数据思维目的：
解决业务问题，创造商业价值。
数据思维定义：
让数据怎样变成商业价值。
- 深刻理解数据和商业价值（非科学价值）的关系。可以被电子化记录的才叫数据，文字、图像、声音、行程信息、道路信息、共享单车、滴滴等。价值一定是关乎我们自己的工作运营中最核心的业务诉求。亚马逊、淘宝的成功案例对我们业务没有帮助，就没有价值。
- 回归分析。有能力把业务问题定义为数据可分析的问题。只能是业务中的管理者和负责人能定义。核心能力是能定义出指标的多个 X 和 Y。比如樊登读书粉丝量Y 和季节因素X、时间因素X、代言人因素X、文案因素X等等。
- 怎么把数据分析和模型产品化。任何在商业过程中可以被实施而产生价值的都是产品。不一定是物理存在的软件、物品、甚至可以是流程。在产品预测不准但有改进的前提下，怎么通过产品和商业模式的创新，让更多人体现他的美好。案例：公交车油耗大问题、下雨伞、价格预测。
大数据为什么不能代替统计抽样做到绝对准确？
- 统计学关心对数据的分析、建模、采集过程。并不仅仅是抽样。
- 大数据的数据分区并不能代替更广泛的群众。比如腾讯只有腾讯的用户数据，阿里只有阿里的用户数据，但如果统计所有河南的数据，不一定能代表。
- 越是大数据，越要抽样。1 抹平误差，2 节省计算量。
大数据和统计的相关关系和因果关系？
统计学关心数据分析问题，即包括相关关系、也包括因果关系。但是因果关系极为奢侈，小概率只能在临床实验中找到，大量都是相关关系，但是这不能代表因果关系不重要，反而因果关系更为重要。比如公鸡叫和天亮。如果做预测，看相关关系。如果想要改变/动作，看因果关系，但事实上因果关系太奢侈，基本上是分析相关关系聚焦到一小点，再用主观判断做决定。
回归分析
只要有 Y 和 X 的都叫回归分析。术的层面包括线性模型、非线性模型、非参数模型、机器学习、深度学习算法。道的层面是一种思想方法，可以把业务问题转变成数据可分析问题。
大数据怎么跟普通人不脱轨
- 分析问题的目的是什么。
- 业务分析的核心诉求 Y 因变量和 X 相关解释性变量是什么。
对于创业者，应该怎么做？
- 数据对业务关系大不大。不大可以不关系。
- 如果数据是项目的核心资产，要梳理清 Y 和 X 的关系。保证 Y 和 X 的高质量供给，不至于被垄断，最好掌握在自己手里。比如车联网数据和未来是否出险。车联网数据在车企，出险数据在保险公司。而如果是小轿车变成大卡车，大卡车的物流企业知道汽车出险数据。
数据到底能产生什么价值？
- 大部分场景下，看不到数据产生的巨大影响。
- 倒着业务线问。比如预算到广告和营销，线下活动采集人群信息、地理位置信息等。
大数据部门应该独立成立还是渗透到所有业务线？ 对于一个数据资产重要的企业，应该是从上到下所有人都要了解。
