宽街水泵。

要知道，当时没有显微镜等先进设备，无法检测到水中的霍乱病菌。斯诺仅凭对死亡案例的统计描述，就精准锁定了传播源头。后来伦敦当局改造了宽街供水系统，成功控制疫情。这件事也让伦敦人意识到需分离生活用水与污水系统，使其成为首个实现现代化市政供水的大城市。

这个案例充分说明：在统计学中，仅仅是对数据的正确描述，就能帮我们找到问题的核心解决方案。

所以做数据处理的第一件事，必然是做好正确、客观的描述，千万不要小瞧描述的力量。我讲营销或战略时，常会提到“门型框架”：上行数据、中间洞察、下行决策。所谓上行数据，就是我们这里说的描述性分析：无论研究的是企业销售、财务还是其他领域，首先要对研究对象进行客观描述；在此基础上形成核心洞察，最终落地为下行数据，也就是指导实际业务的决策与行动。这个框架的起点，正是正确的描述。而伦敦霍乱的案例，也雄辩地证明了：正确描述事件，是我们解决问题的第一步。

接下来是探索性分析，核心是“找规律”，探究“为什么会这样发生”。书中提到了多种探索方法，我举一个最常用的：聚类分析。我的合伙人罗蓓老师写过一本书叫《化繁为简》，核心是用简单分类解决复杂问题，而聚类就是分类的“兄弟”，在营销领域最常用于市场细分。比如推出一款快消品或金融产品，凭经验可能会觉得目标客群是银发族或白领，但经验未必可靠。这时候就需要收集大量用户数据和市场数据做聚类分析，才能精准判断典型客群分为几类。

从技术到商业：数据分析的价值转化

我们有个朋友做止痛药膏，最初认为目标客户是上了年纪的老人，结果通过大量市场数据分析发现，最敏感的群体竟是产后妈妈。原因很简单：产后妈妈并非单纯解决疼痛，而是要改善体态，而女性对仪态管理的需求远高于单纯的止痛需求。这种隐藏的规律，仅凭经验根本无法察觉，必须通过数据探索才能发现。郭炜兄的书中也详细介绍了这类方法，让我们在描述数据之后，能进一步挖掘背后的逻辑。

再说说推断性分析，它的核心是“一叶知秋”的能力。过去大家对大数据有个误解：觉得现在计算机算力强，就能把所有数据都算一遍。但事实并非如此。真正的数据分析，往往是在海量数据中通过样本推断整体。

我之前在支付公司工作时，经常遇到金融诈骗问题：几万个电话里可能只有一个是诈骗电话。如果用常规方式处理，会消耗大量算力资源，但精准揪出这一个诈骗电话，却能避免致命损失。这时候就需要用到推断性分析，即便目标事件在总量中占比极小，但只要存在就可能引发严重后果，推断性分析的价值正在于此。

传染病传播早期也是如此：尤其对于高传染性疾病，最开始可能几万人中只有一个感染者，但能否快速找到这个感染者至关重要，否则一旦扩散就会酿成大祸。这种场景下，推断性分析的重要性不言而喻。

下面我们聊聊预测性分析。我之前说过，数据分析的核心是形成洞察，我们不仅要知道过去是什么、现在是什么，更要预判“下一步会怎么样”。但原始数据只能记录已发生的事，明天、后天尚未发生，不可能有对应的原始数据。因此，预测性分析就成了数据分析中极具价值的一环，核心是回答“什么会发生”。

书中提到了在金融领域的应用，如我们总在猜测，股市熊市之后出现牛市的概率有多大，牛市之后转熊市的可能性又如何？这并非瞎猜，而是可以通过马尔可夫链模型预测各种情况的概率。

更典型的案例是大奖章基金，它的创始人詹姆斯・西蒙斯是很多金融从业者的偶像。这家公司主打高频量化交易，团队里大多是顶级数学家和工程师，他们的交易方式很特别：持有资产的时间极短，以微秒、纳秒计。公司的核心逻辑是“寻找市场打盹的瞬间”，只要发现市场出现几微秒、几纳秒的短暂失衡，且有百分五十几以上的胜率，就立刻完成交易。这种对极短时间窗口的预测判断，展现了预测性分析的巨大商业价值。

在我们熟悉的互联网领域，预测性分析的应用也很广泛。PC时代，就是搜索引擎优化的核心指标，PR值越高，代表网站影响力越强、可信度越高、用户访问量越大，搜索引擎也会优先给这类网站导流。而PR值的计算基础，正是马尔可夫链。可以说，马尔可夫链不仅成就了谷歌、百度这样的全球互联网巨无霸，也深刻影响了整个互联网的流量分配逻辑。

接下来要讲的是决策与优化。我们做完数据分析，最终要形成洞察（insight），落到实际业务中。比如营销里核心的客户分层、分类、分级运营，不能只停留在描述客户，更要决定优先运营哪类客户、把资源集中投向哪类客户，这正是战略和营销要回答的基本问题，而这就离不开决策与优化。

这里有个很有意思的算法叫蒙特卡洛算法，网上搜短视频，很多都是郭炜兄在书里提到的案例：用它计算圆周率π。过去我们算π要用割圆术或微积分，而蒙特卡洛算法很讨巧，在一个正方形里画一个内切圆，然后随机往正方形里打点，通过计算圆内点数和正方形内总点数的比值，就能推算出π的值。更经典的是，把马尔可夫链和蒙特卡洛结合，又能形成更强大的组合算法。

个性化分析在今天就更常见了，我们每天都身处其中。抖音、快手、视频号之所以厉害，核心就是在个性化推荐上持续发力。我做新媒体时，也常会关注这些平台的算法，抖音其实会公开部分算法基本原则，这本书里也讲了两个核心逻辑：一是找人群相似性，判断和你志趣相投的人在看什么，就把相关内容推荐给你；二是基于关联行为，比如两种产品总被一起购买，推荐系统就会主动推送。

这背后的商业价值极高。如果你做视频号，首先要搞懂平台的基本推荐规则，就像在别人的舞台上唱戏，得先知道戏台的规矩，清楚平台怎么给你导流、怎么匹配观众。表面上看，这本书讲的都是技术内容，但只要领会了这些算法的商业价值，无论是描述、预测还是决策功能，再结合实际商业场景，就能明白它的力量：马尔可夫链成就了谷歌、百度这样的万亿市值企业，个性化推荐撑起了抖音这样的互联网巨头。

理解了这一点，知道数据世界如何运转、如何改变我们的生活，你才会更有兴趣去探究背后算法的深层意义。所以我给大家的读书框架很简单：第一，明确书中每种方法对应六大功用里的哪一类；第二，挖掘这种功用在商业应用中体现的价值。

其实我觉得这本书未来迭代时，不妨跳出技术从业者的视角，从商业视角重新梳理，比如拆解数十万亿美元商业价值背后，到底是哪些算法在支撑？抖音的推荐算法和马尔可夫链Meta（原马尔可夫链Facebook）、谷歌的有什么区别？它在哪个环节实现了创新？这样就能清晰看到算法如何重塑世界。

我对深度学习印象特别深，虽然我不是技术出身，但一直好奇：同样是计算机跑程序，它和当年的“深蓝”、传统专家系统有什么不同？后来才想明白，传统编程是程序员主导（白领），计算机只提供算力（蓝领）；而深度学习是通过训练数据，给数据打标签，一次次告诉计算机对错，让它自己调整程序、优化神经网络。到最后，连DeepMind团队都未必能说清阿尔法狗战胜李世石的底层逻辑，就像我一位朋友在《暗知识》里写的，这类算法的核心逻辑是“不可解释”的，我们无需懂原理，用好它的功能就行。

落地关键：边界界定与战略启示

数据思维的关键，还在于厘清业务与数据的边界。郭炜在书里有个一笔带过但极其重要的点：上证指数与用户忠诚度的指标定义。营销里常提用户忠诚度，计算公式其实很简单，但很多公司做不好数字化转型，问题就出在数据治理的第一步，指标定义不清晰。可能某个部门内部定义清晰，但全公司对同一个指标却有多种说法，等到汇集数据“挖矿”时，根基早已混乱不稳，后续一切都无从谈起。

这也印证了书中说的“数据思维是中西医结合”：既要懂业务经验，又要把数据边界定义得清晰统一，数字世界的基石才能稳固。所以我觉得这本书可以进一步迭代，把读者范围扩大到非技术、非数据分析人群，很多人分不清数据分析和统计学的区别，更搞不懂人工智能与数据分析的层级差异，从“六大功用”的视角切入，能让更多人看懂数据的意义。

最后想补充一点：前几天有位老板说“大企业有战略，中小企业不需要”，这是错的。恰恰相反，中小企业更需要战略，战略的核心是解决“聚焦什么、如何集中有限资源解决关键问题”。大企业家大业大，经得起浪费；但中小企业试错成本极低，有限的资源如果不聚焦关键问题，很容易失败。而界定关键问题的核心，正是以数据为基石，再加上能洞察行业主要矛盾的“哲学头脑”。

数智系统的特征是“事务性质”，如果只基于数智系统做经营管理，会让公司堕入平庸，战略是超越具体事务的，不可能从事务系统里得出。所以数据思维还要加上战略思维，战略前置数智系统。谢谢大家。

特别声明：以上内容仅代表作者本人的观点或立场，不代表新浪财经头条的观点或立场。如因作品内容、版权或其他问题需要与新浪财经头条联系的，请于上述内容发布后的30天内进行。

未经允许不得转载：头条资讯网_今日热点_娱乐才是你关心的时事 » 激活数据灵魂：数据分析思维重塑商业决策