第一章：为什么要学习商业数据分析？

1.1 从人工智能到协同智能：商业数据分析的价值

在这些场景的背后，是企业对AI所能产生的巨大经济价值的认可。AI和数据分析帮助实现企业资源（音乐、新闻内容、产品）和用户需求之间的最佳匹配，而服务交互的自动化则让企业释放人力，从而用更少的成本获得了更好的效果，实现了企业资源配置的最优化。良好的体验可能会留住更多的用户，从而带来更多的购买转化，这就直接或者间接地为企业的营收带来增量，并能形成持续的竞争优势。

但在AI应用热潮高涨的同时，也始终存在着对AI的质疑。2019年知名调研机构IDC发布报告称，有超过50%的企业AI项目最终以失败告终，而缺乏底层的数据和相关人才的技术支持，是AI项目失败的最主要原因。AI应用在法律和道德问题上存在的缺陷也日益引人注目，过去几年国内引发了对“大数据杀熟”的热议，这是用户对于自身隐私权益日益重视的结果，《中华人民共和国个人信息保护法》也于2021年11月1日正式施行。全球范围内人脸识别技术在使用中出现“歧视”女性和有色人种，以及社交网站助长了虚假信息传播等社会问题，也都让各国开始通过立法等手段加强了对头部AI企业的监管。

在这样的大背景下，越来越多的企业和AI研究者开始倡导“协同智能”的理念，即结合AI对海量数据的计算力与人类对解决问题的创造力，形成取长补短的新型工作模式。人工智能领域专家吴恩达在2020年提到，当前99%的AI应用产生经济价值的方法都来自于一种模式，就是从输入到输出的规则匹配。自动化会让机器能够更有效地完成这些枯燥的重复性的工作，而人类则可以更好地做适合自己的工作，就是那些需要创造性地解决问题的部分。

“协同智能”理念也预示着未来AI如何影响我们的工作。如图1-1所示，若以与AI的不同关系作为划分基础，未来的一切工种无一例外地会被划入下列三个类别：

图1-1 协同智能下的三类工作角色

使用者(User)：这将是未来最主流的AI工作场景，也是本书假定的目标读者群体，它涵盖了现有的商业数据分析师（以及相关的BI，数据运营）等岗位，以及任何需要用数据做出决策的职位。要在AI时代胜任使用者的角色，就需要了解AI应用背后的数据思维，能结合不同的商业场景和目标做出合理的数据应用分析和判断。在与AI合作的过程中，要能够给AI提供合适的数据源，并能够解释AI分析产出的结果。

建造者(Builder)：AI技术的发展依赖于数据科学家的算法革新，未来这些AI的建造者将负责AI模型的效率优化和工程实现。本书中在思维部分介绍的概率方法，以及在第四章介绍的分类回归，产品推荐，时间序列等进阶方法，将为想成为建造者的读者建立起对更高阶的AI方法的认知基础。

可以预见的是在未来几年，企业和社会在认可数据和AI带来的价值的同时，在态度上也会日趋理性，从战略角度保持对AI的长期认可。短期来看，企业使用AI应该去找那些“挂的低的果实”。这个比喻看似简单通俗，却恰到好处，讲的就是数据分析和应用都要回归最核心的价值。数据最终的核心价值是优化决策，从数据的“原油”中精炼出让企业运转的“燃料”。本书所介绍的商业数据分析，就是以优化决策为核心目标，通过数据分析解决商业问题的思维，方法和工具的集合。我们也将从三个方面，让这个集合成为你AI时代职场的核心竞争力：

第一，理解商业模式，能用系统化的思维去理解问题，找到影响结果的可控因素，并通过设计实验来验证结论，最终能探寻业务策略和结果之间的因果关系。本书重点介绍了围绕商业模式搭建数字指标体系，并且将常见的分析问题拆分成三类典型问题。在探寻因果关系的过程中，循序渐进的将最必要了解的统计概念和方法嵌入到商业问题的大图中，能够让读者更清楚的明白统计指标在其中的意义。

早在2700年前的《孙子兵法》中，就已经提到了分析对于决策的价值：“夫未战而庙算胜者，得算多也；未战而庙算不胜者，得算少也。多算胜少算，而况于无算乎！吾以此观之，胜负见矣。”在“死生之地，存亡之道”的战场中，更全面有效的分析能帮助我们获得“胜算”，而在如今VUCA时代的企业经营中，我们则需要决策作为商业数据分析的起点和终点。不是以数据作为出发点，基于数据去推断能做的分析，而是围绕着所需要的决策，思考这个决策需要什么样的数据，获取并分析这些数据。

第二，熟练应用自己的数字化工具，对待不同的业务分析目标，能应用业务分析、用户分析以及可视化分析等工具，总结数据结论，呈现数据结果；对于AI分析方法（机器学习/深度学习等），能掌握“输入什么数据，输出什么结果，怎么业务应用”的核心。在分析方法中，本书通过Excel实操讲解各种数据分析方法的应用，特别是在机器学习类的方法中，从日常会使用的原始数据入手，用案例+公式+原理的方式讲清楚如何解题，尤其适合没有任何编程背景的读者学习。在数据呈现方面，本书选用了Tableau这个易于上手，可视化功能强大，且能应对复杂分析场景（如预测类工作），能对数据产品开发和在工作汇报都实现事半功倍。

从关注底层代码和技术逻辑到应用落地的思路转变是也是AI行业大趋势的体现。《哈佛商业评论》曾在2012年发表文章称“数据科学家是21世纪最性感的职业”；而在2022年，文章作者达文波特（数据分析和人工智能方面的研究学者）和DJ Patil（数学家和计算机科学家，是美国政府第一位首席数据科学家）重新审视他们当年的判断。他们看到过往十年最重要的两个趋势是：第一，写代码已经不再是数据科学中的最核心的工作，越来越多的代码工作被自动化，而数据工作的重点逐渐转移到了如何将商业问题转化成分析模型的能力；第二，自动化的工具会带来更多的“全民数据科学家”，企业应该在组织内部提高数据分析和AI应用的能力，让业务能够实现自主决策。近年来市场上出现了多种自助式的AI分析产品，诸如Tableau和PowerBI这样的可视化工具也融合了预测分析功能，可以想象的是在不久的未来AI分析方法将如同今天我们使用Excel一样简单方便。

第三，能识别公司决策者和决策团队可能存在的思维误区，通过结构化的书面和文字表达及完善的数据论证影响企业的决策。数据报表、模型以及分析报告只是商业数据分析的产出交付物，高质量的交付物不代表着能带来最大化的决策影响，这背后依然离不开人与人之间的沟通和达成共识。把数据背后的故事讲清楚，把数据分析的假设和论证过程讲明白，尤其是将分析方法背后的统计预言准确的翻译成商业语言，这些都依赖于持续的思维和表达训练。本书特别介绍了以数据分析为主体的PPT设计和图形优化，在PPT中如何通过文字和图形突出结论，而避免通篇充斥着“心智”“体感”之类行业黑话，或者频繁使用“很好”“较差“”有问题“却没有数据支持及建议的沟通。若能从决策层开始自上而下的建立数据思维的话语体系，便可更广泛地推进到中高层管理者以及基层员工，进而能实现整个公司的数字化思维转型。