我们已经进入了5G时代，大数据运用随处可见，5G时代的到来，加速了数据分析的运用。
现在已经不是数据真的有用没用的时代了，而是要如何运用数据分析的时代了。
可是你懂得数据分析吗？会运用数据来帮助你吗？
如何通过分析多种数据关系，提取对自己有用的信息来锁定问题的关键原因呢？
如何通过数据来反映客观事实，增强自己的说服力呢？
作为大数据时代的一员，学会数据分析已经成为新时代的标配。
来自日本柏木吉基创作的《如何用数据解决实际问题》则很好的给出了答案。
2014年，柏木吉基创立数据&故事公司，曾为众多日本顶级企业提供高水平的数据分析培训，其方法简单实用和卓见成效而广受好评。
而本书中介绍了一整套简单实用又立竿见影的方法和流程，让你轻松掌握数据分析与解决问题的能力。
如何用数据解决实际问题
那为何我们迫切的需要掌握这种用数据解决实际问题的能力呢？
1、在面对新事物层出不穷的当今社会，我们已经无法仅仅凭个人或组织的既往经验来判断和解决所有的问题，我们必须要通过数据分析后才能呈现出问题，以便进一步来解决。
2、随着全球化的发展，业务逐渐走向多元化，并不断扩大，从业务的整体来看，个人所能掌握的知识是极其有限的。
3、只有学会数据分析，我们才能有目的去收集和整理数据，并对数据进行加工和分析，从而从其中提炼有价值的信息，为更好的做决策提供参考。
那如何掌握通过数据来解决实际问题的能力呢？
1、解决问题，你需要“流程”
解决问题应该先从明确目的开始。我们在做好前期的"数据整理'后，应该先去了解其关键部分，即从广阔的视角出发到聚焦于关键点，找到问题的关键才是“数据分析”的开始。
数据分析前要明确目的
开端决定了结论的质量，对所有问题来说，最初的“问题定义”都决定了后面工作的成败。
当分析者只关注了代表结果的数据，而没有具体考虑分析的目的或问题，那他接下来就不知道该如何做，就无法实现“改进结果”“解决问题”的目的。
只有关注数据分析的目的，是针对"原因是什么，需要采取哪些行动“等问题得出结论，只有这样才能真正在工作中，提高工作效率。
数据分析需要”假设“
数据分析需要“假设”
我们既然采用了数据分析这种科学的研究方法，就应该尽量客观地提出假设。
确定目的或问题后，我们才能决定假设、方法、所需数据等具体内容。我们需要通过“WHAT型假设”对分解和比较数据来锁定问题的关键原因。在“锁定关键原因”时，还需要通过“WHY型假设”来列举出候补原因。
思考问题之外的问题
我们从不就事论事，只看问题本身，我们会留意“问题之外的问题”，试着从高出自己一两个级别的水平进行思考。
思考之外的问题
举例而言：汽车销量下滑，怎么办？解决问题先从明确目的开始，就是明确汽车计划销量与现实之间的差距，在定量把握问题的同时，把握大致的现状。汽车销售额自一年前开始逐渐减少，与上一年度的月平均销售额相比，本年度最近一个月降低了大约15%。这意味着与本年度计划相比，全年预计将有约10%的目标无法实现。“也就是说，首先需要确定，用“销售额”作为衡量汽车销量减少程度的指标。为了确认这就是“问题”，还需要明确现状与计划之间的差距，即从最开始就要明确没有达到计划的“现实”与“计划”之间的差距。接下来，我们才可以决定假设具体的问题来讨论如何做、做什么、需要改进多少的问题。
2、分解数据，找到“问题的关键”
在明确目的或问题、大致把握现状之后，进入提出假设、确定问题关键的阶段。那么，具体应该如何找到“问题的关键”呢？
学会把握数据的视点的问题，在很多情况下可以通过“趋势”和“快照”两个视点来解决。
“趋势”视点可以捕捉一段时间内的变化，通过观察过去的数据变化，来预测将来的动向，重点挖掘问题的关键和原因所在，找到所需信息的概率就会增加。
“快照”视点是截取某个期间的情况。用指标体现该期间的大小、比例和分布情况等，可以轻松地把握大致情况，从而确定该因素对问题的影响程度。
运用“趋势”和“快照”的视点把握了数据的整体情况之后，可以运用相同的视点找到问题的关键。
对较大范围的数据，即使进行比较也很难找到差异。此时需要运用“四则运算”来分解数据，使其变得更为详细和具体。这种方法叫作“WHAT型假设”。
WHAT型假设
将较大变量分解为具体指标，我们从需要考虑从何种维度对该指标进行比较，才能找到问题的关键。
应用最广、最具代表性、最便于计算的统计指标要算平均值。平均值能够作为体现数据“大小”的代表值或标准值发挥作用。平均值这个指标用途广泛、非常便利。
对于想了解每月变化的人来说，使用平均值能剔除那些过剩信息，为实际工作带来很多方便。
平均值不能代表总体，它受到离群值得影响，而且，数据波动越大，离群值就越多。
如果以平均值为中心，所有数据都大致均等地分布在其左右两侧，那么中位数的值必然会接近平均值。相反，如果受离群值的影响，平均值在所有数据中的位置较偏，那么中位数与平均值之间就会出现较大差异。
平均数和中位数的优缺点
举例：对“新车销售总额”这个问题进行分解，通过四则运算，来找到“问题的关键”。用“WHAT型假设”进行分解。左端的“新车销售总额”是代表最根本问题的指标，可以分解为“新车销售数量”与“平均单价”的乘法。分解“销售总额”的构成要素，可以使分析者看到更为具体的内容。从新车销售数量和平均单价两个方面，可以比只看销售挖掘得更为深入。仅根据新车销售数量的变化，还无法找出“问题的关键”。因此，还需要将新车销售数量分解为“本品牌首次购买数量”与“本品牌内再次购买数量”的加法。如果进一步分解能体现出数据特征的差异，可以继续分解，从而提高分析的准确度。可以将“本品牌首次购买数量”，分为“从其品牌流入”的用户和首次购车的用户。将“曾经买过本品牌产品分解为再次购买时仍然选择了本品牌产品的用户和转为购买其他品牌产品的用户。
3、采用交叉观点，锁定“原因”
关注两种以上数据之间的关联程度，就可能获得仅从一种数据中绝对无法得到的信息。换句话说，就是将视野从一维的数据，扩大为关注2个维度，有意识地转换思路和视点。
”相关系数“可以表示相关程度，计算相关系数的方法叫作”相关分析“。相关系数越接近1，正相关的程度越高。相关系数为0，表示两个数据没有任何关联，互相独立。
相关系数的优势
（1）能够立即得出答案
比如运用EXCEL的XXX函数，立刻就可以得出相关系数，对每天忙于日常业务，需要在短时间内找到答案的一线工作人员来说，相关系数可以节约时间的特点极其重要。
相关系数
（2）简单易懂，更容易得到对方理解
相关分析的结果介于-1至+1之间，对任何人来说都很易于理解，而且无须向对方解释“相关”的含义及分析结果的意义。
（3）能够分析单位不同的数据
两种数据单位不同，无法进行四则运算，或者单纯用数值进行比较，但做相关分析就完全没有问题。
（4）为回归分析等进一步分析做铺垫
将数据的相关关系写成公式，就可以通过“回归分析”做出更为具体的预测或指定计划方案等。
相关分析可以单独运用于实际业务，也可以为其他深入分析做准备。
找到相关分析的着眼点
相关分析的着眼点
在解决问题的实际工作中应用相关分析的两种模式：
第一种模式通过相关分析，找出对最终目标具有密切影响的原因。
例如：针对“销售额”这个最终目标找出“顾客满意度”“降价”“产品魅力”等可能影响该目标的因素，观察这些因素与其相关程度的高低。
第二种模式是在某个业务流程中找到瓶颈。
业务流程中包含金钱、信息等的流动，理想的状态是所有要素畅通无阻地抵达最终输出，但某个环节出现停滞，预想的输出就无法实现。
比如：面对“计算机销售为取得预想业绩”的问题，需要在实现“销售台数”这一最终输出的流程中，找出问题所在，并采取适当的措施。
锁定原因也需要”假设“
（1）寻找接近结果的原因
举例：针对提高销售额的目的，将“营销费用”作为原因的话，销售额和营销费用需要通过“来店人数”才能具有关联。三者之间是“销售额---来店人数---营销费用”的链条结构。但是影响销售额的不只有来店人数，而营销费用和销售额没有直接的关联。
（2）选择能够采取对策的原因
从理论上找到很多原因，并断定其与要实现的指标具有高度相关，在建立假设时就要设想“假设得到验证，就能采取哪些对策”。
举例车型B客户忠诚度下降
举例：通过建立WHY型假设，关注影响客户忠诚度的要素车型B的客户忠诚度下降，影响了销售数量和销售额。那么为什么会出现这种情况呢？可以通过关注客户忠诚度与其他数据之间的相关关系来锁定原因。从“用户再次购买时为什么选择其他公司产品”的疑问开始，最终将问题归纳为“售后服务”“产品”和“价格”3个关键词。总结关键词，可以便于检查是否有遗漏或缺失。
随着“大数据时代”的到来，数据已经渗透到每一个行业和所有业务职能领域。作为商业人士的我们应该掌握数据分析的本领。欢迎读原书《如何用数据解决实际问题》，轻松教你实现数据与实际问题的深度融合。
