很多新人读不懂数据含义。对着报表，只会和复读机一样，叨叨：“昨天销量100，今天销量120，增加20……”讲这些只要不是瞎子都能看的到的东西。也因此经常被笑话，咋办？！今天我们系统讲解一下。
给一个数字：180，能看出含义不？
不能！
因为这就是孤零零一个数字，啥含义都没有。想读懂数据，至少它得是一个明确的数据指标。包含了指标名称，使用场景，计算口径。同样是180，我们换成：成年女性，身高180cm。是不是一下清晰很多了。
而且很多人可能已经有了本能的判断：这个女生个子很高。这么判断，可能基于数据统计。根据2015年《中国居民营养与慢性病状况报告》，报告显示，成年男性平均身高167.1cm，女性155.8cm，也就意味着180cm已经超过大量男性身高了。可以定义为高。这么判断，也可能基于约定俗成的习惯。比如习惯来说，女生超过170已经算高个了，180更是超大个。肯定算是高了。
两种判断都没有错，其实都是进一步读懂数据的方法：统计法和习惯法。统计法基于数据统计上的差异进行高中低划分。习惯法则是把人们约定俗成的习惯量化。
从“成年女性，身高180cm”到“成年女性，个子非常高”是读懂数据的一个重要转折。因为180cm是一个客观数值，不能直接影响我们决策。但是“高”是一个判断结果，这个判断是会影响我们决策的。不信继续往下看。
场景1：小明身高175，二姨很热情的介绍了一个180的女生来给他相亲。
场景2：小明在组织一次展会活动，需要5名模特，HR linda介绍了1个180女生给他。
问两种场景下小明的心情如何？
有些女生会嫌弃比自己矮的男生，很不幸，小明就是被深深嫌弃过的一名靓仔。所以小明遇到场景1估计就直接骂娘了：“早就说了不要找比我高的，你丫是诚心给我难堪吗！”——这就是无视别人要求的结果。
场景2估计小明会很开心。展会的模特吗，就是要人高马大模样俏，这样才够排面。当然肯定出场费贵很多。这时候要是图便宜，随便找几个矮个子妹子，估计领导看到身高就要开骂了——给你们费用，不拿来贴门面，拿来擦屁股吗！
所以想再深度读懂数据，一定要结合具体场景。这里有两种做法：
1、基于业务逻辑推演
2、基于过往经验总结
两种方法，都需要对业务场景的深入了解（如下图）：
经过前三阶段，我们已知的信息是：
1、成年女性180cm属于：高
2、找模特需要个子：高
3、个子高+模样俏=价格贵
在这些基础上，再看数据，又会有新的解读。
比如你负责筹划展会，你下边的广告公司推荐的现场模特身高如下：
看完以后，你可能马上读出：这帮孙子又想黑我的费用！偷偷摸摸给我换了一批便宜的模特！是滴，这个解读就又比“诶呀，身高缩水这么多”更进一步，这就是第四阶段的解读。
同样的数据，如果你没有读出这个，直接发给了领导，领导看完可能立马解读出：这个新来的小伙子不懂业务呀，哪有排面活做的这么寒碜的。
同样的数据，如果领导没有处理，真的找了一批随便什么人去展会。你的经销商们看了以后，立马能解读出来：诶呀，今年这品牌实力是不是有问题呀，你看展台面积也缩水了，新品发布会也不热烈，模特都是凑数的，不行不行。
所有这些都是基于一个身高数据，所谓见微知著，其实背后都是有逻辑的推理（如下图）
当然，解读数据也是有限度的，过分解读，或者随便乱猜，都会导致错误理解。比如：
随便乱猜：你看模特都是美女，所以他们的老总肯定好色。
过度解读：你看这次请了九个美女模特，肯定有九款产品发布
读懂与随便乱猜的最大区别，就是证据数量。比如上边经销商质疑品牌商实力，并不只是孤零零的看模特身高变化，也看了展台、看了新品发布会，有多个证据支持，解读自然接近真实。随便乱猜常常是毫无依据（好色的证据呢？）过度解读，常常是孤证不立（除了九个模特，还有其他证据吗？）。
当然并不排除我们获得了更多证据以后，有个新的解读。逻辑性+证据数量，是判断数据解读的唯一标准。只要有充足的证据+合理的逻辑，我们就有理由接受结论。
为啥例子里解读数据很容易，可实际工作中很难呢？答：因为身高、相亲、展会模特这些例子，本身业务含义非常简单清晰，容易懂。可实际工作里，数据分析师常常脱离业务，对具体销售、运营、产品、售后等等情况一无所知，只能通过：销售额，毛利、活跃率、转化率等几个数字做简单猜测。
常见的问题，比如：
不懂业务含义：为啥相亲要关注身高？不是看有没有感觉吗？
不懂业务情况：为啥小明不喜欢高个子女生？高个子才是靓女啊！
不懂业务逻辑：为啥展会一定要找高个子模特？随便去几个人不行吗？
这样导致的结果，是无从对数据下判断。于是只能流于：昨天销量120，今天140，增长20，增长了16.7%这种毫无意义的流水账。关键是，这些判断很有可能在业务看来是常识，所以在沟通中出现了：业务懒得说，数据不知道问，的尴尬场面。最后怪罪到数据分析师头上的时候，他还可怜巴巴的：我又没相过亲，我又没做过展会，呜呜呜
所以想解读的深入，具体，就得贴近业务，学会从具体操作中抽象出数据含义，将业务方的判断量化。
微信：DaasCai
邮箱：ccjiu@163.com
QQ：2286075659
PPT，考验你的格局、能力和思维的方式，你得学会驾驭它！
那些不加班的人，都是怎么做Excel的？
从8个角度5分钟搞定数据仓库
商业银行数据分类分级的管理实践
数据架构管理的数字化与数字化管理
数据分析师的工作职责是什么？
如何用Excel表格制作品质图表？
如何用数据解决实际问题？
数据治理：让你效率迅速提升的10个Excel数据清理技巧
这篇文章把物料清单（BOM）各种场景讲透了
我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。
我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。
我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。
了解更多精彩内容
长按，识别二维码，关注我们吧！
数据工程师
微信号：sjgcs
构建数据工程师生态圈
京公网安备 11010802041100号