平常总是被人说缺少数据敏感度，到底什么才是数据敏感度，怎么才能培养数据敏感度呢？

说实话工作时间久了总能慢慢培养出数据敏感度，就像游泳一样，居住在水边的渔民，天天跟水打交道，自然都会游泳了。但是总有一些方法，可以让你更快地学会游泳，也总有一些方法，可以让你更快地培养数据敏感度。

01 数据敏感度

先来举个例子。

现在室外温度是多少？今天出门该穿什么衣服？

小A出去走了一圈，说：有点热，得穿短袖了

小B看看今天的天气预报，说：27℃，要穿T恤或者薄衬衫才行

这两个人里，小A是靠感性的方式认知环境，而小B则是用数据的方式认知环境。

显然，这两个人里面小B具备数据敏感度的那个，他可以通过数字就知道该穿什么衣服出门。

在这个例子里，温度就是数据，天气和着装就是业务。能相对准确地建立温度与天气着装之间的匹配关系，知道什么样的气温下应该穿什么样的衣服最舒适，就是具备数据敏感度。简言之就是能在业务和数据之间建立匹配关系，通过数据洞察业务。

如果你在这个案例里的感受并不是那么强烈，可以试试把摄氏度换成华氏度，相信不怎么使用华氏度的我们会立马感受到什么叫做“对数据不敏感”了。问：气温64℉，该穿什么衣服出门？

业务在数据敏感度中扮演着重要的角色，甚至可以说脱离业务谈数据是无意义的。36℃是冷是热？很难说。

36℃的天气是冷是热？

我相信大家应该都能回答上来，酷热。毕竟超过35℃都要发放高温作业补贴了。

36℃的饮用水是冷是热？

说实话，入口甚至有点凉，连温水都算不上。

36℃的泳池是冷是热？

——不仅热，还很舒服，但是想游泳是游不动的。《游泳池给水排水工程技术规程》规定成人游泳池的水温也就26℃-28℃，36℃的泳池已经够得上温泉的标准了，你在温泉里游几十米试试？小心中暑休克。

02 如何提高数据敏感度

我们如何掌握数据和业务之间的匹配关系呢？又要回到“积累”两个字了。而积累的捷径，就是有意识地主动积累。

36℃的天气很热，大家都知道，每天都有天气预报，谁还没看过呢？这就是被动积累。但是36℃的饮用水估计知道的人就不多了。为什么？一般情况下谁煮水还会检查水温呢。恐怕大部分人对饮用水的水温感知不超过4种：冰水、常温、热水、开水。冰水是在冰箱里冰过的，常温就是室温下放了很久的饮用水，热水就是开水放了一会儿，开水就是刚刚煮沸的水。36℃的饮用水？对不起，从来没遇到过这种“业务”。

工作中大部分人止步于被动积累，只有少部分人意识到主动积累的重要性并付诸实践。

如何实践呢？无他，唯手熟尔。

做产品设计的时候，多去复盘，多去理解数字背后的业务含义。比如今天数据日报的X转化率是30%，这个转化是从那一步到哪一步，表达的是转化用户的比例还是转化订单的比例，这个数字跟以前比是高了还是低了，冬天转化率多高、夏天转化率又是多高，月初和月末的转化率如何，其他模块的转化率是多少，同类型的产品转化率是多少，行业平均水平是多少等等。

当你针对“X转化率”这个数据积累了足够多的衍生业务场景时，同样一个数字摆在你面前，你就很容易判断这个数据对不对，是不是有异常，对应的业务如何，下一步应该做哪些事情。假设你知道X转化率全年的波动在20%~40%之间时，告诉你今天的X转化率是10%时，你肯定会很敏感地发现异常，要么数字错了要么某块业务宕机了。

数据敏感度低的人，可以很清晰地分为两类：

一类是对数据很熟悉但不了解业务。这类人群多见于数据工程师、数据产品、财务等业务支撑部门，其日常工作就是跟数据打交道，做报表、做数据基建、取数、建表等等。如果你处在这里，想要提升数据敏感度、判断自己产出的部分结果正确与否，就要多去了解业务，抓住机会跟一线业务人员交流。

另一类对业务很熟悉但缺少数据思维。多见于业务一线部门，包括产品、运营、商务、客服、销售等等，这类人群有丰富的业务经验，但是没有办法把自己的感性经验沉淀为可量化的理性数据。提升数据敏感度的途径是，多拿数据跟实际业务做对照，建立数字和业务之间的映射关系。要珍惜数据部门发来的日报，这是少有的别人把答案告诉你的机会。同时还要有意识的、主动的将业务用数据进行量化，“今天客流量很多”，有多多？比平常多多少？量级有多大变化？这些都有助于快速培养数据化思维。

03 数字、数值和数据

最后再让我们玩一个小的文字游戏。你能区分数字、数值和数据吗？

拼多多2020Q1获客成本是170元/人。这里1、7、0就是数字，170是数值，170元/人是数据。

如果你喜欢的话，也可以用罗马数字，C代表100，L代表50，X代表10，右加左减，那么拼多多2020Q1获客成本是CLXX元/人，数字变了，但数值还是十进制下的170，数据当然也没变。

玩这个游戏是想要说明，数字不等于数据，所以数字敏感度也不等于数据敏感度。

“回收的500份问卷中有78.3%的人联系电话尾号是偶数”，能通过0.3%✖500=0.5份问卷，或者1/500=0.2%最小间距发现异常的，是数字敏感度；能通过手机尾号奇偶分布应该接近1:1发现异常的，才是数据敏感度。

下面这个DIKW模型可以让我们更清晰地理清一些基本概念。

数据 Data：由数值和量纲组成，没有具体的业务含义，比如前文提到的36℃。广义的数据还可以包含文字、图像、符号等等，这里我们只讨论专业背景下的狭义数据。

信息 Information：把数据放到具体业务背景下，就构成了信息。通过信息我们可以了解业务是什么、世界是什么样子的。我们看到气温36℃时，我们就掌握了一条信息

知识 Knowledge：在掌握了足够多的信息之后，对信息进行整合、判断，提炼其中的规律，就变成了知识。36℃的气温很热，就是一条生活知识。

智慧 Wisdom：知识局限在对当下和过去的时间范围内，而智慧（或者叫洞察）则是对未来的判断。而智慧的获得，来自于对运行原理和底层逻辑的探索，以及对原理和逻辑的再次演绎推理。也就是要在“知其然”的基础上，进一步“知其所以然”，并加以应用。

DIKW模型真正的精华并不在D、I、K、W这4层，而是在层与层之间的跃迁上：如何从数据到信息、如何从信息到知识、如何从知识到智慧，每上升一层，难度就会指数级增长。在这个框架下，我们所说的数据敏感度，正对应着从信息到知识的跃迁能力。

希望你能通过这套模型，加深对数据敏感度的认识，并利用这份对数据敏感度的认识，更快地提高数据敏感度。




本文原创，未经作者允许不可转载！

更多内容，欢迎关注作者微信公众号：产品研究笔记！