当前在各行各业中，数据的重要性经常被提起，数据分析能力对个人而言越来越重要，如何让自己真正地具备数据敏感的能力呢？

最近和妻子讨论面试大学生时，有不少人在简历上写到对数据敏感的能力，但有问到具体的问题却回答不上来的情况。

数据分析是今天以及未来对各个行业都十分重要的能力。

今天来简单聊聊什么才能叫做对数据敏感。我将从求职的角度来谈论，由于篇幅有限只能基于商业分析来讨论，希望对于正在或者将来需要求职的朋友有一点帮助。

首先我们需要重新思考一下数据的意义。

数据在这个时代已经变成了一种资产，这个词相对以往任何一个时代来说，都变得更加有价值。

亚马逊可以轻易地通过自家平台的数据，切入任何具有成熟供应链的产业，例如数据线，充电宝，耳机，音箱，手机支架等等。它可以建立自己的品牌来提高利润，同时利用流量倾斜到自己的品牌，它的品牌「创业」从一开始，就是从1到N的旅程，而不是像大多数公司那样经历生死地从0到1。

而谷歌可以通过累积多年的搜索引擎数据，建立绝大多数公司没有的海量语义识别数据库，在谷歌智能音箱上对人类语言的理解能力更加准确。

故我们在讨论数据的时候，应该要说是要讨论那些能够成为资产的数据。

能成为资产的数据是能规模越大越有优势，能够产生商业价值，以及可以被重新计算成为新应用。

人工智能时代背景下，这些资产变得越来越有商业前景，但同时也让人们重新思考数据分析的定义。

大量重复和苦力的数据分析劳动被机器取代，它们日以继夜地工作，并且表现比人类还出色。

那么人类的价值应该在哪里体现？

我们的价值取向应该是往人工智能无法取代的数据分析去发展，让机器帮我们节省出来的时间去思考更加深度，分析以前来不及考虑的问题。

例如，长期投资决策的分析不能依赖单一的数据模型，或者说不能依赖无法自适应环境的策略模型，可能涉及宏观经济，政策，自然环境等大量复杂的因素影响。

机器无法完成的任务，人类成为多种机器模型的连接和汇聚分析点，这时人的分析价值才能长久地体现。

所以说，我们不需要抵抗人工智能的数据分析，反而需要跟上潮流更好地利用它帮助我们，至少需要掌握一些基础的数据分析工具。

学习一门处理数据的编程语言是最好的方法，Python或者R又或者SQL。

如果不愿意学习Python等来抓取以及分析数据，入门的工具例如Excel操作和透视表分析也是一项加分项之一。

当然，我还是强烈建议你去接触并学习一门数据分析课程，掌握基本的编程能力。

原因有三点：

• 首先技术趋势永远是扁平化的，越是大规模应用的技术都会变得如同堆砌积木一样简单。
• 其次，把编程是一门与机器沟通的语言，把机器当做一个物种，学习编程的热情应该如同学习英语，日语，西班牙语一样充满渴望交流的热情。
• 最后，目前的机器还是很听话的，一旦你掌握了编程技能，它就是你的能力延伸。

掌握了工具，还是要实际地用一个框架去分析数据，因为工具并不是目的本身，我们希望分析数据是希望把这种资产成为有价值的业务。

数据的分析最重要的一条原则是基于业务的理解作出价值取向，它往往决定了你的分析框架。

举个例子，我们需要分析一家电器公司是否具有投资价值。

如果你重视价值投资，你可能会关注现金流，净资产收益率，市场占有率，毛利率，存货周转率等指标。

如果你重视短期投机，你可能回去关注百度热点，微博热点指数，公司公告，成交量，换手率，KDJ等指标。

无论如何，你的价值取向决定了你选取的数据范围。有了框架内的相应关键指标，更进一步地去分析这些指标数据的大小和增速。

我们应该重点关注的数据的具体变化，通过横向的比较，纵向的比较之后，得出相对完整的证据去支撑你最终的决策观点。

举个例子，小米声称的硬件净利率不会超过5%的新闻，不懂行的拍手称赞，实际上硬件净利率并不是财报的标准指标，但从这个概念来看也有很多空间可以「调整」。

横向来比，其它硬件厂商的毛利率也一直不高，能够达到5%的企业其实也并不多，只有像苹果掌握这APP Store的优质软件生态，像三星掌握大量核心部件的企业才能从硬件上溢价达到高利润率。

再从小米本身纵向来比，它上市前两年的报表数据，硬件的毛利率分别是-0.3%和3.4%，还要减去销售管理研发等费用，实际硬件利润率就更低了。

也就是说小米卖硬件一直都不赚钱甚至亏钱，所以这样的新闻无法有效地支撑你的投资决策，也无法支撑你对其情怀的支持。

大小的变化是一个方面，另一个方面是数据的增速。

一个行业的兴衰，处于什么样的生命周期，已经决定了你选取什么样的工具和指标去分析它的前景。

框架还是一样，从纵向比较，例如比去年同期的增速，放缓的原因是自身产品吸引力问题，还是行业生命周期转化了？

横向比较，行业平均水平，重要竞争对手的增速等，都能有助于你看懂当下的竞争格局。

对数据敏感的体现通过上面的过程也成了一件很自然的事情。

你选取了一个价值指标，它的框架上有对应的关键指标，通过关键指标的横向纵向分析，它的大与小，快与慢都成为不同含义的语言表达，透露着你所分析的趋势观点。

敏感的含义在这里更准确地应该表达为，找到关键指标并且找出出有助于决策的证据。

最后简单总结一下，为了把简历上的「对数据敏感」提供实际的能力支撑，你至少需要准备：

1. 了解数据作为资产的重要性；
2. 掌握基本的数据分析工具,最好学一门编程；
3. 价值取向决定你分析的框架，关键的数据指标藏在框架之中，通过横向纵向对比分析能够获取更全面的证据支撑观点。

当有天别人问你为什么说你对数据敏感的时候，希望你已经做好了充足的准备。

作者：闻风（公号：独思有疑），专注产品思维的商业分析。

本文由 @闻风 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议