课程背景：
随着国家“新基建”战略的提出，数字化转型已被提上各行各业的议事日程，如何顺应数字化转型趋势，熟练运用数据工具和方法成为员工在企业数字化落地过程中的必备能力，但是，根据场景选择合适的工具， 采用适当的方法对数据进行处理，为决策提供支持，从而提高工作管理的效率和效益，是企业员工亟待解决的问题。
如何在数字化转型中培养和形成数据思维，并运用相应的数据工具和方法，帮助员工高效、准确地收集数据，根据需求拆解数据，多角度分析数据，基于数据做出科学决策，做出有说服力的呈现，是本课程探讨的数据思维的培养。
课程收益
熟悉数据的定义、分类和相关要素;
了解数据思维，掌握数据思维培养方法;
掌握数据从采集到拆解再到分析决策的闭环处理
掌握使用数据分析结果的技巧，以有效地呈现它们。
课程时长：2天，每天6小时。
课程目标：各行业基层管理人员（行政、技术等管理人员）。
课程方法：案例+互动+测试+思考+实践+讨论+工具。
课程大纲
第一说培养数据思维
一、数据化工作管理的本质
1.主要有四种类型的数据。
2.让数据不言自明 - 深入研究生成数据的上下文。
3.热点数据方向 - 数据画像。
2. 建立数据思维框架
1.数据思维的起源。
了解数据思维
1）数据思维的三个境界：不计数、有数字、控制数字。
数据思维与大数据思维的关系主要从三个方面来区分
幸存者偏差案例：应该在哪里添加盔甲（注意防止幸存者偏差）。
a**性。 b数理逻辑。
c 关键绩效指标。
数据思维训练的四个方向
方向一：提升数字化感受。
方向二：建立均值回归原理。
方向三：把握数据感。
方向四：建立数据模型。
培养数据思维的五个步骤
第 1 步：提问（收集问题）。
第 2 步：拆卸（分解问题）。
第 3 步：解决（分析问题）。
第 4 步：寻求（制定计划）。
第 5 步：现在（报告演示）。
箱：**医生。
箱：如何调查汽车超速。
互动 1： 交友平台如何服务客户？
互动 2： 你这样吃披萨赔钱吗？
测试： 你的数商是多少？
想：某城市一年的外卖数量？
部分二. 二.第二说“问”——高效并且准确数据收集方法
1. 测量是数据收集的核心
1.掌握测量方法。
2.提高测量可靠性。
3.保持测量有效性（三个关键）——相关性、结构性、完整性。
箱数据分析报告的信度和效度分析。
2. 抽样方法是数据收集的关键
1.配额样本和概率样本。
2.选择样本数量。
3.使用非概率样本。
3. 使用数据收集工具 - 问卷调查
1.问卷设计的三个原则。
2.图形比例比例用于比例（比例视图）的设计。
实践：这个针对特定用户的问卷应该如何设计？
结构化问卷的设计和使用
1）问卷视图。
2）结构设计要点：分层设计、精准变换、选键。
结构化设计流程
确定总体主题方向 分解主题 将主题转化为问题。
实践：如何为业内人士设计结构化问卷？
4.随机对照试验的设计要点——Fisher 方法。
箱： 随机对照实验 – 如何验证哪种肥料有效？
讨论：电饭煲实验的漏洞在
部分三说“拆迁”——思维导图按需分解数据
1.思维导图拆解数据
1.思维导图工具背后的重要思想。
案例一：横向思维。
案例二：垂直思维。
2.思维导图使用的结构。
二、思维导图变形的逻辑树，让细分数据可以被我使用
逻辑树是如何形成的
1）自上而下。
2）自下而上。
2.遵循MECE原则。
工具：逻辑树视图。
实践：如果使用逻辑树分析建模来形成桥接方案？
第 4 讲：“解决方案”。- 数据分析以找到根本原因
1. 数据分类思维
1.人像思维：准确分类物体，寻找规律。
2.不同维度的分类和分析。
案例一：业务数据分类。
案例二：用户数据的分类。
案例 3：对应用数据进行多维度拆解，评估推广效果。
2.数据比较（与谁比较以及如何比较）。
箱该杂志的效力得到了提高。
实践：如何解读周报。
3. 数据假设分析的过程
1.麦肯锡圣经：大胆假设并仔细验证。
2.流程拆解分析：提出假设、收集证据并得出结论。
箱谁是小偷？
4.寻找因果关系
1.相关。
2.优先次序。
3.非第三原则。
4.从相关性到因果关系。
箱：辛普森悖论。
部分五说“看分析数据作为决策依据
1.掌握概率决策方法
箱： 奖金应该如何分配？
实践：： 携带病毒的概率是多少？
2. 用于分析决策的帕累托图
工具：帕累托图视图。
箱停电决策结果统计分析。
实践：使用现有数据在帕累托图上做出决策。
3. 用于分析和决策的矩阵图
工具：矩阵图视图。
箱如何选择合适的人。
实践：使用矩阵图分析购车决策。
四、大数据分析与决策方法
1.聚类方法工具。
2.决策树。
3.回归方法。
部分六说“呈现”——完美的数据呈现，增强说服力
Life Pi的数据可视化场景。
1. 基于Excel的传统数据可视化方法
1.饼图。
2.直方图。
3.折线图。
二. 二.第二先进的数据可视化方法
1.虚线和线性数据的可视化。
2.组合数据可视化。
3.玫瑰图数据可视化。
4.关系数据可视化。
5.基于地图的数据可视化。
3、数据定向操作方法介绍
展示：可视化经典图表。
数据方向性问题操作案例：
1）挪用平均数。
2）忽略规模。
3）短期波动和长期影响。
4）忽略变化的原因。
5）交换概念。
6）定义不一致。
7）混淆对象。
8）基数转换。