最近跟不少做数据分析的小伙伴聊了聊，大家成长都很快。
各种前沿工具的运用得心应手，复杂方法论的探讨头头是道。
但听了一圈下来，总觉得有什么东西被忽略了。
而昨晚洗澡时灵光乍现，于是今天就打算和兄弟姐妹们聊聊——
没有数据之前，我们是如何做分析的？
你是否曾被领导批评，分析不够深入，浮于表面？
是否觉得自己的日常工作仅仅是机械地对比数据的环比和同比，而难以称之为真正意义上的 “分析”？
如果这些困惑你也曾有过，那么希望接下来的探讨能为你带来全新的启发与思考。
让我们把时光倒回过去，追溯分析的起源。
让我们回顾下历史。
在那个没有 Excel、SQL 和 Python 等现代化工具的时代，那个时候的人们是如何进行分析的？
大体上可以归为三类：
一、经验总结
比如农民伯伯观察季节比变化和自然现象，总结出了农历和二十四节气，用于预测天气，指导农业生产，这就是一种基于经验的总结。
这种总结与归纳在本质上是对在用自然语言描述这个世界的规律。
这种规律对于农业生产效率的提升才是整个分析的价值所在。
而农业生产效率在现代的语境中有另外一个名词——业务。
二、逻辑推理
而逻辑推理的典型代表则是亚里士多德的三段论。
比如：“所有人都会死，苏格拉底是人，因此苏格拉底会死”。
这是一种因果关系上的推理。
相较于经验总结，这种推理的过程更严谨，所得到的结论更加具有可靠性。
但这也是基于观察、基于对事物关系的理解，而非基于数据。
三、观察类比
再讲个好玩的，古代的居民会通过观察井水的颜色和气味来判断是否适合饮用。
如果水有异常的绿色，那就会认为这个水可能受到污染，有毒，不能喝。
那么深挖一层，为什么认为绿色=异常呢？
自然界中的植物会进化出鲜艳的颜色来示警，告诉其他动物——我有毒的，别碰我。
即鲜艳的颜色代表有危险，因此井水绿色=井水有问题。
这就是一种类比，当然这样的逻辑链条并不严谨。
通过以上三个例子，我们会发现，即使没有数据，也不妨碍我们观察世界，对世界的规律进行总结。
那么为什么到现代，数据分析大行其道呢？
主要是两个原因：对于事物的描述精度与沟通成本。
其实自从近代统计学逐渐兴起以后，分析的精度就在不断提升。
最早的时候只是基于经验、文字描述的归纳总结，逐渐发展到基于样本推断总体的传统统计学，再到近些年以互联网为典型的基于全体样本的数据分析。
可以很清晰地发现，三者其实都在试图用某种方式描述事物，且描述的精度是越来越高。
而人是天生厌恶不确定性，因为不确定性意味着风险。
在这种心理驱使下，人们自然而然地倾向于追求更全面、更详尽的数据，期望以此降低不确定性，做出更明智的决策。
其次是沟通成本，要知道人和人的经历、秉性、价值观、立场都不尽相同，这就造成了沟通时主观及客观上的沟通障碍。
那么能否有一种语言能够最大程度上克服这些差异，让各方达成共识，解决信任问题呢？——数据。
这是其一，其次基于数据的可视化，确实能够非常清晰直观地表达信息。
所以数据分析的出现，其实解决的是传统分析中分析结论可靠性的问题。
它有没有用？——有用
为什么有用？
因为基于对数据的观察，能够发现事物的规律，这些规律能够解决实际生产中的问题，进而提高生产效率，这才是数据分析的价值体现。
而非能写多复杂的SQL、会很多的编程语言。
说到底，数据分析——数据是定语、分析才是主语。
数据分析的普及让我们更高效地理解问题、预测未来，但也不应完全忽视数据之外的智慧。
毕竟，分析的核心不只是数字，而是对世界的深刻理解。
当我们没有数据时，经验、逻辑和观察仍然是我们探索未知的重要工具。
如果你还想听点有关数据分析与职场的大实话，请跟上节奏↓
