数据分析师必懂的10种分析思维

发表于 2013-11-22 07:20 来源：未知

一、逻辑思维

逻辑思维即明白价值链，明白各项数据中的关系; 该方法的关键在于明白其中的关系要求你对这项工作要了解、熟悉，要细致和慎密，要清楚充分性和必要性的关系。实际上也就是指：你需要那些数据?如何获得这些数据?数据之间的关系如何?

二、向上思维

在看完数据之后，要站在更高的角度去看这些数据，站在更高的位置上，从更长远的观点来看，从组织、公司的角度来看，从更长的时间段（年、季度、月、周）来看 ,从全局来看，你会怎样理解这些意义呢？也许向上思维能让你更明白方向。该思维方法的关键是：建立长远目标、全局观念、整体概念、完整地分析数据，不做井底之蛙。

三、下切思维

数据是一个过程的结果反映，怎样通过看数据找到更多的原因以及隐藏在现象背后的真相，需要我们下切思维，把事物切细了分析，把过程拆分细了分析。此时关键是要知道数据的构成、分解数据的手段、对分解后的数据的重要程度的了解。也就是说那些数据需要分解分析？这也如同显微镜原理

四、求同思维

当一堆数据摆在我们面前时，表现出各异的形态，然而我们却要在种种的表象背后，找出其有共同规律的特点。关键是找到共性的东西进行分析，还要客观。实际上就如同：现在的整体数据表现出什么问题？是否有规律可行？

五、求异思维

每一个数据都有相似之处，同时，我们也要看到他们不同的地方，特殊的地方。这就需要对实际情况的了解，对日常情况的积累，对个体情况的了解，对个体主观因素的分析。正如：你了解你的下属员工吗？如何帮助她们分析问题，从自身找到解决方案。

六、抽离思维

当你从一个旁观者的角度不思考看待数据时，你往往能发现那些经常让我们迷失方向的细枝末节并没有太多的意义，我们迷失方向，忘记了自己的价值，同时深受情绪困扰。这时，你用用抽离思维更加能够帮助到你。关键是要用多种分析方法，多角度看问题，不要钻牛角尖，多学习别人的好方法，学会集思广益，发散性思维。比如说：你的学习能力和方法有效吗？

七、联合思维

很多销售数据，需要我们能站在当事人的角度去思考和分析，这样你才会理解人、事、物。关键在与多了解当事人的情况，学会换位思考。比如：你了解你周边的情况吗？你了解你周围的人吗？

八、离开思维

通过数据分析，你发现你处在一个不太有利的地位，那么，此时，你就要有离开思维去替你想办法，离开困境。关键是学会自我调节，自我放松。实际情况如：遇到难解的结，你怎么办？

九、接近思维

怎样达成目标，实现销售增长，这时候你需要接近思维来帮助你。关键是多接触你要解决的问题，花时间分析，你要的是方案，不是问题。实际情况如：你在做选择题还是问答题？责任点在哪？

十、理解层次

问题发现是第一步，要怎样分析问题，找到真正的原因，那么熟练的运用理解层次。关键是：你需要熟悉客观环境，员工的能力、行为的规律、他需要什么？实际情况如：你能够分析到哪一步？

（本资料素材和资料部分来自网络，仅供参考。请预览后才下载，期待您的好评与关注！）

数据分析的思维技巧

数据分析的思维技巧在我对数据分析有限的认识上（因为无知到没有认知），往往会看到一些秀技性的数据分析图表，以及好看的词云等等。年少无知的我，只想啪啪啪鼓掌伴随一声“卧槽，真牛逼”，然后在被秀了一脸后，并没有明白对方想说什么，空有一副好皮囊而没有灵魂。分析是为了给出偏好的，也是洗脑的一种重要手段，洗不洗的成功就要靠本事了。于是问题产生了，你的分析是为了干啥，通过哪几个角度达到哪几方面的目的。以下为我对几个技巧的认识想法：一、象限法就是划定几个坐标轴，让每一个数据在象限中找到自己的角色，比如打工这个事吧，就是要让你忙，就是要给你一堆事，于是重点出来了，这么多事孰重孰轻，孰急孰缓，跟打工皇帝学时间管理，事情要按照紧急程度和重要程度进行划分，以此给自己做事排序。二、多维法从个人理解来看，多维法和象限法联系紧密，无非就是象限法之间的界限清晰明显，多维法之间的维度不是严格意义的隔开，比如高度、富有、颜值，这到底算象限分类还是维度分类，或者说当象限多了，采用多维来理解效果更好，比如富有的家庭一般孩纸整体相对更高一些，维度与维度之间是有相对联系的，虽然不是那么绝对，但是也不是完全不相关。

但是多维法呢，正是由于维度与维度之间的关系，会导致整体维度情况和细分维度情况来看起来会有失真，最典型的例子是田忌赛马，上中下三个维度的马均是齐王更厉害，那么跑马结果田忌胜了。性别歧视在工作学习中经常会碰到，但是通过男女入取率判断性别歧视合适么，每个学院的女生录取率都高，但是整体入取率女生低的情况也不是不能出现，那么这到底是哪种性别歧视呢，数字不会骗人，但是分析洗脑会骗人，分析思维不对容易骗自己。为了解决辛普森悖论，可以通过切方块的方式，不断缩小分析的维度，不断深入挖掘，可以有效了解真实情况。三、假设法数据分析对下是有一系列材料做支撑，对上是为决策或了解情况提供支撑，只有下面有素材，才能为上面提供科学合理研判。那么问题出来了，如果没有材料做支撑，那怎么办。简单，没有条件那就为它创建条件嘛，我先假设一个基础，然后根据这个基础大肆分析，水平体现出来了，偏好结论也体现出来了，其实很多现实问题是没有那么多切实完整的基础资料的，有的就是一个感觉，有的就是一个偏好。这也是咨询圈常见的套路，虽然不是严格意义的1+1=2，但是可以严谨告诉别人1+1>1，而且面对那么多的未知，不将几个未知进行假设，如何区解决更多的未知。四、指数法一直觉得，指数法是一个装逼指数最高的方法，首先指数就已经狠专业了，在专业的基础上进行专业的分析，还有什么更专业的事情么。但是

五大思维能力之教学策略探索(上)

五大思维能力之教学策略探索（上）文／东方之星幼儿教育研究所刘卿陈丽梅东方之星的思维课程直接指向五种思维能力——理解力、判断力、记忆力、解决问题能力和创造性思维能力的培养，这五种能力也是幼儿园其他一些课程非常关注的领域。本文通过对五大能力教学策略的一些分析和讨论，希望能帮助教师更好地把握思维课程中能力培养的关键要素，更有效地实施课程。一、理解力理解力是五种能力中最基础的一种，在学前期，很多教育活动的目标都指向理解力的培养，例如理解某种类别（如三角形）、关系（如方位关系）、规律（如对称）等。 1．归纳与总结鉴于学前儿童的思维特点，在发展理解力的时候，大都遵循“先操作，后总结”的方式。如，在《图案乐园》这个游戏中，要学习“对称” 的排列规律，不是直接由教师讲解，而是先让幼儿用材料进行按规律填补空白的操作，再总结图案的排列规律。所以归纳总结是发展理解力的一个重要策略。课程中经常会出现这样的情况：活动上得热热闹闹，幼儿操作得也很好，操作完了戛然而止，总让人感觉少了点什么。幼儿对事物的感知往往是在感性层面的，怎么把这种感性层面的认识上升到理性层面，使幼儿产生更一般化的概念呢？归纳与总结必不可少。而有效的归纳与总结应把握以下两个要点。对认知点的理解与提炼。既然是理解的活动，对于要认知的目标，教师自己一定要完全掌握。如认识正方形，归纳总结的时候要提出哪些要点，正方形有哪些特征，这些内容在课前教师就应该整理提炼好。虽然幼儿园不同于小学教育，不需要去严格地解释概念和定理的定义，但是不能完全凭感觉走，对概念等随意解释，而要给幼儿一个科学的认识。所以教师在开始活动前，要翻一翻教科书和相关资料，总结和提炼一些要点，这是一个非常必要的过程。转化为通俗的语言表述。认知点往往是一些抽象的概念、规律，对于幼儿来说，要转换为他们能理解的通俗的表述。如，在《图形娃娃》这个游戏开始的活

统计思维导图

第十一章统计与概率第一节统计统计知识梳理学法指导总结升华统计的相关概念数据的收集与整理分析数据平均数中位数学习误区 1.认真理解各个基本概念的实质，找出区别与联系. 知能提升理解各个统计量的作用，使分析数据更具有方向性. 样本估计总体的方法画统计图即通过从总体中抽取一个样本，根据样本的情况去估计总体的相应情况，常用于设计实际应用题. 画频率分布直方图的步骤画频数分布折线图的方法取直方图中每个矩形上边的中点，把这些点用线段依次连接起来即可. 平均数、众数和中位数的区别极差、方差与标准差利用统计量解决实际问题数形结合法总体个体样本样本容量统计图表调查的方式众数极差方差标准差总体、样本的概念混乱. 分不清集中趋势和离散趋势. 弄不清三种统计图的表达意义的侧重点. 3.注意题目的侧重点来选取合适的知识解题. 1.收集数据；（放到统计图内） 7.写出统计图的名称和数据来源. 常见的命题形式（1）观察分析各类统计图表，解决相关问题. （2）根据已知条件，绘制或补全各类统计图. 1.比赛成绩的评估. 2.植物长势的判断. 3.对事件提出合理化的建议. 他们都是衡量一组数据波动大小的量.这三个量越小，这组数据的波动越小，也越稳定；反之亦然. 平均数的大小与每一个数据有关，任一数据的变动都会引起平均数的变动. 众数的大小只与数据中的部分数据有关. 中位数只与数据的排列位置有关，某些数据的变动对它没有影响. 2.计算数据中的最大值与最小值的极差； 3.确定组距与组数； 4.确定分点； 5.列频率分布表； 6.画直方图；在统计中，所有考察对象的全体. 在统计中，组成总体的每一个考察对象. 在统计中，实际观测或调查的那部分个体. 在统计中，所提取的样本个数. 扇形统计图. 条形统计图. 折线统计图. 频率分布图直方图普查抽样调查为了一定的目的，对考察对象进行全面的调查. 从总体中，抽取部分个体进行调查的方式. 算数平均数加权平均数 n 个数据按大小顺序排列，处于中间位置的一个数据（或中间两个数据的平均数）. 一组数据中，出现次数最多的那个数（注：有时会有多个）. 一组数据中，最大与最小数据的差.

数据分析能力的八个等级

数据分析能力的8个等级并非所有的分析方法作用都相同。和大多数软件解决方案一样，你会发现分析方法的能力也存在差异，从简单明了的到高级复杂。下面我们按照不同分析方法所能给人带来的智能程度，把分析能力划分为8个等级。 1. 固定报表回答: 发生了什么？什么时候发生的？示例：月度或季度财务报表我们都见过报表，它们一般是定期生成，用来回答在某个特定的领域发生了什么。从某种程度上来说它们是有用的，但无法用于制定长期决策。 2. 即席查询回答：有多少数量？发生了多少次？在哪里？示例：一周内各天各种门诊的病人数量报告。即席查询的最大好处是，让你不断提出问题并寻找答案。 3. 多维分析回答：问题到底出在哪里？我该如何寻找答案？示例：对各种手机类型的用户进行排序，探查他们的呼叫行为。通过多维分析(OLAP)的钻取功能，可以让您有初步的发现。钻取功能如同层层剥笋，发现问题所在。 4. 警报回答：我什么时候该有所反应？现在该做什么？示例：当销售额落后于目标时，销售总监将收到警报。警报可以让您知道什么时候出了问题，并当问题再次出现时及时告知您。警报可以通过电子邮件、RSS 订阅、评分卡或仪表盘上的红色信号灯来展示。

5. 统计分析回答：为什么会出现这种情况？我错失了什么机会？示例：银行可以弄清楚为什么重新申请房贷的客户在增多。这时您已经可以进行一些复杂的分析，比如频次分析模型或回归分析等等。统计分析是在历史数据中进行统计并总结规律。 6. 预报回答：如果持续这种发展趋势，未来会怎么样？还需要多少？什么时候需要？示例：零售商可以预计特定商品未来一段时间在各个门店的需求量。预报可以说是最热门的分析应用之一，各行各业都用得到。特别对于供应商来说，能够准确预报需求，就可以让他们合理安排库存，既不会缺货，也不会积压。 7. 预测型建模回答：接下来会发生什么？它对业务的影响程度如何？示例：酒店和娱乐行业可以预测哪些VIP 客户会对特定度假产品有兴趣。如果您拥有上千万的客户，并希望展开一次市场营销活动，那么哪些人会是最可能响应的客户呢？如何划分出这些客户？哪些客户会流失？预测型建模能够给出解答。 8. 优化回答：如何把事情做得更好？对于一个复杂问题来说，那种决策是最优的？示例：在给定了业务上的优先级、资源调配的约束条件以及可用技术的情况下，请您来给出IT 平台优化的最佳方案，以满足每个用户的需求。优化带来创新，它同时考虑到资源与需求，帮助您找到实现目标的最佳方式。

剖析大数据分析方法论的几种理论模型

剖析大数据分析方法论的几种理论模型做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。作者：佚名来源：博易股份|2016-12-01 19:10 收藏分享做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。利用大数据分析的应用案例更加细化的说明做大数据分析方法中经常用到的几种理论模型。以营销、管理等理论为指导，结合实际业务情况，搭建分析框架，这是进行大数据分析的首要因素。大数据分析方法论中经常用到的理论模型分为营销方面的理论模型和管理方面的理论模型。管理方面的理论模型： ?PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART原则等?PEST：主要用于行业分析 ?PEST：政治(Political)、经济(Economic)、社会(Social)和技术(Technological) ?P：构成政治环境的关键指标有，政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、国防开支水平政府补贴水平、民众对政治的参与度等。?E：构成经济环境的关键指标有，GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。?S：构成社会文化环境的关键指标有：人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。

?T：构成技术环境的关键指标有：新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素。大数据分析的应用案例：吉利收购沃尔沃大数据分析应用案例 5W2H分析法何因(Why)、何事(What)、何人(Who)、何时(When)、何地(Where)、如何做(How)、何价(How much) 网游用户的购买行为：逻辑树：可用于业务问题专题分析

读书笔记｜《数据分析思维：分析方法和业务知识》

读书笔记｜《数据分析思维：分析方法和业务知识》 ● 笔记 ●第1篇方法 ●第1章业务指标 ●如何理解数据 ●弄清楚每一列的含义 ●对数据进行分类 ●用户数据：我是谁 ●性别 ●年龄 ●地区 ●行为数据：我做了什么 ●点击某个菜单的次数 ●分享量 ●收藏数 ●产品数据：卖什么 ●文章标题 ●日期 ●阅读量 ●常用的指标 ●用户数据指标 ●日新增用户数 ●一个产品如果没有用户增长，，用户就会慢慢减少 ●活跃率 ●= 活跃用户数/总用户数 ●日活跃用户数 ●周活跃用户数 ●月活跃用户数 ●注意：统计人数要去掉重复的数据，同一个人在一个区间里面只计算一次 ●留存率

●= 第1天新增用户中，在第N天使用过产品的用户数/第1天使用过产品的用户数 ●次日留存率（N=2) ●第7日留存率（N=7） ●第30天留存率（N=30） ●为什么关注留存 ●留存可以评估产品功能对用户的粘性 ●留存低 - 粘性小 - 就要找到用户流失的原因 ●行为数据指标 ●PV - Page View 访问次数 ●UV - Unique View 访问人数 ●转发率 ●= 转发某功能的用户数/看到该功能的用户数 ●转化率 ●店铺转化率= 购买产品的人数/到店铺的人数 ●广告转化率= 点击广告的人数/看到广告的人数 ●K因子 - K factor ●平均每个用户向多少人发出邀请*接收到邀请到人转化为新用户的转化率 ●当K>1时 - 新增用户数就会像雪球一样增大 ●当K<1时 - 新增用户数到某个规模时就会停止通过自传播增长 ●产品数据指标 ●总量 ●成交总量 ●成交数量 ●成交总额GMV - Gross merchandise volume - 流水 ●= 销售额+取消订单金额+拒收订单金额+退货订单金额 ●访问时长 ●人均 ●人均付费（ARPU 或客单价）= 总收入/总用户数 ●ARPU - Average revenue per user ●付费用户人均付费（ARPPU) = 总收入/付费人数

数据分析经典语录汇总

数据分析经典语录汇总【数据分析三字经】①学习：先了解，后深入；先记录，后记忆；先理论，后实践；先模仿，后创新；②方法：先思路，后方法；先框架，后细化；先方法，后工具；先思考，后动手； ③分析：先业务，后数据；先假设，后验证；先总体，后局部；先总结，后建议；做数据分析首先是熟悉业务及行业知识，其次是分析思路清晰，再次才是方法与工具，切勿为了方法而方法，为工具而工具。【数据分析的3点要求】第一，熟悉业务，不熟业务，分析的结果将脱离实际，业无从指导；第二，多思考，只有经常发问为什么是这样的？为什么不是那样的？只有这样才有突破点；第三，多动手，不动手，靠脑袋想是不够的，不要怕错，大不了错了重来。数据分析不仅是个工具，而且是门艺术，优秀的数据分析师不光要懂业务、懂管理，懂分析、还要懂创意、懂设计、懂生活，所以数据分析师也是个艺术家。【数据分析流程】首先明确分析目的，然后搭建分析体系，确定各个分析内容，进行数据搜集、数据处理、数据分析、数据展现逐步完成，最后检验是否达到分析目的！【数据挖掘流程】①业务理解：清晰定义业务问题；②数据理解：有什么数据，数据质量心中有数；③数据准备：数据抽样、转换、缺失值处理等；③建模：选择和应用不同的模型技术，调整模型参数；④评估：对前面步骤进行评估；⑤部署：把数据挖掘成果送到相应人手中，并进行日常监测和维护、更新。【以终为始的分析原则】我做这个数据分析的目的是什么？然后，再根据这个目标倒推应该从哪几个角度、指标进行分析。

【数据分析5步走】1、锁定分析目标，梳理思路，叫纸上谈兵；2、把杂乱的数据整理出图表报表，用数据探业务，叫自问数答；3、锁定核心抓重点，设定最终算法，叫挟天子以令诸侯；4、梳理重点发现，准备剧本开拍，接受PK，叫才辨无双；5、效果梳理，总结经验，叫内视反听。【数据分析框架的重要性】问题的高效解决开始于将待解决问题的结构化，然后进行系统的假设和验证。分析框架可以帮助我们：1、以完整的逻辑形式结构化问题；2、把问题分解成相关联的部分并显示它们之间的关系；3、理顺思路、系统描述情形/业务；4、然后洞察什么是造成我们正在解决的问题的原因。数据分析如果一开始数据分析方向就错了，所有努力都是徒劳，后果不堪设想。亲们，数据分析前先明确目的，再根据分析目的确定分析框架与内容，以及所采用的数据分析方法。【常用数据分析方法】：趋势分析：查看一段时间某一数据或者某一组的变动趋势，得出某一个业务上升、下降、平稳、波动等趋势信息；对比分析：自己和自己比，找趋势、规律；自己和别人比，找差异、问题。结构分析：拆字诀，子类目、属性值、新老会员、各个运营节点，都可拆。【数据分析注意点】1、要注意每种统计分析方法的适用范围；2、使用不同的数据分析方法对同一问题进行解释，来互相验证结论的真伪，多次尝试；3、结果要使用通俗易懂的语言或图表进行描述；4、需要耐心和细致，不能出现任何疏漏，别一个老鼠害一锅汤；5、高级数据分析不一定是最好的，简单有效才是最好的。【如何用数据看透问题】1、确定指标，看数值；2、问题还不够明确？将指标层层分解；3、只看数值还不能确定问题？多周期看趋势；4、问题初步明确了，找不到原因或者发力点？将统计对象分类，拆解为不同角度来观察；5、参考行业对比数据，如果有的话...而每一步具体怎么走，全靠业务理解！

16种常用的数据分析方法汇总

一、描述统计描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。二、假设检验 1、参数检验参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别； B 配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似；

C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。 2、非参数检验非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。 A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。三、信度分析检査测量的可信度，例如调查问卷的真实性。分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。四、列联表分析用于分析离散变量或定型变量之间是否存在相关。

儿童思维的五大特点

儿童思维的五大特点 /h1 特点一、模仿思维孩子喜欢模仿,这可不是他的错,因为这是他的思维特点所决定的。听听这个有趣故事:尼克和他的爸爸一起去探望祖母。火车上,尼克时时把脑袋伸出窗外。爸爸说:“尼克,安静些!别把脑袋伸出窗外。”但尼克仍然把脑袋伸出去。于是爸爸很快地拿掉了尼克的帽子,飞快地把它藏在身后,说:“看,帽子被风吹掉了。”尼克害怕了,他哭了,想找回帽子。爸爸说:“吹声口哨,帽子或许就会回来的。”尼克凑到车窗外,吹起了口哨。爸爸很快地把帽子放到尼克的头上。“哦,真是个奇迹。”尼克笑了。他很高兴,模仿爸爸的动作,飞快地拿掉爸爸的帽子丢出窗外,“现在该轮到你吹口哨了,爸爸!”他快活地说。小尼克以为爸爸的帽子也能找得回来呢。孩子学习的方式主要是在模仿。他们的模仿能力是很强的,但只是简单地模仿。所以在孩子面前,你要更好地约束自己,避免那些不好的坏习惯让孩子模仿。特点二、单向思维如果你教给孩子1+1=2,但你千万别认为他已经懂得2-1=1,因为他只能从左边推到右边,不能从右边推到左边。又如,两只同样矮而宽的杯子装着同样多的水,其中一只杯子中的水被倒入另一只高而窄的杯子里,那么让孩子比较哪个杯子里的水比较多时,可能就会出现高而窄的杯子里水多的时候,因为这时他还不能很好的利用运算来解决问题,而利用的只是他们仅有

的直观经验。所以在传授孩子知识时不能想当然地认为他也能自己做一些逆向思维。特点三、形象思维你在孩子简单运算的时候,比如还是1+1=2,知道1+1为何等于2对于孩子来说是一个质的飞跃。如果您说一支铅笔加上一支铅笔,等于两支铅笔;一个苹果加上一个苹果等于两个苹果,他知道了1+1=2的道理,但以后他在算1+1=2的时候,也还是要借助实物的。经过形象思维的积累,他才能从一个一个的实物中提取出抽象的数字概念。所以在教宝宝学数学更要利用直观教具,让幼儿自己从实物中得到抽象概念。特点四、主次不分有这样一个小笑话,杰克放学回家,母亲看见他满脸血迹,就问道:“杰克,你又打架了?怎么丢了两颗牙齿!”杰克急忙说道:“妈妈,牙齿没有丢,我把它们放在口袋里了!”可见,孩子完全没有搞清楚妈妈的意思,妈妈责备的是他又和别人打架了,他却说牙齿没有丢。从孩子的观念来看,牙齿确实没有丢,因为丢的意思对他们来说是找不到了,不见了,而他的牙齿还放在口袋里这能算丢吗?还有一则笑话,也能说明这个问题。一个母亲对孩子说:“留神别吃下苹果里的虫子。”宝宝说:“为什么我要留神呢?该让它留神我才是。”这才是孩子的可爱!所以,幼儿说话抓不住问题的关键,父母要保持足够的耐心来倾听。特点五、单维思维

统计思维导图

统计思维导图应用在统计学的教学工作中我们发现，学生普遍对统计方法的应用及创新存在困惑，究其根本的原因主要是对于知识的不理解，只是单纯地去记忆公式，违背了统计学的特点及规律。为了解决这个问题，在课堂中引入统计学思维导图，经实践证明，有利于学生掌握统计知识，提高学习效率，增强应用能力及创新能力。统计学是一门收集、分析、表述和解释数据的学科，在市场营销中有着十分广泛的应用。首先，变异是社会中普遍存在的现象，采用统计方法，可以发现不确定现象背后隐藏的规律，从而对营销过程中提出的理论假设加以科学的验证。其次，结合统计学的知识，可以针对企业的特点，开展企业的市场营销管理工作，制定合理的营销策略，对产品的质量进行分析，对客户的需求进行定量化的描述，明确销售工作的重点和关键。因此，在我国目前的医药市场营销的相关专业中，普遍开设了统计类的课程，但是在教学过程中我们发现，学生在学习统计学时经常不知从何入手，教学内容主要以记忆为主，违背了统计学科应用性的特点，不利于学生对知识的掌握和对方法的创新。为了让学生更好的理解统计学，应用统计学，我们将思维导图应用于日常的教学工作中，取得了一定的经验效果。 1 统计思维导图统计学思维导图是表达发散性思维的有效的图形工具，是一种革命性的思维工具。思维导图采用图文并重的方法，将各级各层的主题关系用相互隶属的

层级图形表现出来，把关键词和图形、图像、颜色等建立记忆链接。思维导图充分利用人脑的机能，利用记忆、思维等规律，协助人们对问题进行学习和理解，可以将其广泛地应用于统计学的教学工作中。 2 统计学思维导图在教学中的应用随着多媒体技术的普及，很多高等医学院校都采用了PPT 进行教学，这种教学方法比较直观，能通过生动的图像、声音等方法，调动学生的情绪，提高学习效率。但是，由于其同样具有大信息量、大容量性的特点，使得学生在学习时感觉吃力，跟不上授课的进度。而且，多数幻灯片对于学习内容的排列方式是线式的，不符合人脑的发散性思维模式，不利于学生对知识的掌握和理解。统计学与一般的理科学科有所不同，它的知识自成体系，有逻辑，有层次，在授课过程中，可以通过统计思维导图来帮助学生加深理解，并在此基础上进行应用及创新。 2.1 思维导图在统计描述中的应用统计描述是统计学中最基本的内容，也是统计分析中重要的一部分。在统计学中，经常用统计指标和统计图表来揭示和反映原始资料的数量特征和信息。在药学营销问题中，如果需要对理论问题加以验证，最常用的方法是通过实验数据来说明。经过严谨的统计设计，将实验中收集的数据进行筛查或转换，然后就可以通过统计描述的方法来总结这组数据的一些重要的特征，使得实验得到的数据表达清晰，便于做进一步的分析。在统计学中，对数据的描述可以是直观的图表，也可以是客观定量的计算，无论是何种方式，都需要根据数据的类型及分布的类型等因素进行适当的选

数据分析必备的三大能力体系

数据分析必备的三大能力体系这篇文章从整体框架出发，介绍了数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。数据分析目前在国内互联网圈的受重视程度在逐步提升，但是问题也很突出： 1.大家对于数据分析的认知和理解支离破碎，缺乏一个整体的、系统的思维框架； 2.大家的视野更多局限在数据报表、BI 系统、广告监测等领域，对于数据以及数据分析其实是缺乏深层次洞察的。这篇文章就从整体框架出发，介绍一下数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。一、数据分析价值观如何让数据分析真正发挥价值？我认为必须在价值认同、工作定位和商业模式三点上取得突破。

做好数据分析，首先要认同数据的意义和价值。一个不认同数据、对数据分析的意义缺乏理解的人是很难做好这个工作的。放到一个企业里面，企业的 CEO 及管理层必须高度重视和理解数据分析的价值。你想一下，如果老板都不认可数据分析的价值，那么数据相关的项目在企业里面还能推得动吗？然后，企业内部还需要有数据驱动的公司文化。如果大家宁可拍脑袋做决定也不相信数据分析师的建议，那么数据分析往往是事倍功半、走一下形式而已，反之则是事半功倍。

做好数据分析，要对数据分析的价值有清楚的定位。既不要神化数据分析，把它当做万能钥匙；也不要轻易否定数据分析的意义，弃之不用。数据分析应该对业务有实际的指导意义，而不应该流于形式，沦为单纯的“取数”、“做表”、“写报告”。在 LinkedIn 那么多年的工作时间里面，我们对数据分析的工作早已有了清晰的定位：利用（大）数据分析为所有职场人员作出迅捷、高质、高效的决策，提供具有指导意义的洞察和可规模化的解决方案。当时我们还采用了一套 EOI 的分析框架，对不同业务的数据分析价值有明确的定位。针对核心任务、战略任务和风险任务，我们认为数据分析应该分别起到助力（Empower）、优化（Optimize）、创新（Innovate）的三大作用。

实证研究论文数据分析方法详解

修订日：2010.12.8实证论文数据分析方法详解（周健敏整理）名称变量类型在SPSS软件中的简称（自己设定的代号）变革型领导自变量1 zbl1 交易型领导自变量2 zbl2 回避型领导自变量3 zbl3 认同和内部化调节变量 TJ 领导成员交换中介变量 ZJ 工作绩效因变量 YB 调节变量：如果自变量与因变量的关系是变量M的函数，称变量M为调节变量。也就是, 领导风格（自变量）与工作绩效（因变量）的关系受到组织认同（调节变量）的影响，或组织认同（调节变量）在领导风格（自变量）对工作绩效（因变量）影响关系中起到调节作用。具体来说，对于组织认同高的员工，变革型领导对工作绩效的影响力，要高于组织认同低的员工。中介变量：如果自变量通过影响变量N 来实现对因变量的影响，则称N 为中介变量。也就是，领导风格（自变量）对工作绩效（因变量）影响作用是通过领导成员交换（中介变量）的中介而产生的。研究思路及三个主要部分组成：（1）领导风格对于员工工作绩效的主效应（Main Effects）研究。（2）组织认同对于不同领导风格与员工工作绩效之间关系的调节效应（Moderating Effects）研究。（3）领导成员交换对于不同领导风格与员工工作绩效之间关系的中介效应（Mediator Effects）研究。

目录 1.《调查问卷表》中数据预先处理～～～～～～～～～～～～～～ 3 1.1 剔除无效问卷～～～～～～～～～～～～～～～～～～～～ 3 1.2 重新定义控制变量～～～～～～～～～～～～～～～～～～ 3 2. 把Excel数据导入到SPSS软件中的方法～～～～～～～～～～ 4 3. 确认所有的变量中有无“反向计分”项～～～～～～～～～～～4 3.1 无“反向计分”题～～～～～～～～～～～～～～～～～～ 5 3.2 有“反向计分”题～～～～～～～～～～～～～～～～～～ 5 4. 效度分析～～～～～～～～～～～～～～～～～～～～～～～～6 5. 信度分析～～～～～～～～～～～～～～～～～～～～～～～～8 6. 描述统计～～～～～～～～～～～～～～～～～～～～～～～～9 7. 各变量相关系数～～～～～～～～～～～～～～～～～～～～ 12 7.1 求均值～～～～～～～～～～～～～～～～～～～～～～～12 7.2 相关性～～～～～～～～～～～～～～～～～～～～～～～12 8. 回归分析～～～～～～～～～～～～～～～～～～～～～～～13 8.1 使用各均值来分别求Z值～～～～～～～～～～～～～～～13 8.2 自变量Z值与调节变量Z值的乘积～～～～～～～～～～～13 8.3 进行回归运算～～～～～～～～～～～～～～～～～～～～14 8.3.1 调节作用分析～～～～～～～～～～～～～～～～～～14 8.3.2 中介作用分析～～～～～～～～～～～～～～～～～～18 8.4 调节作用作图～～～～～～～～～～～～～～～～～～～～22

大数据时代思维导图

大数据时代大数据时代的思维变革不是样本而是全部小数据时代的随机取样全数据模式，样本=总体谷歌流感趋势预测分析美国整个互联网检索记录，可以推测到某个城市的流感状况L y tro 相机记录整个光场里的所有光，具体生成的照片可以根据需要决定乔布斯癌症治疗对乔布斯DNA 、肿瘤DNA 全测序，根据其特定基因组成按需用药不是精确性而是混杂性谷歌翻译虽然搜集的有错误翻译，但巨大的语料库优势完全压倒了缺点，使其好于布朗、微软的班科和布里尔、IBM 的C a ndide F a c e bo o k 等社交网站由用户随意贴标签分类照片象棋残局1 w o rd 语法检查 1 更混杂的数据量而不是更精确的算法大数据不只是优于少量数据那么简单，而是能创造更好的结果不是因果关系而是相关关系亚马逊推荐系统根据产品间的联系推荐，增加100倍销售量沃尔玛飓风来临前，将蛋挞与飓风用品摆在一起可增加销量基于相关关系的预测是大数据的核心塔吉特与怀孕预测美国折扣零售商通过对女性消费记录分析，可以发现她是否怀孕，从而在相应阶段寄送相应的折扣券U PS 与汽车修理预测U PS 国际快递公司通过监测车辆的各个部位，提早更换需要更换的零件早产儿病情诊断实时监测病人信息，提早预测感染知道是什么就够了，没必要知道为什么大数据时代的管理变革风险--让数据主宰一切的隐忧无处不在的第三只眼亚马逊监视着我们的购物习惯谷歌监视着我们的网页浏览习惯微博窃听到了我们心中的TA f a c e bo o k 似乎什么都知道，包括我们的社交关系网隐私被二次利用大数据时代，不管是告知与许可、模糊化还是匿名化的隐私保护策略都失效预测与惩罚预测犯罪并提前制止；老年人需要交更多保险费；这否定了人的自由权利、公平，无法独立选择和自由意识数据独裁过于信任、依赖数据掌控--责任与自由并举的信息管理个人隐私保护让使用者承担责任公司负有特定时间之后删除个人数据的义务保护个人动因反数据垄断大亨程序员监控大数据并保持透明度大数据时代的商业变革一切皆可量化坐姿转化成数据孕育出一些服务和一个产业汽车防盗系统能识别是否是车主，不是需要输入密码，错误则自动熄火识别盗贼通过收集到的数据识别盗贼提醒疲劳驾驶坐姿与行驶安全关系通过分析事故发生前的坐姿变化情况地板数据化适时的开灯、开门根据体重、站姿、走路方式确认他的身份监控商店人流量文字变为数据谷歌数据图书馆谷歌翻译沟通变成数据微博情绪数据化来自世界不同文化的人每天、每周的心情都遵循着相似的模式-2011.s c ie nc e 监听新微博发布频率预测电影成败分析微博数据文本，作为股市投资信号位置数据化G PS 通过手机预测交通情况处理来自手机的数据预测人类行为流感时期：通过分析每个人去了哪里见了谁，知道应该隔离谁，怎么找到他数据创新数据的价值不只是漂浮着... 数据再利用网页流量测量揭示用户喜好-Hitw is e 公司数据重组整合手机用户信息与癌症患者信息揭示手机是否增加致癌率-无关扩展数据利用零售店监控摄像头零售店监控摄像头除了安全保卫，还可以跟踪客流及客户停留的位置从而设计店面最佳布局、判断营销的有效性；最终变纯粹的成本为可增收的投资数据折旧及时剔除失去基本用途的数据，如亚马逊推荐系统一般不用用10年前客户买的书来进行推荐数据废气利用谷歌根据用户点击的搜索结果所在的位置来更正排名，将更相关的提前谷歌拼写检查反馈系统通过用户自行更正的搜索词、或点击显示正确拼写的页面来完善相比微软创建维护词典库更先进，变碎屑为金粉开放数据开放政府数据的倡议响彻全球；私营部门社会对数据的利用更具创新性；数据的价值不只是浮在水面的冰山一角；数据、技术、思维三足鼎立数据拥有者数据拥有者可以选择将数据授权给其他公司，如ITA S o ftw a re ；可以自行开发分析，如M a s te rCa rd ；大数据技术公司微软Am a lga 系统，减少病人再度入院、大数据思维公司与个人20岁的克罗斯与四个朋友创办了F lightCa s te r 预测航班晚点数据中间商结语大数据给我们提供的不是最终答案，而是参考答案，人类的作用依然无法完全被替代。世界不是贫乏规整的惨象，而是纷繁复杂的，天地间存在的事物也远远多于系统想象大数据时代思维导图

五种简要分析数据的方法(原创+整理版)

五种简要分析数据的方法无论是负责管理的同事还是销售一线的小伙伴，都会发现数据分析的重要性，但是在工作中，我发现很多小伙伴们都不太会处理数据，更不会明白数据取经团小伙伴们做的大量“数据清洗”工作，当然中间可能涉及到编程，数据取经团小伙伴们的能力可是杠杠的，我作为外行，是不敢班门弄斧的，如下从管理和销售方面简要讲讲我的数据分析方法。（感谢统计学老师）首先，我们要知道，什么叫数据分析。其实从数据到信息的这个过程，就是数据分析。数据本身并没有什么价值，有价值的是我们从数据中提取出来的信息。然而，我们还要搞清楚数据分析的目的是什么? 目的是解决我们现实中的某个问题或者满足现实中的某个需求。那么，在这个从数据到信息的过程中，肯定是有一些固定的思路，或者称之为思维方式。下面一一给你一一介绍。(本文用到的指标和维度是同一个意思) 一、【对照】【对照】俗称对比，单独看一个数据是不会有感觉的，必需跟另一个数据做对比才会有感觉。比如下面的图a和图b。图a毫无感觉

图b经过跟昨天的成交量对比，就会发现，今天跟昨天实则差了一大截。这是最基本的思路，也是最重要的思路。在现实中的应用非常广，比如选产品丶监控增量等，这些过程就是在做【对照】，决策BOSS们拿到数据后，如果数据是独立的，无法进行对比的话，就无法判断，等于无法从数据中读取有用的信息。呜呜，虽然法律增量少，好歹还是在涨啊二、【拆分】分析这个词从字面上来理解，就是拆分和解析拆分不等于分析，呃，分析包含拆分，拆分能帮助我们找出原因（这简直是终极意义啊）。因此可见，拆分在数据分析中的重要性。很多小伙伴都会用这样的口吻：经过数据拆分后，我们就清晰了……。不过，我相信有很多朋友并没有弄清楚，拆分是怎么用的？

常用数据分析方法详细讲解

常用数据分析方法详解目录 1、历史分析法 2、全店框架分析法 3、价格带分析法 4、三维分析法 5、增长率分析法 6、销售预测方法 1、历史分析法的概念及分类历史分析法指将与分析期间相对应的历史同期或上期数据进行收集并对比，目的是通过数据的共性查找目前问题并确定将来变化的趋势。 *同期比较法：月度比较、季度比较、年度比较 *上期比较法：时段比较、日别对比、周间比较、月度比较、季度比较、年度比较历史分析法的指标 *指标名称：销售数量、销售额、销售毛利、毛利率、贡献度、交叉比率、销售占比、客单价、客流量、经营品数动销率、无销售单品数、库存数量、库存金额、人效、坪效 *指标分类：时间分类 ——时段、单日、周间、月度、季度、年度、任意多个时段期间性质分类 ——大类、中类、小类、单品图例 2框架分析法又叫全店诊断分析法销量排序后，如出现50/50、40/60等情况，就是什么都能卖一点但什么都不好卖的状况，这个时候就要对品类设置进行增加或删减，因为你的门店缺少重点，缺少吸引顾客的东西。如果达到10/90，也是品类出了问题。如果是20/80或30/70、30/80，则需要改变的是商品的单品。 *单品ABC分析（PSI值的概念）销售额权重（0.4）×单品销售额占类别比＋销售数量权重（0.3） × 单品销售数量占类别比＋毛利额权重（0.3）单品毛利额占类别比 *类别占比分析（大类、中类、小类）类别销售额占比、类别毛利额占比、类别库存数量占比、类别库存金额占比、

类别来客数占比、类别货架列占比表格例 3价格带及销售二维分析法首先对分析的商品按价格由低到高进行排序，然后 *指标类型：单品价格、销售额、销售数量、毛利额 *价格带曲线分布图 *价格带与销售对数图价格带及销售数据表格价格带分析法 4商品结构三维分析法 *一种分析商品结构是否健康、平衡的方法叫做三维分析图。在三维空间坐标上以X、Y、Z 三个坐标轴分别表示品类销售占有率、销售成长率及利润率，每个坐标又分为高、低两段，这样就得到了8种可能的位置。 *如果卖场大多数商品处于1、2、3、4的位置上，就可以认为商品结构已经达到最佳状态。以为任何一个商品的品类销售占比率、销售成长率及利润率随着其商品生命周期的变化都会有一个由低到高又转低的过程，不可能要求所有的商品同时达到最好的状态，即使达到也不可能持久。因此卖场要求的商品结构必然包括：目前虽不能获利但具有发展潜力以后将成为销售主力的新商品、目前已经达到高占有率、高成长率及高利润率的商品、目前虽保持较高利润率但成长率、占有率趋于下降的维持性商品，以及已经决定淘汰、逐步收缩的衰退型商品。 *指标值高低的分界可以用平均值或者计划值。图例 5商品周期增长率分析法就是将一段时期的销售增长率与时间增长率的比值来判断商品所处生命周期阶段的方法。不同比值下商品所处的生命周期阶段(表示) 如何利用商品生命周期理论指导营运(图示) 6销售预测方法[/hide] 1.jpg (67.5 KB) 1、历史分析法

七年级道德与法治五种思维模式、答题技巧

五大思维模式初中品德课运用的“五大思维”主要有并列、因果、辩证、层进、混合五种思维，其中并列思维便于掌握，使用频率最高。辩证思维例题一： 2014年“冰桶挑战赛”活动的视频在微博上热传。所谓“冰桶挑战赛”就是要求参与者在网上发布自己被冰水浇遍全身的视频内容，然后便可要求其他人来参与这一活动，目的是让更多的人知道被称为“渐冻人”的罕见病，希望达到募捐善款的目的。这种以游戏的方式来宣传救助罕见病“瓷娃娃”的活动，引起了很多人的响应。当活动来到你身边时，你会参与吗？请说说你的理由。答案一：我会参与“冰桶挑战赛”活动。我们生活的社会是一个互帮互助的社会，更应该是一个人人互相关爱的社会。在参与社会公益活动的过程中，我们既承担着社会责任，又在帮助他人，并使自己的价值在奉献中得以提升，还会带动更多人参与进来，积极投身公益事业。这是对生命的尊重和肯定。我们在维护他人生命健康的同时也提升了自己生命的价值。这有助于和谐社会的创建，密切了人际关系，符合社会主义核心价值观的要求，是精神文明创建活动的又一种形式，值得肯定和提倡。答案二：我不会参与“冰桶挑战赛”活动，这不符合公益活动的初衷。参加公益活动是每个公民的责任和义务，但是公益活动应该是内容大于形式，而追求形式上的夺人眼球，违背了公益事业的宗旨。但是参与的人只是为了娱乐游戏，哗众取宠，并没有转化为关爱“渐冻人”的实际行动，这样使实际救助效果大打折扣。“冰桶挑战赛”也不是合适每一个人，对体质偏弱的人会造成伤害。而且冰水的制作要耗费大量的资源，这也不是活动的初衷。另外，个人的力量是有限的，救助更应该需要国家、社会发动各方面的力量，而仅仅靠这个活动来救助是很有限的。应该采用更为积极有效的方式来投身到救助活动中，真正使“渐冻人”感受到社会的温暖和保障。例题二：现代社会，宠物狗作为人类的亲密伙伴，已经成为许多人的“家庭成员”。在很多小区，闲暇时人们“遛狗”成了小区一景，甚至有的小区专门建立了“遛狗小区”。实施一段时间后，人们褒贬不一。你赞成建立“遛狗专区”吗？答案一：赞成。这是一种人与人之间宽容、理解、与人为善的表现。遛狗是一种正常的生活情趣，可以排遣寂寞，可以健身娱乐，有益身心健康。建立遛狗专区，可以让更多的人更好地享受遛狗的乐趣，同时也可以避免宠物伤人，减少遛狗对小区交通、环境的影响。答案二：不赞成。这样做并不能真正解决“遛狗”所产生的问题。遛狗是一种健康的生活情趣，但是建立遛狗专区，无形中剥夺了其他人的权利，压缩了其他人的生存和生活空间，而且，建立遛狗专区，并不能杜绝一些人在遛狗专区外遛狗，狗也难免越界跑到遛狗专区以外，这样，反倒使“遛狗区”无限扩大，不如不设立。总之，设立无法律依据，有侵权嫌疑，实施操作难度大，不赞成这种做法。例题三：

大数据的大价值：大数据五大成功案例深度解析学习资料

大数据的大价值：大数据五大成功案例深度解析 ?作者：Cashcow ?星期四, 四月11, 2013 ?大数据, 航空, 零售 ?暂无评论大数据的热潮并未有消褪迹象，相反，包括航空、金融、电商、政府、电信、电力甚至F1赛车等各个行业的企业都在纷纷掘金大数据。可以看出，在推动大数据企业应用方面，真正看到大数据潜在商业价值的企业比大数据技术厂商还要着急。例如IT经理网曾经报道过沃尔玛大数据实验室直接参与到大数据工具的开发和开源工作中。但是在国内，虽然管理学界和财经媒体对大数据推崇备至，认为大数据是信息技术改变商业世界的杀手应用，但是关于大数据中国企业的成功案例的报道却出奇地少。最近《中国企业家》的“大数据专题”特别报道采访了农夫山泉、阿迪达斯中国和数家航班信息移动服务商（前两家为SAP客户），为我们带来了详实的大数据案例报道，非常有参考价值，原文转载如下：就在制作这期“大数据专题”时，编辑部发生热烈讨论：什么是大数据？编辑记者们旁征博引，试图将数据堆砌的商业案例剔除，真正的、实用性强的数据挖掘故事留下。

我们报道的是伪大数据公司？我们是否成为《驾驭大数据》一书的作者Bill Franks所称的“大数据骗局”中的一股力量？同样的质疑发生在阿里巴巴身上。有消息称，3月23日，阿里巴巴以7000万美元收购了一家移动开发者数据统计平台。这引发了专家们热烈讨论，它收购的真是一家大数据公司吗？这些质疑并非没有道理。中国确实没有大数据的土壤。“差不多先生”、“大概齐”的文化标签一直存在。很多时候，各级政府不太需要“大数据”，形成决策的关键性数据只有一个数字比率（GDP）而已；其二，对于行业主管机构来说，它们拥有大量原始数据，但它们还在试探、摸索数据开放的尺度，比如说，是开放原始数据，还是开放经过各种加工的数据？是转让给拥有更高级计算和储存能力的大型数据公司，还是将数据开源，与各种各样的企业共享？其三，数据挖掘的工具价值并没有完全被认同。在这个领域，硬件和软件的发展并不十分成熟。即便如此，没有人否认数据革命的到来，尤其在互联网行业。阿里巴巴的马云将大数据作为战略方向，百度的李彦宏用“框计算”来谋划未来。即便是CBA（中国男子篮球职业联赛）也学起了NBA（美国男篮职业联赛）五花八门的数据统计、分析与挖掘。在过去两年间，大量的资本投资一些新型数据工具公司，根据美国道琼斯风险资源（Dow Jones VentureSource）的数据，在过去的两年时间里，11.7亿美元流向了119家数据库软件公司。去年，SAP 市值已经超过西门子，成为德国市值最高的上市公司，而这样的业绩部分得益于其数据库软件HANA的商业化，去年一年时间里HANA带给SAP3.92亿欧元的收入，增长了142%。但是，大数据还没法分析、挖掘出自己的直接变现能力。在截稿日时，我们再重新读维克托·迈尔-舍恩伯格（Viktor Mayer-Sch鰊berger）的《大数据时代：生活、工作与思维的大变革》一书，作者相信，未来，数据会成为有价值的资产。假以时日，它会大摇大摆地进入资产负债表里。案例1：农夫山泉用大数据卖矿泉水