大数据从业人员眼中大数据思维：相关关系大于因果关系

第一块：大数据时代更多使用相关关系大于非因果关系

在传统数据分析中，我们更多是追求因素关系，例如：进行实验设计，通过控制某个变量的变化，来评估对相关结果的影响，以确定是不是这个影响产生的影响。

在企业里面当我们对某个现象或者问题不清楚的时候，更多会选择市场调研方式：通过设计问卷收集收集相关数据，或者通过邀请用户或者实地去访谈用户去了解原因，希望把问题原因搞的非常清楚。这种分析更多是追求因果关系 。

这是一个很规范，很严谨的方法，但是存在几个的"短板"：

1、时间周期较长。

2、对研究总体更多是基于抽样的，无法针对每个个体

3、更多是事后的分析

在目前竞争环境激烈，需要快速决策的情况下，不过多的追求因果关系，更多是通过相关分析，找到事物之间的联系，根据这些联系快速做出判断和决策，是大数据思维中很重要一个方面。

第一，数据的时效性强，从问题提出到拿到相关数据可能只要几分钟。大大缩短的整个的时间周期。

第二，分析的对象是总体，同时又是可以针对总体中每个个体。

第三：分析是对象事前的一些行为特征。

也许这说的点抽象，我们以一个实际的案例场景来说明：

顾客流失是企业面临最大的问题之一，如果一个顾客花很大成本（互联网时代获客成本是非常高）吸引进来后，很快就流失了对企业是没有带来价值，企业都希望降低顾客的流失，尽量延长顾客生命周期。

要想避免顾客流失，首先想一定想分析顾客为什么流失，根据顾客流失的原因进行相应的策略的制定。传统的做法是通过调研&访谈，分析顾客的流失原因构成。进而你相应的修改业务的不足的地方，制定未来的优化策略。

如果使用目前的大数据可以直接通过顾客评论、退货、投诉等数据，很快的分析出顾客流失特征。但是这些分析很难明确回答一个顾客真正流失的原因，例如：一个流失顾客有过差评那是不是他就是因为对商品不满意而离开？可能不是，可能他离开是因为竞争对手搞了更吸引他的活动，或者竞争对手提供更好的物流体验。

但是我们通过大数据分析，我们可以分析得出有过差评的顾客流失可能性更高，这是流失顾客表现出来的一个特征，如果你对流失进行更深入分析，也许你会得出这样的特征：顾客客单价150元以上，只购买不超过2个商品，中间打过客服电话投诉物流太慢，这个顾客流失概率90%。但他为什么会流失？是不是因为物流，你很难下一个明确的结论，只能是猜测。但这不重要的，重要的是我通过这些相关指标，识别出了谁可能会流失？

这对商业来说相关的事前预警，这才是商业价值最大。因为商业目标是避免顾客流失，所以最好能事前就知道，他在发生这个动作之前就做了预防。如果当一个顾客流失后，你即使搞清楚他为什么流失【有时候很难搞清楚】，再做各类挽回策略，可能已经没有意义了，因为他已经走了。

但是这些事前相关分析，更多是显示一个信号一样，告诉你这些相关行为出现了，应该要及时做出相关预防【把精力放在行动上】。所以大数据时代，从数据服务商业角度来看，更多是追求相关关系，你不要过多的追求为什么？

但通过相样指标，需要做出相应判断决策，有时候很难，那就需要我们在上篇文章提到的："相信数据"，再补充一下："相信数据，愿意依据和使用这些数据来采取行动。"

大数据时代，各企业竞争非常激烈，通过数据识别出机会点，哪怕没有搞清楚为什么，你也应该相应去行动起来。

记得去年淘宝公布过一个分析，"淘宝消费数据显示 女性胸围大小和消费能力成正比"，说胸越大消费能力越高，其实对商业来说，分析背后的意义其实不大，更多是我知道，如果我要去找到高消费能力的人，可能选择这个指标就行了。

经验总结：如果对一件事情，完全没有搞明白，就去做决定，总是会内心不安。所以使用迭代也许是一个不错的方法，也就是先开枪再瞄准，再开枪再瞄准。

以刚才案例来说，可以对有这种行为的顾客做相关的营销动作，收集回来看效果是怎么样的。如果效果好，全面推广，如果效果不好，我再通过数据分析，再做尝试，再看结果。

小结一下：

大数据时代，面对激烈的竞争环境，通过相关分析，而不是花时间追求因素关系，依据数据相关分析结果，快速做出决策，也许会是企业取得竞争优势基础。"天下武功唯快不破"！

End.

作者：数据海洋

本文为中国统计网原创文章，未经允许禁止转载，需要转载请微信联系授权（微信号：ishujiang）