先從身邊的一件小事說起：
7月初交水電費的時候發現用水量大幅上漲——6月份竟然用了9噸水——之前每個月都是在3-4噸左右，這期間用水習慣、計費周期並沒有發生變化。“用水量”很可能有問題。用水量來自水表的讀數，水表讀數異常可能有兩種情況：①水管有漏水(水表出口的那頭)，②水表的讀數不准。水管漏水的話，那么不用水的時候表也會轉，這個假設很快就通過試驗排除了。接下來驗證水表的跑數，接連3天下班后查看一下水表數據，發現水表跑得真得好快啊，平均一天能跑半方(噸)水，一個月能跑15方，明顯不科學啊。后來把這個事情反饋給房東，就把水表換掉了。
從上面的案例中可以看出，如果沒有注意到之前每個月的用水量，那么很可能不會發現水表有問題——對數據敏感不是數據分析師的專利，而是日常生活、工作中，人人都需要也很容易習得的能力。
對數據敏感的起點是“注意力”——要有意識的去感知和記錄一些數據，做到“心中有數”是對數據敏感的基礎。
有一些數據和我們息息相關，自然而然會投入更多的注意力，比如：
-
像文章開頭那樣，會注意到水電費波動；
-
如果你處於減肥中，那么會關注體重數據以及每天攝入的卡路里；
-
如果你常去菜市場買菜，就會知曉各類蔬菜的價格范圍，也能明顯感知到菜價的上漲或下降；
-
如果你玩股票，那么對股票價格的波動就會比較敏感；
-
你應該很清楚上班通勤單程需要花費的平均用時，畢竟要根據這個時長來設定自己出門時間點(通常你不會想遲到)；
“數據敏感度”可以定義為對數據的感知、計算、理解的能力：
-
“感知”指能從生活或者工作場景中發現數據；
-
“計算”是能依據某種規則計算得到某個數據；
-
“理解”則是能發現數據背后的含義，比如從數據中發現規律、探索數據間的關系、通過數據發現業務問題等；
注：以上只是筆者的理解，僅供參考。
需要用到“數據敏感度”的場景可能涉及到如下幾方面：
-
鑒別真偽，能看出數據是不是有貓膩；
-
評判好壞，從數據指標上評判事物的好壞以及是否異常；
-
數據關聯，基於特定的場景，發現數據間的關聯；
-
問題定位，通過數據來診斷特定問題；
-
提煉規則，從數據中發現某種模式或者趨勢；
-
數據預估，基於已知的數據推算未知的目標數據；
1 鑒別真偽
e.g. 判斷如下描述的真偽：
-
200名學生參加優秀學生干部選舉投票，在5位候選人中投票，一人只能投一票(不能棄權)，最終得最高票者的支持率為88.7%；
-
某校AB兩院系錄取學生，已知兩院系的男生錄取率都高於女生，那么整體而言兩個院系的整體的男生錄取率都會高於女生；
-
某電商平台交易金額環比增長30%，其中老客交易增長50%，新客交易增長20%；
數據上的真偽主要從以下幾個方面判斷：
-
采樣數據覆蓋的范圍，可以理解為篩選數據的條件有哪些——比如具有某種特征的用戶(e.g.年齡、性別)，某個特定的業務場景或業務環節等；
-
指標的計算口徑是啥，是否適用於當前場景？e.g. 比率指標要看分子分母，對比的時間周期等；
-
計算得到的指標是否准確？通常的做法有兩種——①和某個參照值(或者區間)對比；②指標驗算，看能否還原這個指標；e.g. 某APP聲稱自己的日活(DAU)是千萬級的，你事前查過該app在應用商店的累計下載量才小幾百萬，那么對方的數據可能有問題。
-
基於數據推斷的結論是否正確？通常結論推廣的范圍不能超出采樣數據覆蓋的范圍，此外還需要注意區分相關和因果關系、人為因素和自然因素等。
注：更多可參考
用數據說謊How to Lie with Data
2 評判好壞
假設被告知如下數據：
-
某電商平台近1月的首單支付成功率為80%；
-
某產品的付費轉化率為30%；
-
某平台的近30天的平均DAU為500W；
如果沒有相應的業務數據作為參照，很難判斷業務表現的好壞——這個數據在行業中屬於什么位置？正常還是異常？相比於歷史數據比是增長還是下降？
好壞的評判來自“對比”，“對比”需要相應的參照物，可能是一個值，也可能是一個區間。
基於參照物，我們能發現一個指標的相對好壞，或者和預期的數據是否存在偏差。
常見的對比分為兩類：
-
橫向對比：和類似事物對比，和行業的平均值、最高值、最低值對比，e.g.上面提到的電商首單支付成功率可以和行業整體水平對比，也可以和行業的TOP產品對比；
-
縱向對比：和歷史數據對比發現當前數據的偏離度，e.g. 同比、環比；
3 數據關聯
e.g. QuestMobile關於短視頻分析的報告中，提及短視頻獲得更多注意力資源(月人均使用時長)的同時，其他泛娛樂行業的用戶使用時長出現了下降——用戶的注意力是有限的。
數據關聯是通過指標的聯動性發現事物的關聯性，涉及3種關系：
-
因果推導，比如氣溫的增長和冰激凌的銷量。
-
共變關系，比如不同成分間的此消彼長(e.g.上述舉例)，或者由潛在因素同時觸發了兩個以上數據的變化(e.g.下雨天，打車的數量和雨傘的銷量都會增加)。
-
場景協同，把不同維度下的數據當做一個個小模塊，然后將這些模塊拼接成一個完整的場景，有點類似於我們通過各個維度的數據來描述一個人，然后還原出這個人的真實生活狀態。
4 問題定位
指通過數據來診斷特定問題，包含兩種情況：
-
自下而上，從數據中發現問題，e.g. 你發現交易的增長放緩，進而發現主要是新客數量降低，進而找到某個新客引流渠道的量大幅減少，那么你可以假設是因為這個渠道的問題最終導致了交易的變化；
-
自上而下，如果某事物(業務)出現問題，那么對應在數據指標上會有怎樣的表現？e.g. 如果支付成功率降低，那么可能是用戶放棄支付率增加，也可能是支付通道的成功率下降等；
注：更多參考
從“Δ值”談數據分析
5 提煉規則
典型案例是序列值填充的題目：
-
1, 2, 4, 8, __, 32
-
1, 3, 6, __, 20, 37
-
11, 27, 66, __, 291
提煉規則是指從數據中發現某種模式或者趨勢，上面提到的數據關聯中的因果推導和共變關系也屬於數據的規則。
不過，這里更強調的是兩方面：
-
在時間維度上發現周期性、增長性或者生命周期等有規律可循的痕跡；
-
在空間維度上則是構建數據指標之間的函數關系，比如出行平台可以基於天氣、是否節假日、是否工作日、出發地、目的地、叫車時間等數據指標來預測得到從出發地到目的地的叫車人數；
在提煉規則的過程中需要經歷多次“提出假設-驗證假設”的過程。
6 數據預估
基於已知的數據推算未知的目標數據，部分要依賴於上面從數據中提取到的規則，另一方面還要依賴於對於目標數據的定義和拆解。
這部分的內容就不多講了，可以參考先前寫的兩篇文章：
如何培養數據敏感度？
-
留心身邊有價值的數據，不管是日常生活，還是工作需要(e.g.業務數據、行業數據報告等)，只要數據對你有價值，那就有必要付出你的注意力(去記住它理解它)；
-
記住“參考值”，比如某數值的均值或者范圍等，工作中則還會關注業務數據、行業數據(通常關注均值、競品或者TOP產品的數據)。e.g. 某電商平台的日訂單量，客單價，每日交易金額，放棄支付率等。
-
關注“異常值”，指標波動通常意味着有重要的事情發生，挖掘波動背后的“故事”，很可能會發現減少損失或者提升收入的點；
-
訓練自己的批判性思維，外部給到的數據的真實性都值得懷疑，必要時要進行“交叉驗證”；
對於數據分析師而言，還要做到：
-
熟悉業務流程，清楚了解業務的環節，不同環節對應的關鍵指標，哪些因素在什么場景下會影響業務指標，哪些是正/負向因素，哪些是可操作的因素等；
-
熟悉數據指標的算法和用法，指標是計算口徑是怎樣的？適用的場景是啥？
-
數據化思考，如何將業務概念“翻譯”成數據語言？如何用一系列數據去證明某個結論(自上而下)？如何從多個數據中發現其中的業務含義(自下而上)？
對業務的理解是數據分析發揮效用的基礎，分析師對業務數據的敏感度通常是從報表中來，從需求中來，從數據報告中來。
學習任何一項技能，勤動腦，勤動手，始終是不二法門，“數據敏感度”的培養也不例外。
共勉。
本文完。