|
|
# 04 | 软件：数据定义和数据工具，才是用好数据的关键
|
|
|
|
|
|
你好，我是付晓岩。
|
|
|
|
|
|
在上一讲我们提到，数据是最重要的新生产要素，并且会参与到分配中。要处理数据，光用好软件就够了吗？不是，还得有能力做好数据的定义。
|
|
|
|
|
|
举个例子。一个销售人员，要数用据来分析下这个月的工作结果。但是，除了销售数据，他发现自己需要的数据：打了多少电话，和哪个客户打了几次，哪个客户答应了但因为跟进不及时线索断了，几乎都没有。因为跟进不及时导致线索断了，这种事儿为啥就没个小助手提醒一下呢？
|
|
|
|
|
|
其实，这倒不是因为业务系统功能少，而是提供的数据和你想要的数据不一致。在我看来，要解决这个问题，我们作为数字时代的业务人员，得对数据敏感，在提需求的时候就得想清楚需要什么数据。否则，就会出现后期你查不到想要的数据的情况。所以，除了要有数据思维，还得具备定义数据的能力，才算是真正懂数据，才能掌控数据这个新生产要素。而数据定义和数据工具技能的叠加，就是大多人面向软件该具备的数字化工作技能了。
|
|
|
|
|
|
## 提升自己的数据定义能力
|
|
|
|
|
|
### 业务人员学习数据建模，可以解决啥问题？
|
|
|
|
|
|
数据定义有一个重要的方法，就是数据建模。你一定会问了，这不应该是技术人员而且是做数据的那一小撮人的事情吗？未必。我建议，所有业务人员都要去学习下数据建模。为啥呢？
|
|
|
|
|
|
人依赖于时代而存在，人的技能树往往跟主流的生产方式密切相关。既然在数字化时代，数据是最重要的生产要素，也会参与到分配中，那么数据建模的技能就应该被更多的个体掌握。不然数据的流通、交易怎么普及呢？数据流通中涉及的标准化问题，既不是单纯的技术问题也不是技术人员能搞定的了，是需要从业者共同制定的。现在互联网企业在提的“One Data”，说的就是要逐渐走向统一的数据定义，而这些定义基本都来自业务侧。
|
|
|
|
|
|
如果要大范围推动数字化，业务人员是一定要具备数据建模的技能。说到这里，你也不必焦虑。因为数据建模的核心问题并不是技术复杂，而是沟通麻烦，需要大家对众多琐碎的数据都达成一致的认知。那么，业务人员具备了数据建模技能之后，会触发哪些改变呢？
|
|
|
|
|
|
首先，可以**进一步提高数据质量**。要想数据为决策提供高质量的支持，那必须得要求决策的源头也就是数据，得是高质量的。一个典型的例子是，资产负债表、现金流量表、损益表这些很多企业都会用到的经营数据。表中的每个数字都信息量巨大，但是这些数字是由一笔一笔的业务记录汇总起来的，错一笔账整个表就是错的，提供的决策支持就会有问题。这就是数据质量问题。
|
|
|
|
|
|
那如何保证数据质量呢？除了把账记对之外，我们还会面临更大的挑战。数据已经在产品设计、销售、品牌管理、运营、风险防范、旅游、外卖等各种场景中广泛应用了，所以我们需要越来越多的数据去认清周围环境的变化。所以，越来越多的事物被定义成数字，以方便我们收集它们的变化，这就要求必须得先把数据定义好。
|
|
|
|
|
|
**其次，完成更多事物的“数字化”。**只有能更准确地识别数据，才能用数据去准确地描述一个事物。
|
|
|
|
|
|
以茶杯的数字化为例，你得需要定义这些要素：
|
|
|
|
|
|
* 茶杯材料是紫砂的，描述紫砂的可以有产地、泥的种类、存放时间等；
|
|
|
* 形状则有不同的器型描述、长宽高数据；
|
|
|
* 色彩有不同的颜色定义；
|
|
|
* 归属涉及对人的信息的表述，可以有制作者、不同时期的主人；
|
|
|
* 状态可以包括完整、残缺、残缺程度等；
|
|
|
* 时间则是茶杯从诞生开始的存续时间，甚至会划分成不同的时间阶段以匹配不同的归属；
|
|
|
* 位置信息则记录了茶杯走过的地方。
|
|
|
|
|
|
这些数据，就能准确地描述一个茶杯的前世今生了，就能将茶杯给数字化了。如果是个普通茶杯，这些数据的价值可能会很低；而如果是个古董茶杯的话，这些数据就决定了它的价值。你看，其实我们一直在用数据去描述事物，从而准确地去制造它或者让别人认识到它。现在，我们需要让更多的事物被数字化到业务系统中，让更多的生产过程被更好地计算和控制，从而提高生产效率。同时，我们也在让更多的事物进入虚拟环境，去营造更好的虚拟体验，在讲AR、VR应用时我也提到过。
|
|
|
|
|
|
随着这种数字化模式越来越普及，必然会要求每个从业者都有能力用数据去描述他的工作对象，否则就很难理解要处理的对象，也很难理解企业提供的工具。
|
|
|
|
|
|
**最后，提高资源利用效率。**数据建模过程中，还要注意对数据生命周期的定义。数据不应该长命百岁，存在一天就消耗一天的存储和计算资源，还会增加系统升级改造的成本或者复杂性。此外，随着数据立法的加强，根据客户的意愿有些数据是可以被删除的。这更加说明了准确理解数据生命周期的重要性，不然，否则你连业务需求都提不对。
|
|
|
|
|
|
理解了数据建模技能的重要性之后，我们该如何去提升自己的数据建模技能呢？
|
|
|
|
|
|
### 如何提升自己的数据建模技能？
|
|
|
|
|
|
现在市面上已经有很多数据建模的图书了，这里我只推荐一本经典的书《数据建模经典教程》。这本很薄的小册子不是面向数据库设计来写的，是一本非常好的入门书。这本书中提到的不同建模方法对于数据模型的定义略有不同，你学习时可以注意下。不过，这些差别并没有严格的对错，只是影响表达形式而已，所以也不要在关于差异的争论上花费太多时间。
|
|
|
|
|
|
接下来，我再和你分享4个提升数据建模能力的要点供你参考。
|
|
|
|
|
|
第一，**学会建立事物之间的边界**。
|
|
|
|
|
|
数据建模过程也是探索事物结构的过程，也就是研究怎么归类众多属性才能成为对一个事物的数据化描述。比如茶杯的例子，就是材料、颜色、工匠、交易记录等多类信息组合描述的。但是拆开来看，这些信息之间没有任何关系，就是一组独立的信息。所以，不能单纯地看到一个事物，而是得学会看到这个事物跟其他事物之间的边界，以及这个事物内部的结构和这些构成要素之间的边界。这就是结构化看待事物的能力，是建立数据模型的基础能力。
|
|
|
|
|
|
第二，**学会结合业务流程看待数据的定义**。
|
|
|
|
|
|
对于刚接触数据建模的人来讲，一定不要凭自己的感觉建立数据模型，一定要结合业务过程去看。
|
|
|
|
|
|
如果是针对自己的业务领域建模，一定要想清楚：自己做业务的过程是什么样的？每个环节中处理哪些事物，也就是业务对象？在业务处理过程，这些业务对象发生了什么变化？如何记录这些变化，以及需要哪些不同的分类去描述他们？比如，做饭的时候大米从生到熟，你怎么实现它，需要放多少米、加多少水、需要多高温度、加热多长时间，把这些都用数据描述出来，就能找到做电饭锅的业务逻辑了。这就是“一切业务数据化，一切数据业务化”的简单例子。
|
|
|
|
|
|
**第三，学会动态地看待数据。**
|
|
|
|
|
|
数据定义之后并不是一成不变的。业务人员对业务变化的感知是第一时间的，可以及时提出数据模型的变更，这也是我建议业务人员也得具备业务建模技能的原因之一。
|
|
|
|
|
|
随着物联网技术的发展，我们对世界的感知会越来越依赖数据。如果对事物的新认知不能及时反应到数据定义上，我们对事物的认知在数据层面就会滞后。这就好像你听不懂网络流行词一样，可能产生交流障碍。
|
|
|
|
|
|
第四，**把主要精力花在模型设计上**。
|
|
|
|
|
|
数据建模是有专业工具支持的，比如ER-Win。但是在企业中，数据模型的维护目前还是少数专业人员的工作，所以我们可以先不在这些专业工具的学习上花费过多精力。你只要用好最简单的数据建模工具，也就是白板、PPT就好，把主要精力花在模型设计上更合适。
|
|
|
|
|
|
具备了数据建模技能之后，我们还需要掌握一些基本的数据工具。
|
|
|
|
|
|
## 基本的数据工具
|
|
|
|
|
|
电子表格，是一个很朴素却功能异常强大的一个工具，绝对是你必须掌握的一个工具。
|
|
|
|
|
|
2004年我在银行体系工作的时候，我们完成复杂的监管报表报送，用的就是电子表格。将几十张电子表格联动起来自动更新，加上一些校验规则编到表里，看看数据对错，也就完成了复杂的监管报送。现在，这样的能力，已经做到一些银行的系统中了。
|
|
|
|
|
|
做了一段时间的业务分析后，我使用的还是电子表格，一些简单的函数加上数据透视表，就可以应对很多工作需求了。再后来我做企业架构的时候，需要进行业务建模，会涉及对电子表格的批量改动。这时候，简单学些VB（Visual Basic），就可以处理自动打开多个文件表、自动修改指定字段、自动修改文件名称等操作了。
|
|
|
|
|
|
你看，**电子表格配上编程语言，就可以满足数据分析、业务分析、业务建模中的大部分工作需求了**。当数据成为主要的生产要素后，电子表格这种唾手可得的数据工作，就应该是你的必备技能了。要掌握这些技能，找些评分还不错的书或者教程，边学边用即可。分享一个我的学习建议：没必要一上来就花很多精力去系统学习，工具还是重在使用，学了一堆用不上的功能也是浪费时间。
|
|
|
|
|
|
说到这里，你可能会觉得这和大数据、人工智能等数字化画风不符啊。其实不然，毕竟很多企业还无法依靠数据平台来为员工提供数据工具，哪怕公司业务的信息化已经进行到一定程度了。另外，单纯就数据分析能力而言，并不是公司提供的工具就一定会很强。公司提供的数据工具，最大的优势是跟公司数据源的结合，可以更方便地获得公司的数据。
|
|
|
|
|
|
**除了电子表格，现在还有一些可以瞬间让图表高大上的BI工具**，你也可以考虑去学习。当数据平台通过云的方式逐渐普及了，你会发现这些工具依然用得上，因为他们的基本功能其实都集成在平台里了，操作方式可能都差不多。
|
|
|
|
|
|
**如果你想让自己的数据工具技能再上一个台阶，可以学习一门编程语言**。我推荐你学习Python，它上手快，还可以做各种函数处理。有了编程语言的助力，你就可以自己创造分析模式，而不用受限于电子表格的内嵌函数了。不过，要想使用语言去创造分析模式，还得要求你具备不错的数学功底。
|
|
|
|
|
|
以上就是几种常用的数据工具了，你不用全部都学习，也没必要一定要按照啥顺序来学习，根据所在环境来决定学习哪个就好了。
|
|
|
|
|
|
## 总结
|
|
|
|
|
|
今天这一讲，我们一起学习了数据定义和基本数据工具的技能，这就是大多人面向软件该具备的数字化工作技能了。
|
|
|
|
|
|
第一，随着生产要素和生产工具的改变，所有从业者都必须直面数据本身去认识数据了。不然，数据思维、数字化理念这些都很难真正形成。值得注意的是，用得好数据，已经从过去要求看报表升级为能真正定义数据了。真正懂得数据的前世今生，才能更好地养成数据思维。
|
|
|
|
|
|
第二，很多企业还无法通过平台去提供数据工具，这就要求我们具备离线使用电子表格等基本工具处理数据的技能。其实，各种数据处理工具提供的数据处理能力有相通之处，现阶段我们通过电子表格积累的数据处理技巧，也不会白学。
|
|
|
|
|
|
今天的内容我总结了一张图，你可以用来回顾下：
|
|
|
|
|
|
|
|
|
|
|
|
## 思考题
|
|
|
|
|
|
你现在常使用的数据分析工具是什么、用起来方便吗？期待你能多分享交流，我们一起对比看看各家企业的数据工具，以及应用情况。
|
|
|
|
|
|
欢迎你在评论区留言，我们一起讨论。如果这一讲对你理解数据、提升自己的数据处理技巧有所帮助，欢迎你把它分享给你的朋友，我们一起交流、碰撞。
|
|
|
|