《数据思维：从数据分析到商业价值》读后感100字
《数据思维：从数据分析到商业价值》是一本由王汉生著作，中国人民大学出版社有限公司出版的平装图书，本书定价：CNY 69.00，页数：288，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。
《数据思维：从数据分析到商业价值》精选点评：
●数据必须要能转化成商业价值，路径在于准确定位业务的核心诉求（因变量Y），并找到影响核心诉求的相关因素（自变量X），和作者观点差异处在于，有时企业不太能准确判断X是什么，在投入产出比OK的情况下，搜集所有可能相关的X找出核心X某些情况下也是必须的。 * 很同意的观点是“预测不准是常态，预测准确是变态。”数据分析大多只能判断相关，很难断定因果，这也是为什么测评工具都有信效度。2018.5
●现在的社会，一切都变成了数据，如何从数据中提炼出商业价值呢？
●快速浏览。适合数据分析思维的初步构建，同时大量的案例能充分帮助理解数据分析的过程。被回归分析和Boxplots图标深深迷倒。20180529@长泰广场
●数据思维简单来说就是把“业务问题”定义成“数据可分析问题”，在乱成一锅粥的业务问题中，准确定位业务的核心诉求（因变量Y），并找到影响核心诉求的相关因素（自变量X），然后甩给技术人员利用各种数据分析工具进一步研究。 这对在智能化时代提升沟通效率和把握商业机会有着重要意义。
●如何通过数据获得商业价值是值得思考的问题。
●我买了实体书，五分给一分吧，适合数据分析扫盲，就第二章，数据可视化看起来还有点意思，其他章节，毫无价值
●案例、图例很多，可做专业学习的额外补充。
●能被电子记录的才叫数据。数据思维是把业务核心诉求转换为数字的思维，老板或业务经理要指明因变量Y，和自变量X。技术人员采集数据后做回归分析，得到X与Y的相关关系。相关关系经过多次验证后才能被确定为因果关系，作为业务部门形成动作的指导方针。数据采集后，预测不一定准确，比如美国大选觉得希拉里胜出，结果是特朗普。数据在形成价值的商品化过程中，要运用管理的智慧，模式的创新。比如，机票最低价格的预测，用保险来支撑商品化的可行性。
●这个不是王汉生写的
●对我来说，浅的地方太浅，深的地方（需要代码和公式展示的地方）又啥也没有，不太适合有一定统计学基础的人看
《数据思维：从数据分析到商业价值》读后感(一)：摘要
1.数据思维：
数据思维是把“业务问题”定义成“数据可分析问题”，具体的做法就是在乱成一锅粥的业务问题中，准确定位业务的核心诉求（因变量Y），并找到影响核心诉求的相关因素（自变量X），然后利用各种数据分析工具进一步研究。
什么样的问题可以被看作数据可分析问题？你需要找到两种变量：
—因变量Y：因为别人的改变而改变的变量，这是业务的核心诉求。
—自变量X：用来解释因变量Y的相关变量，通俗点说，自变量X的改变，影响了因变量Y的变化。X表现了数据分析者对业务的洞见。
2.提高跨工种沟通效率：
张口就能点出回锅肉，而不是我饿了，酸辣土豆丝，猪肘子这样的情况；
—现象
我们在工作中，经常遇到这样的情况：数据专家说的是技术语言，需求部门说的是业务问题（其中包括数据可分析的和不可分析的），双方的沟通总是难以顺利进行。
—方案
要解决这个问题，这不仅需要专业人士摆脱自己知识的诅咒，也需要需求部门克服对于数据的恐惧感，公司内部自上而下都有必要培养数据思维。决策者要认识到哪些事与数据相关，需求部门应该有将核心诉求讲清楚的能力。
3.相关关系VS因果关系
相关关系：客观现象存在的一种非确定的相互依存关系。例子：公鸡叫，太阳升起来。
因果关系：第一个事件（因）和第二个事件（果）之间的作用关系，其中后一事件被认为是前一事件的结果。例子：按下开机键，电脑亮了。
《数据思维：从数据分析到商业价值》读后感(二)：数据从业人员读数据思维
书籍的如书名所展示的比较强调数据应用性。
1.本书中的前两章关于大数据的现状描述的很真实，很多公司都在说大数据，但是大数据的价值真实利用情况，一言难尽。其中对于客户的需求方面描述也很生动，形象，感同深受，客户说不清自己的需求，数据人员不了解真实业务环境，做出的数据或结果往往不如人意，新时代，对数据人员对要求越来越高；
2.文中关于回归分析的操作性和实用性还是蛮强的，通过对北京二手房，中国电影票的进行分析预测。不过实际情况往往会更复杂，学习的更多是一些方法论的知识。
3.后面两章介绍的是机器和非结构化数据，需要一定基础，没基础的同学可以当故事看看，了解数据应用还可这样，可以结合自己行业进行思考，结合书中的方法论，思考所在行业，所在公司的数据应用。
读书感受
1.大数据的概念，发展都很快，往往让大家都在追逐不同的热点，机器学习，区块链，人工智能等等，往往忘了初心，一切技术的运用都是为了发展而存在的，而不是大家都在做，我就需要；
2.数据应用，数据价值一直是数据从业人员的陷入的困境，如果不能有效的解决业务问题，协助业务发展，就处于一种弃之可惜，用之也无用的尴尬状态，本书强调的朴素性值得我们去深思。
《数据思维：从数据分析到商业价值》读后感(三)：3星|《数据思维：从数据分析到商业价值》：有趣的数据分析案例
全书是公众号“狗熊会”的文章的精选，文章都还比较下功夫，但是集结起来看不够全面系统，有的还略显重复。
书中有一些图表的使用技巧，简单介绍了回归分析和机器学习，还有一部分是中文文本分析的案例。
所有的案例都没提到具体的实现细节，有些是用excel或R画图可以实现的，有些则需要编程处理。
案例比较有意思。
书的装帧不错，图是彩色的看起来比较舒服。数据图表的排版与样式花了些功夫，虽然比不上经济学人的图表，还算可以。
总体评价3星，有一定参考价值。
以下是书中一些内容的摘抄：
1：因为你确立了一个可以量化的参照系，而这个参照系就是客户现有的系统。如果没有这个参照系，又想说明75%的精度是有价值的，是不是无比艰难？P19
2：这就是回归分析要完成的三个使命：识别重要变量；判断相关性的方向；估计权重（回归系数）。P25
3：当一个离散型变量只有两个取值的时候，无论在报告里还是在PPT里，都不建议画饼图，因为很容易画成图2-22的丑样。P54
4：对数变换可谓是画图界的整客神器，专门解决各种不对称分布、非正态分布和异方差现象等问题。P72
5：本案例将最经典的技术分析方法之一——均线策略，运用于中国股票市场。通过本案例可以发现，以时间序列模型为基础的均线策略在中国市场有不错的表现，这证明时间序列分析的有用性。P107
6：这里给大家分享一个竞价分配方案：50%预算购买行业词，30%预算购买主打产品词，20%预算购买长尾词。P204
7：用各角色与梅长苏出现在同一自然段的次数作为亲密度的衡量指标。P210
《数据思维：从数据分析到商业价值》读后感(四)：不是很实在的一本数据趣味通俗读本
大数据时代，各种数据导向的书脊层出不穷，有的通过趣味化的对话来由浅入深的揭示数据处理逻辑，有的则是按照一板一眼的教科书输出科班学习的内容，还有的干脆脱开体系化，教科书的工具，仅仅介绍数据考量数据思维的基本模式和逻辑。
总体来说，我看过很多，都挺有用的。但是不包括这本书。
这本书的名字起的挺好，从数据分析到商业价值，这条演进的逻辑是每一个企业家特别关注的点，也是每一个数据分析是希望找到的数据与商业能够产生实质联系的路径。因此这样的标题很容易吸引到读者。不论是资深的数据分析师？还是刚入职场的小白，还是非专业希望跨界多学一些的学霸。
遗憾的，内容太对不起这标题了，有一个标题党。
作为一本介绍数据思维的图书，并没有拿出一些关于数据逻辑，数据思索的真知灼见。而是很简单的介绍了集中统计模型，以及统计模型的应用。通俗的讲就是，有这么几个统计模型，他们可以用在哪些行业上，然后直接给出统计的结论。至于中间模型如何组建的，采用了什么样的设置和模板，完全没有涉及（而我认为这种最具实操的部分，应该是本书当中最大的价值）。然后再通过覆盖率、二次回归等后续模型来泛泛而谈，来说明模型是有效的，当然，具体过程仍然完全不涉及。
所以说这本书的定位目标客户是什么，没有达到专业高度，显然不适合专业人士。同时书中的内容的趣味性也一般，虽然采用的案例大部分尚算比较好理解，而且为了更活色生香，还采用了彩色的配图，但是文字的呈现方式依然比较教科书化。对于想更多了解跨界知识的读者，更是完全达不到拓展知识面的目的。我当然知道数据可以做很多事情，但更像知道的是整个数据处理的过程和逻辑
作者是一个咨询团队，深层次的目标可能是想卖课。至于这本书，仅仅是一个引导消费的劝败册而已。无从判断这本书背后团队的专业性，但是这种营销的方式有点让人无语。。。
《数据思维：从数据分析到商业价值》读后感(五)：不解决问题的数据分析都是耍流氓
在看这本书之前，我对作者王汉生一无所知。看介绍他是北大光华管理学院的教授，统计学背景，但这本书并不是一本枯燥的学术专著，恰恰相反，它是一本非常通俗易懂、简单有趣的入门读物。
这种风格也与作者写这本书的初衷有关，虽然市场上有很多讲数据分析、大数据科技相关的书籍，但是大多着力在分析与建模的技巧层面，作者认为数据产业实践的核心任务在于让数据在真实的产业环境中产生可被产品化的商业价值。所以他用大量行业的生动案例，来说明他的这种“朴素的数据价值观”，即怎样把一个具体业务问题定义成一个数据可分析问题，再用各种方式进行数据分析与建模，最后进行数据业务实施（流程改造、产品设计、标准制定等）。
整本书包含五章内容，从“朴素的数据价值观”理念介绍，到“数据可视化”的各种经典图表介绍，再到第三章重点讲“回归分析”，最后两章介绍了时下热门的“机器学习”的一些传统方法和“非结构化数据”分析案例。
前面两章浏览即可，可以重点看第三章“回归分析”，毕竟数据分析要解决实际问题。那怎么解决问题呢，最常用的是“回归五式”，即5种常见的统计学模型，包含：线性回归、0-1回归、定序回归、计数回归、生存回归。作者用了大量实际案例来一一说明，比如北京市二手房房价的影响因素、线上女装销量预测、股票投资的均线策略、移动通信公司客户流失预警、车险数据分析与商业应用、信用卡逾期数据分析、新产品在架时长研究等。可以说这些案例生动体现了作者的“朴素的数据价值观”和这本书的最大价值。
第四章介绍了几种典型的机器学习的方法，包括朴素贝叶斯、决策树、回归树与提升算法、深度学习、K均值聚类。是不是听起来不明觉厉？但作者举的例子都很生动有趣，比如怎么用深度学习中的卷积神经网络教会计算机做图片分类，还有怎么用矩阵数字化麻将手牌、用CNN学习手牌的价值分、用增强学习估计最终和牌番数的期望，最终训练计算机打麻将并且胡牌。种种案例让不懂大数据技术的人看起来也觉得津津有味。
大数据时代多了很多非结构化数据，第五章即分享了一些涉及到中文文本、网络结构、图像分析等领域的实际案例。
为了便于读者理解，作者并没有使用很多数学知识、计算机代码等内容，而是花了大量语言来描述，但这也造成一个问题，即有些内容过于直白显得废话连篇，不深不浅。
对于完全没有统计学基础的人来说，很多术语和实现方法可能看不懂，但大量实际案例可以帮助锻炼数据思维和分析问题的思路。对于专业从业人员来说可能显得过于简单，但了解了不同行业的业务问题，相信也可以帮助他们更好地实现数据的价值。