五、算法
随着面向对象（Orient Object）编程方法兴起，“程序=数据结构+算法”的光荣时代似乎已经一去不复返。如今许多分析人员也不曾听过Knuth和他的The Art of Computer Programming。有一种观点是，在各工具将算法封装得很好的情况下，深入了解算法似乎是没必要的——Just run it。的确，如果你只想做到中级分析师，可以不去理会。但是要成为一名高级分析师，那肯定得有一定深度的研究。一是为了知道针对特定的数据集，选用什么样 的算法，如何抽取样本，抽取多大量的样本（样本出问题，整个项目都完蛋），算法适用条件是什么，比如线性回归的：独立性、常方差、正态性，怎么理解，哪些 必须满足。这些使用如果不熟悉的话，很容易导致分析出问题。一些做这方面工作的BIer，不求甚解，做出来的东西是错的，做分析最可怕的是错了还没意识！ 二是客户问到一些问题，知道如何去解释，比如用决策树计算出来的得分，为什么很多样本得分是一样的？客户细分中，有没有算法可以使得同一个客户细分至两个 不同的客户群？没有的话，如何用现有算法解决该客户既有A群属性又有B群属性的问题？三是你能写出针对特定问题的算法，现实中许多问题拥有其他问题一样的 共性，也有它自己的个性，某些时候针对个性的东西越强，分析效果越好，这就需要你手写算法解决。获得Netflix 100万推荐算法大奖的绝不可能是封装好的现成算法不是么。另外还有一类商业智能问题，是封装算法解决不了的，这类问题大多见于与地理结合的GIS决策系 统，这类系统就要求分析人员有图形算法功底。可见如果你想成为顶级的数据分析师，算法与数据结构的知识必不可少。搜索，排序，树，图之所以经典，是因为它 们简单有效而且通用。如果你能把这些算法在数据库里实现，那么你分析技术这方面，确实达到很高的境界了。
六、统计学与其中的分析逻辑问题
商业分析中应用统计学的好处在于，你可以不知道两者的因果而只分析两者的联系，并且在环境没有太多改变的情况下，分析结果都是适用的（更复杂的需要使用微分 方程或其他，但提升度未必高）。关于逻辑，我们来看一个例子：据科学家研究，肥胖的人在社交关系上会聚集在一起。如图3，如果你的朋友肥胖，则你肥胖的概 率比别人高45%（紫柱），如果你朋友的朋友肥胖，则比平均高出25%（红柱），如果你朋友的朋友的朋友肥胖，则比平均高出10%（橙柱）。事实上，这些 都是数据和统计，只能说明肥胖的人可能会聚集到一块儿，因为从数据上你无法分辨出你们是因为肥胖而成为朋友（比如因肥胖到健身房认识）还是因为成为朋友而 肥胖（吃货朋友一起去吃东西），或者互为因果。实际分析中，我们经常发现两样事物是互为因果互相加强的，“事物有普遍联系”和“作用与反作用”的哲学原理 在此体现得淋漓尽致。业务经验在此时显得尤为重要！它能告诉我们哪件因素更重要，一般对于业务人员来说更好实现的过程，更好掌控的因素，就是原因，是我们 后续操作的引线和突破口。
图3 相关关系 VS 因果关系（编者注）
关于商业，笔者是技术出身，也处于摸爬阶段。但可以推荐两本书，这两本书是都是国外的，较厚易懂：菲利普科特勒《市场营销》，斯蒂芬鲁宾斯的《管理学》。商业与技术是存在联系的。其实细心的读者会发现，光是有上面的知识还是不够的，纸上得来终觉浅，绝知要做项目呀：）
增值知识
作为分析师宽广的知识面必不可少，没事看看心理学、历史、地理、人口统计学（demography），浏览一下知乎，FT中文网什么的，也是不错的。 更多详细信息，请您微信关注“计算网”公众号：
很多优秀的数据信息图、资料、报告只有英文的，例如：
数据信息图： http://infosthetics.com/、http://flowingdata.com/、http://visual.ly/
资料： http://radar.oreilly.com/、http://www.businessinsider.com/