数据领域的名词特别多，经常把同学们绕晕。数据分析、商业分析、运营分析、销售分析、数据挖掘、算法模型、统计学、智能分析、BI分析……似乎每个都和数据有关系，似乎每个又各自有一个领域的知识。
如何区别这些让人眼花缭乱的概念，今天系统讲解一下。
学习数据分析三类常见错误
正是因为知识点太多，所以有同学很容陷入某个细节，结果产生三大流派：
▌理论流：喜欢搬书，尤其喜欢搬统计学，还有把高数搬出来的。似乎是理论越厚越好。实际上企业里相当多的数据工作是全量统计，根本不需要用到统计学抽样概念。
▌工具流：尤其以ESP（excel，sql，python）或者EST（excel，sql，tableau）流为典型，每天都在努力学习各种操作工具，可每一种操作工具，又止于最大值、最小值、平均值、百分比，最多再做个RFM聊以自慰。结果面试时候总纠结：到底这个算不算熟练。
▌思维流：总是把“底层思维”“核心逻辑”“内功心法”挂在嘴边，“分析无非拆解、对比”，对数据怎么采集一无所知，对数据质量、数据治理一窍不通，结果就是真实工作中连个需求表都讲不清……开发看了直挠头。
当然，更夸张的是以上三个都信了，桌面摆了20本书每天看一章，结果头昏脑涨还是不懂，那画面太美真不敢看……
之所以有这些问题，是因为数据分析工作本身是一个交叉领域的知识，并非像财务会计那样从理论到实操能用一套体系讲完。真实的数据分析工作上呈业务，下接技术，每个子模块都有丰富的内容。如果不梳理出一条主线，很容易扎进细节无法自拔（如下图，数据分析师的技能树）
从数据分析到数据驱动
以一张指标含义清晰，分类维度含义明确的excel表为分水岭，数据分析可以分成技术和业务两部分。
从各个数据来源采集数据，ETL过程，数据仓储建设，数据库中跑数提取出这张excel表的过程，是技术工作，涉及埋点、数据清洗、大数据开发等众多技术领域。为了方便提取数据。
如何解读excel，把数据变成可以指导业务的行动策略，是业务部分。
注意，业务只是一个统称，分成战略、战术、战斗三层。战略层是最宏观的经营分析与企业发展方向分析；战术层是具体的线下销售、线上销售、推广渠道、用户增长、品牌营销、产品供应等业务线的分析；战斗层则是具体的运营活动、媒体发布、获取渠道、产品功能点等分析。
这些分析都是基于可获取的数据进行的，需要业务基础知识和分析技巧的双料加持才能产生效果。所谓业务基础知识，是对战略、战术、战斗三层基本做法的了解。一个人不可能在连汽车都没见过的情况下开好车，同样，也不可能在对一个行业基本规则、操作流程、流行玩法不了解的情况下做好分析。
而分析技巧，则直接和数据质量有关。数据来源丰富、数据质量好的情况下，可以做复杂的分析模型，数据质量不行，只能做基础分析，长袖善舞，多钱善贾就是这个道理。
分析技巧也和业务模式有关，越是能和用户点对点沟通，即时交互的业务，就越有能力做个性化推荐与数据测试。只能在公开场景沟通的，就很难做复杂的数据测试。
有没有可能把这些繁琐的过程，打包成一整个产品来实现？有，BI产品（Business Intelligence）就是这样成体系的数据产品。
有趣的是，在BI产品推出早期(1996年)，人们并不懂得数据的价值，因此才发明了一个“商业智能”的高大上称呼，引起人们对数据产品的重视，而在2021年，人们已经普遍认识了数据价值，数据产品一词才更容易被大家接受。
通过BI工具，业务部门可以轻松快捷地使用数据，极大提升效率。（如下图，基于PowerBI的销售数据仪表盘）
可见，从数据分析到数据驱动，需要经历漫长的过程，且能力上有明显差异。刚入门的同学，可以先对全流程有一个简单了解，之后根据个人工作职责与能力特长，选择更适合自己的方向。
数据分析与算法模型
从本质上看，数据分析与算法是两个应用方向：
▌数据分析：数据分析对抗的是不确定性，核心任务是把可量化的流程、操作、行为量化，用数据化、科学化的管理，代替：“决策拍脑袋、承诺拍胸口、出事拍大腿”的随意的管理。
▌算法：算法对抗的是低效率，核心任务是通过训练模型，把低级、重复、可标准化的操作转移到机器完成，释放人力资源，解决人力计算困难的问题。
所以我们能看到，算法的成功案例，在工业界比管理界多，在业务流程比决策流程多。比如人脸识别，在身份验证、安防监控、违章取证方面有大量应用。
比如基于机器学习预测和线性规划分配的调度算法，在人流控制、物流管理、派送分配方面有大量应用。这些都是生产系统，和数据分析、商业决策没啥关系。
和商业决策相对距离较近的是推荐类算法。但注意：有推荐算法的推荐系统，都是平台方用于应对大量商品（数以亿计的SKU）的情况，品牌方自己才几百个SKU的商品，做商品管理的时候还是要根据产品调性、卖点、用户需求，设计宣传思路，主打文案、卖点、价格策略、售后服务、礼品回馈。这些复杂的商业决策还是需要人来做，靠的是数据分析的支持。
本质上，算法岗位和数据分析岗位是两个工作，但这并不妨碍做数据分析的人向算法岗位靠拢。如果一个做分析的同学，真的对业务不感兴趣，更希望深钻技术的话，完全可以向算法方向发展。做分析的同学，对于数据开发有一定的能力积累，可以进一步强化开发能力。
强化的方向，当然不是打开SKlearn对着一个已经处理好的数据集调参。可预见的未来是：AutoML兴起以后，调参侠第一个失业。强化的第一步，强烈建议从特征工程做起。
俗话说：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。特征工程是最基础也是最重要的工作（如下图，利用特征工程提升预测效能）
纵观Kaggle, KDD等国内外大大小小的比赛，每个竞赛的冠军其实并没有用到很高深的算法，大多数都是在特征工程这个环节做出了出色的工作，然后使用一些常见的算法就能得到出色的性能。
因此，特征工程可以说是机器学习成功的关键因素。并且这些基础的工作，可以在比赛数据集上反复训练，通过大量实践加深认识，比起蜻蜓点水的敲一遍案例代码连打字技巧，是一个更好的上手路径。