先讲下咱们整体的架构，主要会讲到数据分析的重要性，数据分析岗位的分类。首先呢，先给大家整理一份思维导图。
一、对个人的意义1. 晋升的必备技能
如果你想在职场上做上管理层，那么数据分析是必备的能力
举个例子：小 A 和小 B 现在同时属于竞争运营主管的时期。然后领导给小 a 和小 b 同时下达了一个项目任务，领导说这个项目大家好好干。谁能提出超越对手的建议，谁就升职。
小 a 回去想了一想，他对竞争对手进行了分析，又从市场战略和业务需求中进行分析，交叉引用，并且又基于目前的用户数量归类用户的列表分析工作模式和行为。对于受众创立用户画像。创立出了适合现在公司运营的方案。
2. 说服的必备技能
如果你是一个想要做出成绩的职场人，必然是要自己出方案的，但怎么让别人相信自己的方案，最好就是用数据来证明
举例：有一个地方，人们都不穿鞋子。公司有两个业务员分别去考察。考察完：A 说：“这里的人都没有鞋子，是个重大潜力市场”B 说：“这里的人都不穿鞋子，没有市场”现在领导请你分析在这里开展新业务的可行性：
两个业务员的评价，你信谁的？
A.相信 A
B.相信 B
C.谁都不信
其实，这两个人说的话，都不可信，因为都是他们各自的主观判断，没有任何数据支撑，你让我怎么相信你？如果你说没有鞋子，会是重大潜力市场，请问这些不穿鞋的人当中，有百分之多少的人愿意购买鞋子？客单价多少？复购率多少？喜欢什么款式？各种鞋子的码数比例是多少？
不论是有市场还是没有市场，都不应该是主观的一句话来判断，而是你得给出这些客观的数据，所以这道题应该选C，谁都不信，除非你给我证据。
3. 独立自主的判断
不会人云亦云，具备数据分析的思维，能更容易抓到重点，避免偏见
举个例子：如果你问运营活动做的怎么样啊？你可能经常会听到如如下话语，这个活动很好，该继续做。这个活动不好，不能做。这个活动做了不好不坏，做了也是白做。
这就说明了我们平时遇到的运营大概率都是稀里糊涂，呆头呆脑，投机取巧，浑水摸鱼。而你作为一个数据分析师你不能这样想啊，要有自己独立的判断能力，可以分析业务逻辑，梳理业务过程，这样才能客观的得出结论。首先咱们可以梳理活动流程，然后筛选主指标，设定判断标准，最后找出影响的过程。
4. 严谨的思考能力
不再是我觉得，我认为，从主观判断到客观严谨的数据分析，更容易找到正确的方向。那从企业的角度来讲，我们数据分析师就是医生，我们通过对企业运营数据的分析来判断企业的症结所在。作为一名合格的数据分析师，我们应该保持严谨负责的态度，并且保持中立立场，客观评价，这样才能对企业发展过程中存在的问题提供有效的参考依据，不说其他影响的改变。
举个例子，比如你说：
落地页转化率是 1%，转化率较低。
估计绝大部分的新人分析师在分析报告都会这么写。这里“落地页转化率是 1%”是事实，“转化率较低”是观点。虽然有事实支撑，但是这个观点很明显有问题，凭什么 1% 就是低呢？
很多新人评判高还是低完全看数字大小，觉得 1% 这么少肯定算低了。但业务人员一看，觉得这个转化率很高，因为平时的转化率只有 0.5%。这就是大家的论证过程不同导致的观点不同。
但人是优先使用直觉思维的，因为直觉思维可以快速做出判断，节省了大量的能量。如果你没有考虑过理性思维的重要性，依靠着直觉思维和数据分析的方法解决问题，这会给你的职业发展留下一个巨大的隐患。在开始的时候，你不会有什么感觉，和别的分析师似乎也没什么区别，但几年之后，你会发现自己成长非常有限。
二、对公司的意义
开发“鹅脸识别”！
深圳 00 后学生克服重重困难，巧用 AI 助农户养鹅
300 多年来，“世界鹅王之乡汕头”的鹅农们都学会了一个技能：通过肉眼观察鹅是否长时间不动、双手触摸感知体温是否发烧，来判断鹅的健康。但很多时候，眼和手再快，也快不过病毒。
疾病摧毁一个千余只的鹅场，最快只需要十天。2018 年冬天，一场突如其来的禽流感席卷了后溪村，有鹅场 1000 只狮头鹅最后只存活了 5 只。深圳的 00 后大学生用上了 AI，造了一个人工智能养鹅场
深圳大学腾讯 AI 班（下称腾班）的大二学生，开启了一次独特的实践作业，用 AI 帮助农户养鹅。蹲守鹅场半年，他们踩着 3cm 深的鹅屎工作、对 30 万只鹅进行“鹅口普查”，在标注中练出手速；在 40 度高温和台风来袭中，打响摄像头“保卫战”；和农户交流鹅病，翻遍论文变成半个养鹅专家。
鹅是水禽生物，像给猪一样挂二维码识别的方式行不通。为了获取足够多的样本“投喂”AI，同学们选择用养殖场的摄像头抓拍，人工逐一抽帧，再对拍摄的每张照片进行分类、打标签。
6000 张图片、30 万只鹅的标注，让很多同学睡觉梦见的都是鹅。“做 AI 真的是有多人工，才能有多智能。”王翊沣说，标注过程中需要集中百分百的注意力，“红框如果稍微大一点，圈了一点杂物都会影响 AI 的训练效果”。
不仅如此，同样的算法在不同的场景里，准确率可能会差几十个点，因为鹅的场景太过密集，更需要不断的迭代优化算法。在腾讯工程师指导下，同学们首先优化识别算法，提高密集场景下狮头鹅的识别率，之后又优化追踪算法，记录每一只鹅的停留时长，进而判断是否有异常。改了“差不多几十次”模型后，算法组同学才真正明白老师沈琳琳常说的那句话——没有 100%的算法模型，只有因地制宜的算法模型。
鞋缝一点点塞满凝固的鹅粪，学生们对鹅的了解也在不断加深。他们发现，由于成年狮头鹅的羽毛厚重，导致难以测量鹅温。而小鹅苗的羽毛更轻薄，有测温条件，正常鹅苗的体温是 40-41 度，如果生病体温一般会略高，所以，又在小鹅生活的鹅棚安装了红外测温仪，并复用一部分“呆头鹅”识别跟踪的算法，帮助鹅农识别体温异常的“发烧鹅”。
后来，有同学又从十年前的论文里发现，狮头鹅的发病和台风、雾霾等天气也有着密切关系，于是这群 00 后又在小程序上新增了数据观测及分析功能。
从短袖到夹克，跨越 100 多个日日夜夜和上百场的线上会议，小程序一直在进行迭代升级。到今天，小程序界面上每天都可以实时收到几次的呆头鹅、发烧鹅的预警，显示鹅场的温度、湿度、PM2.5 指数及数据变化的趋势图，帮助农户将狮头鹅的存活率环比提升了 30%。
三、数据分析案例
数据分析有反面案例么？也是有的，
啤酒和尿布
有一个传言说沃尔玛在分析消费者的购物行为时，发现男性顾客在购买婴儿纸尿裤时，往往会顺便拿几瓶啤酒犒劳自己，于是尝试将啤酒和纸尿裤放在一起促销。没想到这一举动大大提高了纸尿裤和啤酒的销量。
你们听了这个故事，是不是觉得数据分析好厉害，居然这两个不相关的商品，摆在一起可以提高销量
但其实，这个故事是个胡扯的事。但正好可以作为一个反面的案例来说，你真的去沃尔玛，绝对不会看到啤酒和尿布放在一起。因为这样放，会导致一大堆的业务问题
1.进超市买东西的人找不到自己想买的东西，试想，一个只想买啤酒的人，走到超市里，到处找不到啤酒，要么他就走了，要么他问营业员，营业员说我也不知道在哪，因为我们的商品都是按照关联销售摆放的，每天都在变位置
2.营业员的工作内容变多，工作时间变长，本来只需要按区域补货就可以了，现在要把商品不断换地方
即使把啤酒和尿布放在一起可以带来更多的销售额，但做这个事情的弊端会远远超出带来的好处。
所以数据分析不是瞎分析，懂得数据分析的方法更要结合业务。
