人人掛在嘴邊的資料分析，到底包含哪些方面？學好 Python 真的就能做好資料分析嗎?
資料分析，拆開來看其實是幾個方面：
工具、理論、業務
工具，指的是我們從事資料分析所使用的具體工具，如 SQL、Excel、Python、R、SAS等；
理論，指的是我們從事資料分析時所依賴的理論基礎，如機率論、統計學、機器學習及相關的建模和分析框架；
業務，指的是資料分析落地的具體場景，輸入和輸出以及要解決的具體問題。
工具和理論都是比較容易速成的，這也是為什麼各類網課主要集中在這些領域。
業務是依賴於在行業的經驗，因此，轉行最好先在同行業裡面轉，可以借用之前對於行業的業務理解，快速上手。
以上三個方面固然重要，但並不是資料分析的全部。
資料玩家還想再加一個維度，就是思維模式。
也就是，我們除了資料分析的工具、理論以及業務知識，還需要具備資料分析的思維。
那麼什麼叫做資料分析思維呢？
我認為可以分為三個方面：
第一 定量思維
迪斯尼透過草坪規劃道路的故事大家也許都聽過：
在迪斯尼樂園提前開放的半年裡，草地被踩出許多小道，這些踩出的小道有寬有窄，優雅自然。第二年，格羅培斯讓人按這些踩出的痕跡鋪設了人行道。1971年在倫敦國際園林建築藝術研討會上，迪斯尼樂園的路徑設計被評為世界最佳設計。
後來，迪斯尼還推出了 MagicBand，這個手環可以在園內支付，可作為酒店房卡，可以用來當 FastPass，可以用來停車等等，透過這些環節收集的資料，就可以知道哪幾個專案最熱門，哪幾個專案不太熱門，什麼位置餐廳人滿為患，說明還需要增加配置，什麼地方餐廳無人問津，可能要做最佳化……
等等，時間一長，積累的資料就有了各種價值，看起來無法測量的東西，透過巧妙地收集資料，都可以測量。
這就是資料思維第一條，萬物皆可測。
第二 相關思維
大資料時代，隨著算力的不斷加強，原來小樣本的計算已經可以升級為全樣本計算，並且可以發現變數間的相關關係，用來代替原來小樣本中推匯出的因果關係。
最經典的例子就是08年的 Google Flu：
Google流感趨勢（Google Flu Trends，GFT）是Google於2008年推出的一款預測流感的產品。Google認為，某些搜尋字詞有助於瞭解流感疫情。Google流感趨勢會根據彙總的Google搜尋資料，近乎實時地對全球當前的流感疫情進行估測
一個搜尋行為，和一個疾病的發生，看似不相關的兩件事情，存在強相關，這在原來是不可想象的。
不過，盡信資料不如無資料，一定要找到業務含義。
就拿 Google Flu 來說，在研究成果公佈以後，研究人員發現結果不再準確了。經過反覆確認和調研，發現因為很多人得知了這項成果，抱著好奇的心態嘗試搜尋關鍵字——儘管他們周圍並未出現相關病例，導致預測結果不再準確。
當你觀測的物件知道你在觀測他的時候，觀測結果就不再準確了。
第三 實驗思維
告別拍腦袋決策，告別依賴個人審美決策，告別依賴個人經驗決策，透過實際的資料表現來決策。同時，根據實驗結果不斷的迭代和最佳化模型。
當然，實驗的前提是測量，必須先將所有實驗的資料採集下來，才能根據實驗資料進行決策，同時，根據資料分析的結果，可能某些人群針對某個方案更加有效，這又會用到相關思維，即某些要素的相關性決定了最後的資料表現。
透過以上三個思維模式，我們可以將實際中的業務問題進行拆解，轉化為資料分析問題。
這麼說可能還是比較抽象，具體來看看如何應用。
在廣告營銷領域，有一個著名的說法
這是相當長的一段時間，廣告營銷行業最大的痛點，蒙著眼睛放廣告，來了客戶也不知道是廣告帶來的，還是自己找上門來的，或者其他渠道推薦來的。
那麼，用上資料分析思維的廣告營銷，會變成什麼樣子呢？
運用定量思維，那就是營銷效果要可以度量。一個廣告投出去，我需要知道到底帶來了多少轉化，每個渠道的轉化率怎樣，以及這些客戶的後續活躍程度如何，是不是假量？是不是羊毛黨？是不是殭屍戶？等等。
那麼如何度量呢？我們自然可以想到，要檢測轉化率，那就要對每個渠道進來的客戶打標籤，定期出報表，監控每個標籤下客戶的活躍情況等等，自然的就形成了客戶分群經營，分群營銷，分群活動投放等等策略。
運用相關思維，那就是透過相關性分析，使得廣告的投放更加精準。減少無效的廣告投放，在更相關的人群上投放他們感興趣的廣告，提升轉化率，節省營銷費用。
那麼如何進行相關性分析呢？透過前期採集的資料，使用 Apriori 、Collaborative Filtering 等演算法，找出使用者特徵、使用者行為及其最終購買之前的相關關係，從而最佳化投放及推薦模型。
運用實驗思維，那就是透過實驗，判斷哪個投放模型更優，哪個投放渠道更優，同時根據反饋不斷迭代和最佳化模型。
那麼如何進行實驗呢？自然是透過 A/B Test 方法，隨機均分流量到不同的投放模型上，同時採集客戶的反饋，不斷的根據反饋迭代和最佳化模型。
總的來說，做好資料分析，除了掌握工具、理論和業務，還需要具備資料分析的思維，有了資料分析的思維框架，更容易將業務、理論和工具貫通，形成自己的資料分析框架，更好、更有效的進行資料分析工作。