有时候会听到有人说：「我终于学会用R了」，「我终于学会用SAS了」......
高兴之余，我不免要说，这可能有点伪命题的意思。R、SAS、Excel等等都只是工具，使用工具是为了解决某种问题，而问题本身有往往有不同的场景（不可穷举），有可能你会用工具解决这个问题，却不会用工具解决另一个问题，所有前面说的「学会」，往往有伪命题的意味在里面。
更大的伪命题是——以为学会了数据工具的基本操作，就等于搞定了数据问题，可以高枕无忧了。其实，有可能有的人仅仅是个「数据工具使用者」。比如，很多企业里可能有这样的场景：不同业务部门的人，纷纷向技术支持部门的某个数据工程师提出数据需求，该数据分析师处于长期响应数据需求的疲惫状态。这里之所以说是「数据需求」，是因为其中的业务成分不高，更多的偏重数据统计层面的工作，比如统计按固定年龄分档计数的需求，或者直接导出满足某些规则的名单的需求。
当然，熟练使用各种数据工具（包括商业化的数据工具，以及数据相关的编程语言，如Python等）是非常重要的，也可以帮助从业者更快的入手，更快的沉浸到数据当中去（能接触到海量数据，往往是十分令人兴奋和愉悦的）。但还需要了解，数据工具仅仅是数据从业路上的一部分，更完整的拼图应该包括：数据思维、数学理论知识、数据工具，三个部分。
数据工具：从广义上讲，包括商业数据工具、云端的数据工具、各种数据相关的编程语言。
数学理论知识：包括统计学、概率论、线性代数、微积分等等，是门槛比较高的一块。
数据思维：这一块经常被人提及，却又没人可以说得清楚。我倾向于这样理解——数据思维，就是「通过数据驱动的理念去解决业务问题的思维」，这里的业务问题可以是商业层面的问题，也可以是个人层面的问题。比如，这个月产品的月活跃用户下降是什么原因？papi酱的粉丝和罗辑思维的粉丝有什么不同？我是个卖衣服的微商，我应该怎么细分我的顾客呢？
如果还是感觉有些笼统，那还可以继续把数据思维进行分解，如下图：
①. 数据敏感度、数据模型思维
看到一个数据马上有所反应（是高了，是低了），听到一个事情，闹中马上涌现出相关的数据实体和关系。这里会涉及到数据库和数据仓库的一些理论知识。
②. 把业务问题转化为对应的数据问题的思维
首先，需要理解业务问题本身，然后可以找到解决这个业务问题的数据方法、模型。现实中，确实存在一些基本功很扎实，却无法发现或理解业务问题，进而只能被动响应需求的情况。这个问题的解决，还是需要多关注生活细节，多积累相关问题解决案例。
③. 分析推理思维
这种思维，更像一个逻辑驱动下的导火索，因为a，所以b，然后c。一般的分析推理过程符合 **发现问题 » 维度细分 » 对比 » 回溯 **的过程。
④. 大数据思维
在海量数据的基础上，通过机器学习算法所体现的智能性，去解决分类、聚类、回归等问题。篇幅有限，不细说。
上面四个要素的关系是：在充分理解数据的基础上，围绕业务问题，通过分析推理、大数据思维等数据方法，尝试去解决问题。就像上面的逻辑关系图一样。
另外，还有一种更泛化的数据思维的说法，把企业的数据文化、数据化的组织结构、数据本身的积累和管理也纳入其中，这是个更大的话题，今天不再赘述了~~~
文／老读悟（简书作者）原文链接：http://www.jianshu.com/p/6a83d4b29518著作权归作者所有，转载请联系作者获得授权，并标注“简书作者”。
