数据分析的五大思维方式
数据分析思维的原理和方法
数据分析思维的原理和方法
数据分析思维的原理和方法主要有以下几点：
1. 目标明确：在进行数据分析之前需要明确分析的目标和问题，以确保分析过程是有针对性和有效性的。
2. 数据收集：要进行数据分析，首先要收集相关数据。
数据的收集可以通过调查、采样、实验等方式进行。
3. 数据整理：在数据分析之前需要进行数据整理，包括数据清洗、数据重构等步骤，以确保数据的准确性和一致性。
4. 数据可视化：数据可以通过图表、图形等方式进行可视化展示，便于分析和沟通交流。
5. 数据分析：在进行数据分析的过程中，需要运用统计学、机器学习、数据挖掘等技术进行有效的分析，并进行假设检验、相关性分析、回归分析等工具的运用。
6. 发现结论：通过对数据的分析，需要进行结论的提炼，以回答我们预设的问题或达成分析的目标。
7. 报告和决策：对于数据分析结果的报告和决策，需要考虑数据分析的客观性、应用性和可视化，以便于业务部门和决策者进行参考和决策。
大数据时代的思维
大数据时代的思维在大数据时代，海量的数据被生成、存储和利用。
这些数据对我们的生活和工作产生了深远的影响。
然而，仅仅拥有大量的数据是不够的，我们还需要正确的思维方式来解读和应用这些数据。
本文将探讨大数据时代的思维方式，并探讨如何在日常生活和工作中灵活运用这种思维方式。
1. 数据驱动思维数据驱动思维是大数据时代最重要的思维方式之一。
它强调通过数据来指导、支持和验证决策过程。
在过去，很多决策都是基于主观经验和直觉做出的，但在大数据时代，我们可以通过收集和分析大量的数据来做出更明智的决策。
以营销为例，过去的营销决策通常基于营销人员的经验和感觉，而现在，营销决策越来越多地依赖于数据分析。
通过分析顾客的购买行为、偏好和反馈，企业可以更准确地了解顾客需求，优化产品和服务，提高市场竞争力。
因此，数据驱动思维在市场营销中起着重要的作用。
2. 数据分析思维数据分析思维是大数据时代另一个重要的思维方式。
它涉及到理解和解释数据的能力，以从中获得有价值的见解。
在处理大数据时，我们需要学会使用各种数据分析工具和技术，例如统计分析、机器学习和人工智能等。
数据分析思维可以帮助我们发现数据中的模式和规律，预测未来趋势和行为。
例如，通过对过去的销售数据进行分析，企业可以预测未来销售额，制定合理的生产计划和库存管理策略。
此外，数据分析思维还可以帮助企业挖掘和发现隐藏在数据背后的信息，以获得竞争优势。
3. 创新思维大数据时代需要创新思维来应对不断变化的环境和机遇。
创新思维是指超越传统思维范围，勇于尝试新想法和方法的能力。
在面对复杂的大数据时代，我们需要学会思考问题、解决问题的方式。
创新思维涉及到观察、提问和连接的能力。
通过观察和洞察力，我们可以发现问题、挖掘需求和发现机会。
通过提问和质疑，我们可以更好地理解问题和寻找解决方案。
通过连接和整合不同的观点和概念，我们可以创造出新的想法和方法。
4. 风险管理思维大数据时代充满了不确定性和风险。
【大数据分析】5种经典的数据分析思维和方法
5种经典的数据分析思维和方法：启方：数据分析不是个事儿在数据分析中，数据分析思维是框架式的指引，实际分析问题时还是需要很多“技巧工具”的。
就好比中学里你要解一元二次方式，可以用公式法、配方法、直接开平方法、因式分解法。
数据分析里也有技巧，在一些通用的分析场景下可以快速使用，而且对未来构建数据分析模型也有帮助。
接下来就分享常见的5种数据分析方法，分别是：公式法、对比法、象限法，二八法，漏斗法，常常多种结合一起使用。
注：主要偏思维层面的，基于业务问题对数据的探索性分析，不同于专业统计学中的数据处理方法。
一、公式法所谓公式法就是针对某个指标，用公式层层分解该指标的影响因素，这个我在指标化思维中提到过。
举例：分析某产品的销售额较低的原因，用公式法分解•某产品销售额=销售量 X 产品单价•销售量=渠道A销售量 + 渠道B销售量 + 渠道C销售量+ …•渠道销售量=点击用户数 X 下单率•点击用户数=曝光量 X 点击率第一层：找到产品销售额的影响因素。
某产品销售额=销售量X 产品单价。
是销量过低还是价格设置不合理？第二层：找到销售量的影响因素。
分析各渠道销售量，对比以往，是哪些过低了。
第三层：分析影响渠道销售量的因素。
渠道销售量=点击用户数X 下单率。
是点击用户数低了，还是下单量过低。
如果是下单量过低，需要看一下该渠道的广告内容针对的人群和产品实际受众符合度高不高。
第四层：分析影响点击的因素。
点击用户数=曝光量X点击率。
是曝光量不够还是点击率太低，点击率低需要优化广告创意，曝光量则和投放的渠道有关。
通过对销售额的逐层拆解，细化评估以及分析的粒度。
公式拆解法是针对问题的层级式解析，在拆解时，对因素层层分解，层层剥尽。
二、对比法对比法就是用两组或两组以上的数据进行比较，是最通用的方法。
我们知道孤立的数据没有意义，有对比才有差异。
一些直接描述事物的变量，如长度、数量、高度、宽度等。
通过对比得到比率数据，增速、效率、效益等指标，这才是数据分析时常用的。
大数据思维的五种思维方式
大数据思维是指一种基于数据驱动的思维方式，它强调通过收集、分析和利用大量数据来揭示事物的本质和规律，从而更好地理解和解决问题。
以下是大数据思维的五种思维方式：
1. 数据驱动思维：大数据思维强调以数据为基础，通过数据分析和挖掘来发现问题、解决问题和做出决策。
2. 全样本思维：传统的数据分析往往基于抽样调查，但大数据思维则强调全样本分析，即通过收集和分析所有可用数据来获取更全面和准确的信息。
3. 相关性思维：大数据思维强调关注数据之间的相关性，而不仅仅是因果关系。
通过分析数据之间的相关性，可以发现一些以前难以察觉的规律和趋势。
4. 开放性思维：大数据思维鼓励开放的数据共享和合作，通过共享数据和知识，可以更好地发挥数据的价值，促进创新和发展。
5. 快速迭代思维：大数据思维强调快速迭代和实验，通过不断尝试和改进，可以更快地找到最佳的解决方案。
总之，大数据思维是一种以数据为中心的思维方式，它强调通过数据分析和挖掘来发现问题、解决问题和做出决策，具有全样本、相关性、开放性、快速迭代等特点。
大数据带来的四种思维(一)
大数据带来的四种思维（一）引言概述：在当今数字化时代，大数据已经成为了各行各业的核心竞争力之一。
它的出现不仅给企业带来了巨大的商业机会，同时也对传统的思维方式提出了挑战。
在本文中，我们将探讨大数据带来的四种新的思维方式，以及它们对企业的影响。
正文内容：一、数据驱动思维1. 数据驱动决策的意义：通过对大量数据的分析和利用，可以更准确地进行决策，避免主观臆断。
2. 多维度数据分析：借助大数据技术，可以从不同维度对数据进行分析，揭示隐藏在数据背后的规律和趋势。
3. 实时数据反馈：大数据技术的快速处理能力，使得实时数据反馈成为可能，帮助企业更加及时地做出调整和优化。
二、创新思维1. 探索新的商业模式：通过深度挖掘数据，企业可以发现潜在的新市场和商业机会，从而开辟出全新的商业模式。
2. 提供个性化产品和服务：大数据的精准分析能力，使得企业能够更好地了解消费者需求，为其提供个性化的产品和服务。
3. 预测未来趋势：通过对大数据的分析和挖掘，可以有效预测市场趋势，帮助企业提前布局和应对未来的变化。
三、协同思维1. 跨部门协作：大数据技术的使用需要跨部门的协作，促进信息的共享和流通，提高企业的决策效率。
2. 企业生态系统：大数据可以作为企业与合作伙伴、供应商、客户之间建立生态系统的桥梁，促进共赢发展。
3. 数据共享与开放创新：大数据的共享和开放可以促进不同企业之间的合作和创新，实现资源优化配置。
四、智能思维1. 人工智能的应用：大数据与人工智能的结合，可以帮助企业实现更高效的业务流程和更精准的决策。
2. 自动化与智能化工作：借助大数据技术，一些繁琐、重复和容易出错的工作可以被自动化和智能化，提高工作效率。
3. 智能决策支持：大数据技术可以为企业提供智能化的决策支持，减少风险，优化决策结果。
总结：大数据带来的这四种思维方式，即数据驱动思维、创新思维、协同思维和智能思维，对企业的经营和发展具有重要的影响。
在大数据时代，企业应该引领思维转变，充分利用大数据的优势，不断创新和进步，抓住机遇，实现持续发展。
大数据的思维方式(一)
大数据的思维方式（一）引言概述：在当今信息爆炸的时代，大数据已经成为企业和组织决策中不可或缺的重要元素。
大数据的思维方式则是指我们在面对大规模、多样化的数据时，所需要具备的一种思维模式和技能。
本文将从五个大点来阐述大数据的思维方式，并探讨其在决策和创新中的应用。
正文：一、数据意识1. 理解数据的价值：认识数据对企业发展的重要性，了解数据可以带来的商业价值。
2. 掌握数据采集和分析技术：学习数据采集、存储和处理的方法和工具，提高数据处理能力。
3. 建立数据驱动的决策机制：倡导以数据为基础做出决策，降低主观臆断的风险。
二、跨领域思维1. 学习多个领域的知识：拓宽视野，还可以从其他领域中借鉴经验和方法论。
2. 带着问题来思考：以问题驱动的思维方式，利用不同领域的知识来解决实际问题。
3. 发掘数据中的潜在联系：对多个领域的知识进行连接和整合，挖掘出新的洞察和发现。
三、统计分析能力1. 学习基本统计学原理：了解统计学的基本概念和方法，掌握常用的统计分析技巧。
2. 掌握数据可视化技术：通过图表和可视化工具将数据转化为更直观的形式，便于分析和传达。
3. 进行数据模型建立和预测：利用统计学和机器学习的方法，对数据进行建模和预测，提供决策支持。
四、创新思维1. 提倡挑战常规和传统观念：打破固有的思维模式，敢于尝试和创新。
2. 鼓励多元化的想法：从多个角度思考问题，纳入不同的观点和意见。
3. 快速试错和迭代：以快速试错的方式进行创新实验，从中学习和不断改进。
五、团队协作1. 建立跨学科的团队：组建既懂领域知识又懂数据分析的团队，共同解决问题。
2. 推行数据共享和开放合作：鼓励团队成员之间分享数据和思路，促进协作和共同学习。
3. 培养有效沟通和解释能力：能够将复杂的数据分析结果以简洁明了的方式向团队和决策者解释和传达。
总结：大数据的思维方式是在处理大规模、多样化的数据时所需要具备的思考方式和技能。
它要求我们具备数据意识、跨领域思维、统计分析能力、创新思维和团队协作能力。
数据分析的五大思维方式
数据分析的五大思维方式数据分析是一种有效的方法，用于提取和解释数据中的有用信息。
它涉及使用技术和工具来收集、整理、处理和解析数据，以便推导出有意义的结论和决策。
在进行数据分析时，采用正确的思维方式非常重要。
下面将介绍数据分析的五大思维方式。
1. 批判思维在进行数据分析时，批判思维至关重要。
这意味着要质疑和评估数据的来源、准确性和可靠性。
通过审查数据的质量和完整性，分析人员可以避免基于虚假或不准确数据做出错误的决策。
此外，批判思维还可以帮助分析人员提出更有针对性的问题，并考虑潜在的偏差或错误。
2. 创造性思维创造性思维对于数据分析同样至关重要。
数据分析不仅仅是解释和总结数据，而是要能够发现隐藏在数据中的模式和趋势。
通过创造性思维，分析人员可以探索不同的方法和角度来解释数据，并发现新的见解和机会。
创造性思维还可以帮助分析人员生成创新的解决方案和策略。
3. 系统性思维数据分析需要从整体的角度来考虑问题，而不仅仅是关注局部的细节。
系统性思维是一种将数据和信息组织和关联起来的方法。
通过系统性思维，分析人员可以了解不同因素之间的相互依赖关系，并评估它们对整体结果的影响。
通过将数据放置在一个更广泛的框架中来分析，分析人员可以识别和解释更深层次的因果关系。
4. 统计思维统计思维是数据分析过程中不可或缺的一种思维方式。
它涉及将数据转化为统计指标和度量，以进行比较和分析。
通过统计思维，分析人员可以对数据进行推断和概括，并使用统计方法来验证假设和模型。
统计思维还可以帮助分析人员识别数据中的模式和关联，并从中得出准确的结论。
5. 持续学习思维数据分析是一个不断发展和演变的领域。
持续学习思维是一种积极主动地追求新知识和技能的思维方式。
在数据分析中，新的技术和工具不断涌现，新的方法和模型不断进展。
通过持续学习思维，分析人员可以保持对行业趋势和最新发展的了解，并不断提高自己的技能和能力。
持续学习思维还可以帮助分析人员适应不断变化的数据环境，并应对未来的挑战。
数据分析的五大思维方式
数据分析的五大思维方式在当今数字化的时代，数据如同隐藏着无数宝藏的矿山，而数据分析则是挖掘这些宝藏的关键工具。
要想从海量的数据中提取有价值的信息，掌握正确的思维方式至关重要。
下面，我们将探讨数据分析的五大思维方式。
一、对比思维对比思维是数据分析中最基本也是最常用的思维方式之一。
通过对比不同的数据，我们能够发现差异、找出规律，从而为决策提供依据。
比如说，一家电商企业想要了解某个商品的销售情况。
如果只是单纯地知道该商品的销售额是 10 万元，这并没有太大的意义。
但如果将这个销售额与上个月、去年同期或者同类型其他商品的销售额进行对比，就能清晰地看出该商品的销售趋势是上升还是下降，以及在市场中的竞争地位。
对比可以是时间上的，如同比、环比；也可以是空间上的，如不同地区、不同渠道的对比；还可以是不同业务指标之间的对比，如销售额与利润、访客数与转化率等。
在进行对比时，要确保对比的对象具有可比性，比如在对比不同地区的销售数据时，要考虑到地区的经济发展水平、人口规模等因素的影响。
二、细分思维当我们面对一个整体的数据时，往往难以发现其中的问题和规律。
这时，就需要运用细分思维，将数据按照不同的维度进行分解，以便更深入地了解数据的内部结构。
以一家连锁超市为例，如果发现某个月的总销售额下降了，通过细分思维，可以将销售额按照商品类别、门店位置、销售时间段等维度进行分解。
也许会发现是某个类别的商品销售额大幅下降，或者是某个门店的销售业绩不佳，又或者是在特定的时间段内销售额出现了低谷。
细分的维度可以根据具体的业务需求和数据特点来选择，常见的细分维度包括用户属性（如年龄、性别、地域）、业务流程（如销售渠道、营销活动环节）、时间（如季度、月份、周、日）等。
通过不断地细分，我们能够逐渐找到问题的根源，从而采取有针对性的措施来解决问题。
三、溯源思维在数据分析中，当我们发现一个异常的数据或者现象时，不能仅仅停留在表面，而要运用溯源思维，追根究底，找出导致这个结果的原因。
大数据带来的四种思维
引言概述:正文内容:1.数据驱动思维:数据的重要性:数据是大数据时代的核心和驱动力。
它能提供有价值的信息和洞察，帮助我们做出更加明智的决策。
数据思维的要点:数据驱动思维要求我们从数据中获取洞察，将数据作为支持决策和解决问题的关键要素。
数据驱动思维的应用案例:在市场营销、金融、医疗等领域，数据驱动思维正发挥着重要作用，促使企业做出更加精确的决策。
2.创新思维:大数据为创新提供机会:大数据的存在为企业和个人提供了新的机会，可以通过对海量数据的分析来发现新的商机和创新点。
创新思维的要点:创新思维意味着不断挑战传统、寻找新的解决方案，并能够利用大数据的洞察来创造价值。
大数据驱动的创新案例:互联网公司如谷歌和亚马逊利用大数据分析改变了传统的搜索和购物方式，创造了新的商业模式。
3.预测思维:预测的重要性:大数据可以帮助我们理解现象的发展趋势，从而做出准确的预测，并采取相应的行动。
预测思维的要点:预测思维要求我们基于数据的分析和模型建立来预测未来趋势，并做好相应的规划和准备。
大数据驱动的预测案例:气象预报、股票交易、销售预测等领域可以通过大数据分析提供准确的预测结果。
4.自助思维:自助的意义:大数据的到来使得个人和企业能够更加自主地获取和分析数据，而不再依赖于专业人士。
自助思维的要点:自助思维要求我们提高数据分析的能力和技巧，并具备独立获取和处理数据的能力。
大数据驱动的自助案例:数据分析工具的普及和大数据平台的开放使得个人和企业能够发布和共享数据，从而实现自助获取和分析数据。
总结:大数据带来了数据驱动思维、创新思维、预测思维和自助思维这四种思维方式。
数据驱动思维强调通过数据来支持决策和解决问题；创新思维利用大数据的洞察发现新的商机和创新点；预测思维通过数据分析来预测未来趋势；自助思维使得个人和企业能够更加自主地获取和分析数据。
这些思维方式的应用案例表明，大数据已经成为推动创新和发展的重要因素，并将在未来继续发挥重要作用。
1.数据分析的思维方式
5
看上去很简单，但是…
• • • • • • 目标是否合理？ 能不能摸清数据的底细？ 数据能否支持你的目标？ 能不能择适合的统计方法？ 能不能解释计算机输出的结论？ 结论是不是合理？
6
为此，我们需要了解......
• 一些基本的概念和术语（包括总体、样本、总 体、样本、总体参数、样本统计量） • 变量的种类（定性、定量、定序等） • 概率分布 • 数据：各种变量实现；多个变量的情况；计算 机的数据形式
7
还需要了解……
• 数据收集的问题（二手数据、试验数据、一手 数据、问卷数据） • 计算机的数据形式 • 统计方法的分类（根据问题或数据形式） • 各种统计方法的选择 • 各种统计结论的解释
8
我们要……
• • • • • • • 提供基本的教学步骤 基本的统计概念介绍 关于变量和数据概念的介绍 描述性统计 从目的看推断方法的原理和选择 从数据看推断方法的原理和选择 查看是否需要数据挖掘吗？
吴喜之
xzwu2003@
本科:北京大学数学力学系 再教育:甘孜藏族自治州得荣县（6年） 统计博士:美国北卡罗来纳大学 (UNC-Chapel Hill) 教书经历: 美国加利福尼亚州大学 (Davis) 美国北卡罗来纳大学 (Chapel Hill) 美国北卡罗来纳大学 (Charlotte) 南开大学 北京大学 人民大学
9
主要问题：对你工作的评价
• • • • 数据是否合适？ 方法选择是否正确（各种条件是否满足）？ 会不会对你的推断过程进行诊断？ 对结果解释是否合适？
10
我们有自己的头脑
• 统计是科学 • 很有些从未受过统计教育的人(可能在某些方面有地位) 妄谈统计，乱出教材 • 或者求时髦、漂亮、热闹但没有任何内容 • They have the talent of talking a lot about nothing! • 得到结果是目的吗？ • 仅有得到自己明白的、可靠的结果才是目的！
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
发现很多朋友不会处理数据，这个过程叫做数据清洗，中间可能涉及到编程，分析人员是应该学点编程的，后面抽时间给大家介绍一下，今天不讲这个。
那今天讲什么呢？
今天要讲数据分析的五大思维方式。
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。
下面零一给你一一介绍。
（本文用到的指标和维度是同一个意思）
第一大思维【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，比如选款测款丶监控店铺数据等，这些过程就是在做【对照】，分析人员拿到数据后，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。
第二大思维【拆分】
分析这个词从字面上来理解，就是拆分和解析。
因此可见，拆分在数据分析中的重要性。
在派代上面也随处可见“拆分”一词，很多作者都会用这样的口吻：经过拆分后，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。
我们回到第一个思维【对比】上面来，当某个维度可以对比的时候，我们选择对比。
再对比后发现问题需要找出原因的时候？或者根本就没有得对比。
这个时候，【拆分】就闪亮登场了。
大家看下面一个场景。
运营小美，经过对比店铺的数据，发现今天的销售额只有昨天的50%，这个时候，我们再怎么对比销售额这个维度，已经没有意义了。
这时需要对销售额这个维度做分解，拆分指标。
销售额=成交用户数*客单价，成交用户数又等于访客数*转化率。
详见图c和图d
图c是一个指标公式的拆解
图b是对流量的组成成分做的简单分解（还可以分很细很全）
拆分后的结果，相对于拆分前会清晰许多，便于分析，找细节。
可见，拆分是分析人员必备的思维之一。
第三大思维【降维】
是否有面对一大堆维度的数据却促手无策的经历？当数据维度太多的时候，我们不可能每个维度都拿来分析，有一些有关联的指标，是可以从中筛选出代表的维度即可。
如下表
这么多的维度，其实不必每个都分析。
我们知道成交用户数访客数=转化率，当存在这种维度，是可以通过其他两个维度通过计算转化出来的时候，我们就可以
【降维】.
成交用户数丶访客数和转化率，只要三选二即可。
另外，成交用户数*客单价=销售额，这三个也可以三择二。
另外，我们一般只关心对我们有用的数据，当有某些维度的数据跟我们的分析无关时，我们就可以筛选掉，达到【降维】的目的。
第四大思维【增维】
增维和降维是对应的，有降必有增。
当我们当前的维度不能很好地解释我们的问题时，我们就需要对数据做一个运算，增加多一个指标。
请看下图。
我们发现一个搜索指数和一个宝贝数，这两个指标一个代表需求，一个代表竞争，有很多人把搜索指数宝贝数=倍数，用倍数来代表一个词的竞争度（仅供参考）。
这种做法，就是在增维。
增加的维度有一种叫法称之为【辅助列】。
【增维】和【降维】是必需对数据的意义有充分的了解后，为了方便我们进行分析，有目的的对数据进行转换运算。
第五大思维【假说】
当我们拿不准未来的时候，或者说是迷茫的时候。
我们可以应用【假说】，假说是统计学的专业名词吧，俗称假设。
当我们不知道结果，或者有几种选择的时候，那么我们就召唤【假说】，我们先假设有了结果，然后运用逆向思维。
从结果到原因，要有怎么样的因，才能产生这种结果。
这有点寻根的味道。
那么，我们可以知道，现在满足了多少因，还需要多少因。
如果是多选的情况下，我们就可以通过这种方法来找到最佳路径（决策）
当然，【假说】的威力不仅仅如此。
【假说】可是一匹天马（行空），除了结果可以假设，过程也是可以被假设的。
我们回到数据分析的目的，我们就会知道只有明确了问题和需求，我们才能选择分析的方法。
顺带给大家讲讲三大数据类型。
这个属于偷换概念，其实就是时间序列的细分，不是真正意义上的数据类型，但这个却是在处理店铺数据时经常会碰到的事情。
数据放在坐标轴上面分【过去】丶【现在】和【未来】。
第一大数据类型【过去】
【过去】的数据指历史数据，已经发生过的数据。
作用：用于总结丶对照和提炼知识
如：历史店铺运营数据，退款数据，订单数据
第二大数据类型【现在】
【现在】的概念比较模糊，当天，当月，今年这些都可以是现在的数据，看我们的时间单位而定。
如果我们是以天作为单位，那么，今天的数据，就是现在的数据。
现在的数据和过去的数据做比较，才可以知道现在自己是在哪个位置，单有现在的数据，是没什么用处的。
作用：用于了解现况，发现问题
如：当天的店铺数据
第三大数据类型【未来】
【未来】的数据指未发生的数据，通过预测得到。
比如我们做得规划，预算等，这些就是在时间点上还没有到，但是却已经有了数据。
这个数据是作为参考的数据，预测没有100%，总是有点儿出入的。
作用：用于预测
如：店铺规划，销售计划
三种数据是单向流动的，未来终究会变成现在，直到变成过去。
他人我不知道，但我自己非常喜欢把数据往坐标轴上面放，按时间段一划分，每个数据的作用就非常清晰。