1. 数据分析为什么“火”了
几乎所有商业上的成功都依赖于成功的决策行为，好的决策依赖于充分、有用的信息。信息的来源有两个主要的渠道，一是人的主观经验，二是客观数据，这二者实际上是缺一不可，形成互补关系。因此，当企业在面对具体的经营问题时，为了度过难关，就通常需要高薪挖有行业经验的人才，同时收集有利于企业决策的重要数据。
数据分析到底是什么？此处可以恰到好处地下个定义——在主观经验的基础之上，对客观数据加以充分利用，获得有价值的、有利于成功决策的信息的分析方法！
人们用数据分析解决问题的历史由来已久了，早在春秋战国时期就有”数灶台”来判断敌军数量的经典案例。但是直到近十年，数据分析方法才真正迎来蓬勃的发展，偶认为背后主要来自于计算机技术的迅速发展，主要包括以下几个方面：
（1）数据获取技术提高
从广义上，数据包括生产数据、自然数据、和行为数据几大类。随着传感器技术的发展，单个传感器成本已经被压到很低，人们可以非常廉价地获得制造业中产品的生产数据和复杂自然界中的各种监控数据。另外，随着互联网、社交网络、和移动通讯技术的发展，也促使了人们日常行为的”电子化”程度更高，更多用户行为数据可以通过各式各样的在线应用流量入口被快速精确、且完整地记录下来。
（2）数据存储效率提高
存储芯片做的越来越小，成本越来越低，云存储的技术也获得了迅速的发展和应用。随着5G技术的逐渐落地，未来数据传输速度的瓶颈也不再是问题。数据可以做到随时获取、随时存储、随时应用。
（3）数据计算效率更高
主要是分布式计算的算法和相应硬件技术的发展（如GPU加速以及大规模计算集群技术）。
（4）数据相关法律法规健全
众所周知，只有在健全的法律体系下，一个行业才能平稳有序的发展。随着数据相关的应用和商业模式越来越多，与老百姓的生活相关性日益密切，无论是国外还是国内，都相继出台了成熟的数据产权以及数据安全的法律法规。好的数据企业在健全的法律保障下可以稳健发展，不断产生更有价值的行业创新，也创造出更多的高价值岗位。
2. 数据创造价值的基本逻辑
在企业运营中，通过数据分析可以获得更充分的市场信息——这样就可以更好地了解市场，从而做出更加准确的决策获得效益。那么，数据和企业效益之间的基本逻辑是什么？更多更好的数据是否直接带来企业效益？
针对该问题，提出几个偶认为的关键要点：
一是要认识到使用数据是有成本的，一个企业不应冒进地采取数据扩展策略。数据并不是越多越好，要重视数据质量、真实性、数据背后的意义、以及数据与具体业务（商业模式）的相关性，有针对性地收集数据、使用数据；
二是要认清市场竞争环境仍然以零和博弈的形态为主，使用数据的目的是获取决策信息，但仅仅如此是不够的，更重要的是相对于市场上的竞争对手获得更强的信息不对称优势。因此，在当前的市场环境下，在传统行业中充分使用数据分析技术会给企业带来超额价值，更容易取得成功（如农业、传统制造业、能源行业等）；
三是要怀着谦逊的心态看待数据分析技能，把它看作一种必备技能（就像英语一样），而非核心竞争力，这也是偶最想强调的；这里所说的数据分析技能，既包括一般的业务数据分析，也包括相对复杂一些的数据挖掘、机器学习、深度学习等。尽管后者的方法对技术要求更高，但是随着编程能力的普及化、算法程式的乐高化、以及数据教育的亲民化，在未来（当你毕业的时候），这些内容都不大会构筑非常高的入行门槛。
因此，若非个人能力特别牛，有著名高校和著名paper的背书，不建议把数据分析技术作为核心能力去培养（纯兴趣除外）。毕竟整个社会对纯算法研发岗位的需求少之又少（仅限于高校及top大厂的研究院），就算有，大多数的技术创新也仅维持在简单的应用层面，很难在当今异常成熟的技术条件下做出特别重大的算法上创新。
3. 做一个有职业优势的数据专家
综上，偶的大致判断是：如果喜欢数据科学并且想从事科研，可以选择并从事大数据相关专业的学习；如果未来去业界发展，建议理性看待数据类专业的”市场价值”，将其作为基础能力去培养，同时重视多元化发展自己的技能。
建议考虑，”大数据+X”的模式去选择自己喜欢的专业或规划自己的就业方向~ 毕竟，未来很多行业都会与数据技术、信息技术产生非常紧密的耦合关系，数据技术更应当理性地看作是一种常规的方法和技能来解决某个特定领域的问题。
大数据就像基础学科：数学，样无处不在~
此外，在学习数据分析技能的时候，偶也要给出几个小TIP：
一、打好基础，熟练掌握经典的最常用的模型
大数据技术有明显的2/8特征，少数非常经典的简单算法模型（如回归、决策树、MLP）就可以解决绝大多数的算法问题了。
二、除Excel外，集中掌握一两门核心的大数据编程语言
建议R(学术、统计)和Python（商业应用）
三、重视核心竞争力的培养
把数据技能看作是基础能力，同时要有自己的核心能力。对于在校生，就算某个具体的专业，如经管、医疗、物理等等；对于从业者，就算某个行业的领域知识和经验，如制造业知识、金融业知识等等。
四、对算法的学习关注逻辑，避免陷入细节
按照现在的行业大趋势，未来可用的模型和算法会越来越多、越来越复杂；如果要一直跟着学，所有细节都掌握根本不现实，也会累死。当然，这样做其实根本不必要，因为现成的开源代码或架包很快就会出现。
建议仅对核心的经典模型掌握其基本原理甚至推导逻辑；对于繁杂的创新模型，主要是了解模型特征和适用条件，理解以下几个要点：
1、背后的核心经典模型是什么？
2、解决了什么特殊问题？在经典模型上有什么改进?
3、应用场景？是否广泛应用？
4、优缺点？局限？
