1702627344
虽然这种方法与现在大数据时代的思考方式刚好相反，但是每当有人向我进行数据分析的咨询时，我都会推荐他们“先找到为了进行正确的判断所必需的最少数据”。如果1%的误差在今后几年内不断累积，会对数千万日元的销售额和成本产生影响，那么在这种情况下大数据分析技术就会派上用场吧。可是即便在这种情况下，也没有必要从一开始就对全部数据进行分析。
1702627345
1702627346
数据分析的过程，实际上就是一个不断探索的过程。需要分析的数据越复杂就越是如此，随着分析的不断深入，发现的问题就会越多，甚至会出现与实际情况完全相反的结果，为此就要尝试不同的分析方法，而在分析中使用的数据如果发现有什么问题也要及时地进行修正，上述这些问题即便是经验非常丰富的统计学家也无法避免。实际上为了避免出现错误，越是经验丰富的统计学家，在分析的准备上所花费的时间就越多。
1702627347
1702627348
在对参考结果选择各种各样的方法与数据作为突破口的探索分析之中，尝试的次数是非常重要的。因此，那些必须使用特殊工具或者奇妙程序的情况，以及必须长时间等待分析结果的情况都应该尽可能地避免。这样的话，就算最后必须以全部数据为对象进行分析和验证，也可以事先获取一定量的抽样数据，并且通过探索分析找到建立假设的依据。
1702627349
1702627350
虽然为了建立假设寻找一定量抽样数据的方法，需要相当专业的统计学知识，但如果只是为了掌握数据概况的话，有上万条数据就够了，这种程度的统计工作仅靠一个熟练应用Excel的人就可以搞定。
1702627351
1702627352
当然，对庞大的数据进行高速且符合一定条件的随机抽样调查，以及对最终的分析结果是否准确进行验证的时候，还是需要大数据技术发挥实力。但是，这种速度和准确度究竟有多大的价值呢？这个问题的答案，就要取决于分析结果能够产生多大的价值了。
1702627353
1702627354
实际上分析本身并没有价值，如何活用分析的结果，最终得到的价值也是不同的。
1702627355
1702627356
1702627357
1702627358
1702627359
看穿一切数字的统计学 [:1702626735]
1702627360
看穿一切数字的统计学 第三章 统计学的关键：误差与因果关系
1702627361
1702627362
1702627363
1702627364
看穿一切数字的统计学 [:1702626736]
1702627365
08 抛弃传统的统计方法吧！
1702627366
1702627367
1702627368
1702627369
只会让老板毫无反应的图表
1702627370
1702627371
数据分析中最重要的问题是，“统计分析的结果所带来的利益能够大于所消耗的成本吗？”
1702627372
1702627373
顾客的性别与年龄、居住区域的分布等所占的比率，或者问卷调查中回答“非常满意”的人数所占的比率，很多人将这些数据称为“分析结果”。就连那些自称为专家和顾问的人中，也不乏将调查问卷的结果收集起来制作成漂亮的图表，并且以此谋生的家伙。
1702627374
1702627375
但是，像这样的分析结果除了“对现状有所掌握”之外，还有更多的意义吗？如果你将这样的结果汇报给上司或者老板的话，对方不会有任何反应。
1702627376
1702627377
要想令对方不至于无动于衷，就必须让分析结果“在商业中与具体的行动联系起来”。要想引发具体的行动，就必须回答以下“3个问题”。
1702627378
1702627379
问题1 做出何种改变能够增加利益？
1702627380
1702627381
问题2 是否能够做出这种改变？
1702627382
1702627383
问题3 如果能够做出这种改变，那么带来的利益是否大于所消耗的成本？
1702627384
1702627385
如果能够回答这3个问题，那么接下来就可以采取行动增加利益，否则的话则没有必要按照统计分析的结果采取行动了。
1702627386
1702627387
比如说，那些了不起的专家和顾问，经常会拿出像图3–1那样非常漂亮的“品牌好感度调查”，那么这个分析结果能够回答上述的3个问题吗？
1702627388
1702627389
之所以会对品牌好感度进行调查，是因为在购买商品时，“对品牌好感度高的人消费金额相对较多”。与之相反，如果品牌不受欢迎或者因为其他因素，产品的销量长期没有发生任何变化的话，就不用考虑这个问题了。所谓“破罐子破摔”的经营策略，有时候也是存在的。
1702627390
1702627391
你对××品牌的看法如何？
1702627392
1702627393
