促进大数据发展行动纲要(医疗数据共享标准和规范)

促进大数据发展行动纲要，医疗数据共享标准和规范？

第一条 为加强健康医疗大数据服务管理,促进“互联网+医疗健康”发展,充分发挥健康医疗大数据作为国家重要基础性战略资源的作用,根据《中华人民共和国网络安全法》等法律法规和《国务院促进大数据发展行动纲要》《国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见》《国务院办公厅关于促进“互联网+医疗健康”发展的意见》等文件精神,就健康医疗大数据标准、安全和服务管理,制定本办法。

第二条 我国公民在中华人民共和国境内所产生的健康和医疗数据,国家在保障公民知情权、使用权和个人隐私的基础上,根据国家战略安全和人民群众生命安全需要,加以规范管理和开发利用。

第三条 坚持以人为本、创新驱动,规范有序、安全可控,开放融合、共建共享的原则

有必要建立一所大数据全世界一流的科研院所吗？

有没有必要，要看贵州大数据的定位是什么，如果是定位只是“机房”性质的硬件储存地，没有对数据的开发和运营，那么比起“大学”而言，可能职校更合适，更贴近运营管理硬件设备的实际，而如果是要考虑成为“中国数谷”，像美国硅谷那样，对数据进行深加工和处理，那么，可能一所普通的大学都算少的，而且还要实力很强悍的那种。

△斯坦福大学

很多人都不知道，美国硅谷之所以能够发展兴盛，除了产业聚集以外，更重要的原因，还是因为在加利福利亚的旧金山，有大学及其相关的研究机构，而且都是叫得上名的名牌，比如加州大学伯克利分校、斯坦福大学、旧金山大学等，这种科研和技术力量是很多城市难以匹敌的。

这种学校和周边产业结合的“产研融合”体系，对硅谷的发展壮大起到了很大的关键作用，有的学校毕业生，一毕业，在校外周边租个房子就开始创办企业，还可以利用学校的科研资源等。

大数据的价值，藏在冰山以下的巨大势能，其实还是数据开发和运营，比如算法、爬虫之类，可能需要很多高质量的软件工程师、程序员等技术力量，才能够把数据的真正价值发挥出来，而不仅仅局限于空气凉爽的机房。

△贵安新区的七星湖数据中心和周边的高职院校

其实，在贵州，我们也看到了一些进展，比如在贵安七星湖板块，有一些职业院校已经开始设立并招生了，但是层次和规模还是差强人意，贵州的教育尤其是高等教育，本来和周边省市对比起来，就有一些差距，现在要发展高精尖科技的大数据，可能还是需要更多的技术支撑吧。

不过好在，现在贵州的引才力度还是蛮大的，我见过贵州有的地方，引进的博士，能够给到50万的，其实，就像前贵大校长郑强所说的，很多人才需要的无非是面子和票子，而如今可以再加上房子，正好贵安新区板块的人气还有待提高，所以现在也能看到贵安板块的一些房地产项目也在开发之中。

△贵阳大数据接待中心

总体上说，我觉得，如果贵州真正想要成为“中国数谷”，而不仅仅局限于一个概念或者是不少人们认为的“硬件机房”，那么还是需要加强技术支撑这一块的，有一句话叫做“重赏之下必有勇夫”，其实不妨加钱加钱再加钱，总能千金买能士，对于大数据的机遇而言，一所大学，而且是知名的高水平大学，如果舍得大手笔投钱的话，不怕成不了气候，可能也算是一种助益和推动吧。

全方位推进市域社会治理现代化高质量发展？

2019年12月，全国市域社会治理现代化工作会议召开，鼓励各地以市域治理现代化试点为抓手，大力探索具有中国特色、市域特点、时代特征的社会治理新模式。自推行以来，市域社会治理现代化试点工作取得了一定的建设成效，但仍然存在一些问题亟待解决。从县域到市域，社会治理场域的转换时间较为短暂，不少地方政府未能及时改变传统的治理理念和治理方法，权责体系尚未厘清、平台壁垒亟待打破。基于市域社会治理现代化的现实进展，新发展阶段加强市域社会治理现代化，需要以化解市域社会治理难题为突破口，着力在理念创新、方法革新、能力提升等方面下功夫，不断提升市域社会治理效能。具体而言，可以进一步从治理重点、治理理念、治理方法和治理能力四个方面构建全方位、立体化的市域社会治理现代化的实现路径。

明晰治理重点，找准市域社会治理的着力点

从概念上看，市域社会治理既强调“市域”也强调“社会治理”。但是，结合当前各地的实践情况，大多对其内涵及外延存在认识上的误区，容易将“市域社会治理”和“市域治理”的概念混淆，存在“小马拉大车”的现象。市域是重大矛盾风险的集聚地，更是重大矛盾风险的化解地。2020年11月10日平安中国建设工作会议明确提出，要“以市域社会治理现代化、基层社会治理创新、平安创建活动为抓手，不断推进理念思路、体制机制、方法手段创新”。因此，作为平安中国建设工作的重要抓手，市域社会治理建设的重点应该明确放在防范化解突出风险之上，特别是要重点防控政治安全风险、社会治安风险、重大矛盾纠纷、公共安全风险以及网络安全风险五大风险，严格落实各级主体责任，有效发挥政治、法治、德治、自治与智治“五治支柱”的作用，为国家治理与国家发展奠定安全稳定的政治社会基础。

强化治理理念，统领市域社会治理现代化

对标“十四五”规划纲要和人民群众的新期待，推进市域社会治理现代化要始终坚持以习近平新时代中国特色社会主义思想作为指导，坚持以党建引领为核心、以人民为中心，以解决问题为重心的治理理念。具体如下：

以党建引领为核心。市域社会治理要始终坚持党的集中统一领导，坚持走具有中国特色的社会治理之路。确保各级党委有效参与市域社会治理前期、中期与后期的各项工作，充分发挥其在各个阶段的主导和核心功能。有效整合市域范围内多元治理主体，有机统合区域、部门、行业与单位治理的治理资源，进而有序推动市域社会治理的工作进展。以党建统领自治、法治与德治“三治融合”，以党建带群建，优化群团组织的工作作风与方式，夯实城乡基层治理体系，实现党政、社会与群众的治理目标耦合、治理优势互补以及治理良性互动。

以人民为中心。市域社会治理的基本取向是满足新时代“人民对美好生活的向往”，因此要着力解决好群众最关心的公共安全、公平正义和权益保障等实际问题。其中，要充分保障和发挥人民群众的知情权、参与权、表达权和监督权，真正让群众参与市域社会治理，清晰评判治理成效，切实共享治理成果，实现从“为民做主”到“让民做主”最后到“由民自主”的质性转变，不断提升人民群众的获得感、幸福感、安全感。

以解决问题为重心。坚持问题导向，把问题作为研究制定政策的起点，是党治国理政的重要特征。一方面要注重破解历史遗留累积的“老大难”问题；另一方面要注重化解新形势下出现的风险矛盾，不断提升市域社会治理中的风险防控与矛盾化解能力。加强各级综治中心等风险防控基地建设与协同联动，加速智能化建设与深度应用。坚持和发展新时代“枫桥经验”，将依法治理、系统治理、综合治理、专项治理、源头治理有机结合，定期开展检查评估，落实各主体责任，及时总结创新经验，开创市域社会治理现代化建设新局面。

创新治理方法，增强市域社会治理驱动力

党的十九大提出，要“提高社会治理社会化、法治化、智能化、专业化水平”。提高社会治理“四化”水平是打造共建共治共享的社会治理新格局的重要要求，也是推进市域社会治理现代化的基本路径。

构建协同治理机制，提高市域社会治理社会化水平。一是完善党委领导体制。将推进市域社会治理现代化、深化平安建设列入党建重要日程。围绕“党建+基层治理”的主线，整合社区网格中各类资源，将党组织和党建工作触角延伸到基层社区。二是完善政府负责体制。形成市、区县、镇街三级联动的社会治理和平安建设工作体系。建立市级统筹规划、区县组织实施、镇街抓好落实的工作格局。三是完善民主协商机制。把预防化解矛盾纠纷和防范风险作为市域社会治理的基础，将市域范围内与人民群众利益切身相关的问题和争议进行广泛协商，增进共识、增强合力。四是完善社会协同机制。广泛调动市域社会各行各业的积极力量，鼓励和促进社会组织帮助化解社会矛盾纠纷、分担部分社会治理工作，推动企业和机构开展平安创建工作。五是完善公众参与机制。推动网格员、人民调解员和社会志愿者队伍融合发展。广泛宣传平安建设理念，培养城乡群众参与平安建设工作的意识和兴趣，建立建强社会治安辅助力量，壮大群防群治队伍。

健全法规制度体系，提高市域社会治理法治化水平。首先，要结合地方市域的现实情况，坚持实事求是，围绕群众关注的重点领域，充分利用地方立法权，构建市域社会治理法律规范体系。及时对地方社会治理的成功经验和做法进行凝练总结，并上升至制度层面，进而形成可复制、可推广的社会治理创新模式。其次，强化制度供给，构建市域社会治理规范体系。市域社会治理要充分发挥社会规范约束作用，结合实际情况，积极制定完善自治制度和规范，将政治、法治、德治、自治与智治的“五治融合”作为提高市域社会治理法治化水平的重要依托。最后，提高人民对法治的认识，在实践中必须引导政法队伍提高依法执政能力，健全公正权威的法治实施体系。建立立体化、全天候、上下贯通的市域法治监督网络，确保公职人员在法律许可的范围内，运用法治思维，依法行使公共权力、保障公民权利、化解基层矛盾、防范社会风险。

加大技术赋能建设，提高市域社会治理智能化水平。一是紧密结合“智慧城市”建设规划，提高智能化治理基础设施建设覆盖率。建立以市域为单位、统一使用、灵活服务的数据资源共享体系。统筹基层党建、综治、城管、社保、环保、民政等网格，推进“多网合一”，打造“全科网格”。二是规范“综治中心”标准化建设，制定“综治中心”建设的统一标准化工作方案，建立网格化巡防、上报、解决、跟踪反馈的闭环运行体系，不断完善基层社会治理体系、提升治理能力。三是全面推进城乡网格化治理能力提升工程。通过建立统一的社会治理综合信息指挥平台，实现精确控制和并网推送。深化和提升城乡社区网格化服务治理能力，形成运转顺畅的网格化运行机制。四是进一步推进“雪亮工程”建设。加强城市与乡村公共安全视频监控建设与联网，推进“智安小区”建设，提供更加安全稳定的治理环境，提升群众安全感。推进政法综治业务智能化应用，打破信息壁垒，促进信息技术与市域社会治理深度融合。

加强平安队伍建设，提高市域社会治理专业化水平。高素质队伍是推动高质量发展、推进国家治理现代化的关键，而高水平的市域社会治理能力，必须加强平安队伍建设，培养高素质、专业化人才。一是推动平安建设力量下沉到基层。统筹整合各类防控力量和群防群治队伍，大规模开展治安巡防活动，进一步提高平安建设队伍规范化、专业化、职业化水平。用专业化水平激发社会治理活力，聚焦矛盾纠纷化解领域，积极探索治理的专业化模式，把社会活力转化为治理动力，提高社会治理效能。二是建立市域社会治安防控体系。坚持立体化、专业化方向，坚持专群结合，深化社区警务战略，建立专兼职平安巡防队伍，加强特殊人群管控。三是加大人才队伍专业化培养。调动社会调解力量，充实基层调解队伍，实现基层调解组织网络全覆盖。针对专职调解员和社会调解员开展相关分类培训，提高调解员专业化水平。加强专职网格督导员队伍建设，完善社会治理领域的专业人才培养机制，建立满足多层次需要的大数据专业人才体系。

提升治理能力，确保市域社会治理有效性

市域社会治理是一项涉及社会各方面的系统工程，而提升治理能力水平是保障市域社会治理有效性的重要途径。必须主动适应市域社会治理面临的新挑战、新问题，尽快补齐能力短板。只有全面提高各方面市域社会治理能力，才能不断提升治理效能，推进市域社会治理现代化。

提升风险防控能力。党的十九届五中全会指出，要“注重防范化解重大风险挑战”。推进市域社会治理现代化，要提高预测预警预防各类社会风险的能力，有效提升处置各种风险挑战的能力和水平。从测量指标设计的科学化程度、设备配置的齐全化程度以及人才队伍建设的专业化程度三个方面入手，科学构建市域社会治理风险防控能力的测量指标体系。在此基础上，对市域平安建设工作进行量化分析，形成综合性的评价，适时通过媒体发布市域平安指数。

提升资源整合能力。市级政府统筹整合资源的能力直接关系到推进市域社会治理现代化的有效性问题。要以基层社会治理体系为基础，充分整合市域内各方面的资源，发挥市域天然的资源优势，构建有序、协调、合作的治理关系和治理秩序。提升市域范围内的资源整合能力，既要重视对人力、物力、财力等物质资源的整合，也要重视对治理理念、治理思路等认识观念的整合。

提升矛盾化解能力。随着城镇化的快速推进，市域社会面临着日益增多的复杂棘手的问题。要提高判断力和识别问题的能力，聚焦市域社会的突出问题和矛盾焦点，找准问题，精准施策。切实按照责任归属原则，将责任对口落实到相关职能部门，精准定位，增强市域社会治理的矛盾化解能力。

提升信息处理能力。制定信息公开办法，将社会治理的相关信息进行归纳分类和加工处理，密切跟踪市域内与群众切身利益相关或群众反映强烈的问题，及时发现矛盾，对接相关职能部门，推进源头治理。各级地方政府要不断增强对信息的处理、分析与综合利用，加强信息处理的配套基础设施建设，培养信息处理的专业技术人才，建立专人负责制度，提升信息处理的专业化水平。

怎么自学数据分析？

这是一份数据分析师的入门指南，它包含七周的内容，Excel、数据可视化、数据分析思维、数据库、统计学、业务、以及Python。

每一周的内容，都有两到三篇文章细致讲解，帮助新人们快速掌握。这七周的内容刚好涵盖了一位数据分析师需要掌握的基础体系，也是一位新人从零迈入数据大门的知识手册。

第一周：Excel

每一位数据分析师都脱离不开Excel。

它是日常工作中最常用的工具，如果不考虑性能和数据量，它可以应付绝大部分分析工作。虽然现在机器学习满地走，Excel依旧是无可争议的第一工具。

Excel的学习分为两个部分。

掌握各类功能强大的函数，函数是一种负责输入和输出的神秘盒子。把各类数据输入，经过计算和转换输出我们想要的结果。

在SQL，Python以及R中，函数依旧是主角。掌握Excel的函数有助于后续的学习，因为你几乎在编程中能找到名字一样或者相近的函数。

在「数据分析：常见的Excel函数全部涵盖在这里了」中，介绍了常用的Excel函数。

清洗处理类：trim、concatenate、replace、substitute、left/right/mid、len/lenb、find、search、text

关联匹配类：lookup、vlookup、index、match、row、column、offset

逻辑运算类：if、and、or、is系列

计算统计类：sum/sumif/sumifs、sumproduct、count/countif/countifs、max、min、rank、rand/randbetween、averagea、quartile、stdev、substotal、int/round

时间序列类：year、month、weekday、weeknum、day、date、now、today、datedif

搜索能力是掌握Excel的不二窍门，工作中的任何问题都是可以找到答案。

第二部分是Excel中的工具。

在「数据分析：Excel技巧大揭秘」教程，介绍了Excel最具性价比的几个技巧。包括数据透视表、格式转换、数组、条件格式、自定义下拉菜单等。正是这些工具，才让Excel在分析领域经久不衰。

在大数据量的处理上，微软提供了Power系列，它和Excel嵌套，能应付百万级别的数据处理，弥补了Excel的不足。

Excel需要反复练习，实战教程「数据分析：手把手教你Excel实战」，它通过网络上抓取的数据分析师薪资数据作为练习，总结各类函数的使用。

除了上述要点，下面是附加的知识点，铺平数据分析师以后的道路。

了解单元格格式，数据分析师会和各种数据类型打交道，包括各类timestamp，date，string，int，bigint，char，factor，float等。

了解数组，以及相关应用（excel的数组挺难用），Python和R也会涉及到 list，是核心概念之一。

了解函数，深入理解各种参数的作用。它会在学习Python中帮助到你。

了解中文编码，UTF8、GBK、ASCII，这是数据分析师的坑点之一。

第二周：数据可视化

数据分析界有一句经典名言，字不如表，表不如图。

数据可视化是分析的常用技巧之一，不少数据分析师的工作就是通过图表观察和监控数据。首先了解常用的图表：

Excel的图表可以100%绘制上面的图形，但这只是基础。

在「数据可视化：你想知道的经典图表全在这」中介绍了各类数据分析的经典图表，除了趋势图、直方图，还包括桑基图、空间图、热力图等额外的类型。

数据可视化不是图表的美化，而是呈现数据的逻辑之美，是揭示数据的内在关联。了解图表的维度和适用场景，比好看更重要。比如桑吉图就是我一直推崇的图表，它并不知名，但是它能清晰的揭露数据内在状态的变化和流向。案例是用户活跃状态的趋势。

Excel的图表操作很傻瓜化，其依旧能打造出一份功能强大的可视化报表。「数据可视化：教你打造升职加薪的报表」教给大家常用的Excel绘图技巧，包括配色选取，无用元素的剔除、辅助线的设立、复合图表等方法。

Excel图表的创造力是由人决定的，对数据的理解，观察和认知，以及对可视化的应用，这是一条很长的道路。

图表是单一的，当面板上绘制了多张图表，并且互相间有关联，我们常称之为Dashboard仪表盘。

上图就是用分析师薪资数据为数据源绘制的Dashboard，比单元格直观不少。我们常常把绘制这类Dashboard的工具叫做BI。

BI（商业智能）主要有两种用途。一种是利用BI制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作完全可以交给BI自动化完成，从数据规整、建模到下载。

另外一种是使用其可视化功能进行分析，它提供比Excel更丰富的交互功能，操作简单，而且美观，如果大家每天作图需要两小时，BI能缩短大半。

在「数据可视化：手把手打造BI」教程中，以微软的PowerBI举例，教大家如何读取数据，规整和清洗数据，绘制图表以及建立Dashboard。最后的成果就是上文列举的分析师案例。

BI还有几个核心概念，包括OLAP，数据的联动，钻取，切片等，都是多维分析的技巧，也是分析的核心方法之一。

后续的进阶可视化，将和编程配合。因为编程能够提供更高效率和灵活的应用。而BI也是技术方向的工具，了解技术知识对应用大有帮助。

第三周：数据分析思维数据分析能力的高低，不以工具和技巧决定，而以分析思维决定。

在一场战争中，士兵装备再好的武装，进行再严苛的训练，若是冲锋的方向错了，那么迎接他们的唯有一败涂地。

分析思维决定一场「数据战争」中的冲锋方向。只有先养成正确的分析思维，才能使用好数据。

既然是思维，它就倾向于思考的方式，Excel函数学会了就是学会，分析则不同。大多数人的思维方式都依赖于生活和经验做出直觉性的判断，以「我觉得我认为」展开，好的数据分析首先要有结构化的思维。

麦肯锡是其中领域的佼佼者，创建了一系列分析框架和思维工具。最典型地莫过于金字塔思维。

这篇文章简述了该思维的应用，「快速掌握麦肯锡的分析思维」。你能学会结构化思考，MECE原则，假设先行，关键驱动等方法论。

除此以外，还有SMART、5W2H、SWOT、4P4C、六顶思考帽等，这些都是不同领域的框架。框架的经典在于，短时间内指导新人如何去思考，它未必是最好的，但一定是性价比最优的。数据分析思维，是分析思维的引申应用。再优秀的思考方式，都需要佐证和证明，数据就是派这个用处的，「不是我觉得，而是数据证明」。

现代管理学之父彼得·德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。如果把它应用在数据领域，就是：如果你不能用指标描述业务，那么你就无法有效增长它。每一位数据分析师都要有指标体系的概念，报表也好，BI也好，即使机器学习，也是围绕指标体系建立的。

下图就是一个典型的指标体系，描述了用户从关注产品、下载、乃至最后离开的整个环节。每一个环节，都有数据及指标以查询监控。

不同业务背景需要的指标体系不同，但有几个建立指标的通用准则。这篇文章深入介绍了「如何建立数据分析的思维框架」。你将区分什么是好指标、什么是坏指标、比率和比例、指标的结构、指标设立的维度等概念。

数据分析不是一个结果，而是一个过程。几乎所有的分析，最终目的都是增长业务。所以比分析思维更重要的是驱动思维落地，把它转化为成果。

数据分析思维是常年累月养成的习惯，一周时间很难训练出来，但这里有一个缩短时间的日常习惯。以生活中的问题出发做练习。

这家商场的人流量是多少？怎么预估？

上海地区的共享单车投放量是多少？怎么预估？

街边口的水果店，每天的销量和利润是多少？怎么预估？

这些开放性问题起源于咨询公司的训练方法，通过不断地练习，肯定能有效提高分析思维。另外就是刷各种CaseBook。

优秀的数据分析师会拷问别人的数据，而他本身的分析也经得起拷问。

第四周：数据库

Excel很容易遇到瓶颈，随着业务的发展，分析师接触的数据会越来越多。对大部分人的电脑，超过十万条数据，已经会影响性能。何况大数据时代就是不缺数据，这时候就需要学习数据库了。

即使非数据岗位，也有越来越多的产品和运营被要求使用SQL。

很多数据分析师戏称自己是跑SQL的，这间接说明SQL在数据分析中有多核心。从Excel到SQL绝对是处理效率的一大进步。

教程内容以MySQL为主，这是互联网行业的通用标准。其实语法差异不大的。

新手首先应该了解表的概念，表和Excel中的sheet类似。「写给新人的数据库指南」是一篇入门基础文章，包括表、ID索引、以及数据库的安装，数据导入等简单知识。

SQL的应用场景，均是围绕select展开。增删改、约束、索引、数据库范式均可以跳过。新手在「SQL，从入门到熟练」教程会学习到最常见的几个语法，select、where、group by、if、count/sum、having、order by、子查询以及各种常用函数。

数据还是分析师薪资数据，它可以和Excel实战篇结合看，不少原理都是相通的。

想要快速掌握，无非是大量的练习。大家可以在leetcode上做SQL相关的练习题，难度从简单到困难都有。「SQL，从熟练到掌握」教程中将会带领大家去刷一遍。

join对新手是一个很绕的概念，教程会从图例讲解，逐步提高难度。从一开始的join关联，到条件关联、空值匹配关联、子查询关联等。最后完成leetcode中的hard模式。

如果想要更进一步，可以学习row_number，substr，convert，contact等函数。不同数据平台的函数会有差异，例如Presto和phpMyAdmin。再想提高，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。知道为什么union比or的效率快，这已经和不少程序员并驾齐驱。

第五周：统计学

很多数据分析师并不注重统计学基础。

比如产品的AB测试，如果相关人员不清楚置信度的含义和概念，那么好的效果能意味着好么？如果看待显著性？

比如运营一次活动，若不了解描述统计相关的概念，那么如何判别活动在数据上的效果？可别用平均数。

不了解统计学的数据分析师，往往是一个粗糙的分析师。如果你想要往机器学习发展，那么统计学更是需要掌握的基础。

统计知识会教大家以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。

在第一篇教程「解锁数据分析的正确姿势：描述统计」，会教给大家描述统计中的诸多变量，比如平均数、中位数、众数、分位数、标准差、方差。这些统计标准会让新手分析师从平均数这个不靠谱的泥潭中出来。

箱线图就是描述统计的大成者，好的分析师一定是惯用箱线图的常客。

第二篇「解锁数据分析的正确姿势：描述统计(2)」将会结合可视化，对数据的分布进行一个直观的概念讲解。很多特定的模型都有自有的数据分布图，掌握这些分布图对分析的益处不可同日而语。

直方图和箱线图一样，将会是长久伴随分析师的利器。

统计学的一大主要分支是概率论，概率是度量一件事发生的可能性，它是介于0到1之间的数值。很多事情，都可以用概率论解释，「概率论的入门指南」和「读了本文，你就懂了概率分布」都是对其的讲解。

包括贝叶斯公式、二项概率、泊松概率、正态分布等理论。理论不应用现实，那是无根之木，教程中会以运营活动最常见的抽奖概率为讲解，告诉大家怎么玩。

其实数据分析中，概率应用最广泛和最全面的知识点，就是假设检验，大名鼎鼎的AB测试就是基于它的。俗话说得好，再优秀的产品经理也跑不过一半AB测试。

何为假设检验？假设检验是对预设条件的估计，通过样本数据对假设的真伪进行判断。

产品改版了，用户究竟喜不喜欢？调研的评分下降了，这是用户的评价降低了，还是正常的数据波动呢？这些都是可以做假设检验的。它可以说是两面两篇文章的回顾和应用。

「数据分析必须懂的假设检验」依旧以互联网场景讲解各种统计技巧的应用。假设检验并不难，通过Excel的几个函数就能完成。它的难点在于诸多知识点和业务的结合使用，实际公式不需要掌握的多透彻，了解背后的意义更重要。

统计学是一个很广阔的领域，包括方差分析，时间序列等，都有各自不同的应用。大家若感兴趣，可以去阅读各类教材，没错，教材是学习统计学最优的方式。我这类文章堪堪算入门罢了。

第六周：业务

对于数据分析师来说，业务的了解比数据方法论更重要。举个例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。这个案例中，我们只知道送货员的送货水平距离，根本不知道垂直距离。这是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。业务形态千千万万，数据分析师往往难窥一二。我的公众号业务部分也涉及了不少，大家可以通过这几篇文章了解。

一篇文章读懂活跃数据；深入浅出，用户生命周期的运营；获取新增用户，运营都应该知道的事；运营的商业逻辑：CAC和CLV；从零开始，构建数据化运营体系；读懂用户运营体系：用户分层和分群，这些都是互联网运营相关的内容，或多或少涉及了不少业务方面的概念，数据分析人员可以选择性的挑选部分内容。了解业务的数据分析师在职场发展上会更加顺利。

而在「最用心的运营数据指标解读」中，我尝试总结了几个泛互联网领域的指标和业务模型，它们都是通用的框架。

产品运营模型：以移动端APP为主体，围绕AARRR准则搭建起数据框架。包括Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue营收、Refer传播，以及细分指标。

市场营销模型：以传统的市场营销方法论为基底，围绕用户的生命周期建立框架。包括用户生命周期，生命周期价值、用户忠诚指数、用户流失指数、用户RFM价值等。

流量模型：从早期的网站分析发展而来，以互联网的流量为核心。包括浏览量曝光率、病毒传播周期、用户分享率、停留时间、退出率跳出率等。

电商和消费模型：以商品的交易、零售、购买搭建而起。包括GMV、客单价、复购率、回购率、退货率、购物篮大小、进销存，也包含SKU、SPU等商品概念。

用户行为模型：通过用户在产品功能上的使用，获得精细的人群维度，以此作为分析模型。包括用户偏好、用户兴趣、用户响应率、用户画像、用户分层，还包含点赞评论浏览收藏等功能的相关指标。

除了上述的几个常见模型，数据分析还有其他分支。比如SEO/SEM，虽然可以归类到流量模型，但它并不简单。比如财务分析，商业的各种成本支出也需要专人负责。

在业务知识外，业务层面的沟通也很重要。业务线足够长的时候，沟通往往成为老大难的问题。

业务学习没有捷径，哪怕掌握了诸多模型，不同行业间的业务壁垒会是分析师们的门槛。金融的各类专有领域知识，电子商务不同产品的特性，这些都会影响到分析报告的质量。

在早期，新人最好选择一到两个领域深入了解其业务，然后以此拓展边界。

第七周：Python/R

第七周是最后的学习环节。

是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘、BI、爬虫、可视化报表都需要用到编程。掌握一门优秀的编程语言，可以让数据分析师升职加薪，迎娶白富美。数据分析领域最热门的两大语言是R和Python。R的优点是统计学家编写的，缺点也是统计学家编写。涉及各类统计函数和工具的调用，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。

Python则是万能的胶水语言，适用性强，可以将分析的过程脚本化。Pandas、Numpy、SKLearn等包也是非常丰富。

这里的教程以Python为主。

「开始Python的新手教程」将会教大家搭建数据分析环境，Anaconda是功能强大的数据科学工具。Python建议安装Python3+版本，不要选择Python2了。

Python的语法相当简洁，大家print出第一个hello world顶多半小时。就像在Excel上进行运算一样方便。

「开始Python的数据结构」介绍给大家Python的三类数据结构，列表list，元组tuple，以及字典dict。万变不离其宗，掌握这三种数据结构以及相对应的函数，足够应付80%的分析场景。函数式编程为Python一大特色，Python自身就提供不少丰富的函数。很多都和Excel的函数相通，掌握起来非常迅速。另外还有控制流，for、while、if，通常配合函数组合使用。

「了解和掌握Python的函数」教大家如何自定义函数，丰富的函数虽然能偷懒，但是不少场景下，还是需要自己动手撸一个。

能够调第三方包解决，就使用第三方的函数。如果是一个频繁使用的场景，而第三方依靠不了，就自己编一个函数。如果是临时性的场景，写得粗糙点也无所谓。毕竟分析师的代码能力不要求工程师那么严格，所以Python的学习尽量以应用为主，不用像分析师那么严格。

包、模块和类的概念属于进阶知识，不学也不要紧。

「Python的数据分析: numpy和pandas入门」介绍了数据分析师赖以生存的两个包，numpy和pandas，其他Python知识可以不扎实，这两个最好认真掌握。它是往后很多技能树的前置要求。

array，series，dataframe是numpy和pandas的三个数据结构，掌握它们，便算是入门了。后续的两篇教程都是实战。

「用pandas进行数据分析实战」以分析师的薪资作为实战数据。Excel、BI、SQL，一路走来，大家想必对它无比熟悉，这也是最后一次使用它了。教程通过Pandas的各类功能，绘制出一副词云图。

核心技术是什么？

中国要崛起，成为世界老大，“芯片”是一个绕不开关键领域，因为要摆脱低端制造实现工业互联网，必须有“中国芯”这样强健的心脏，结合到近期华为海思和中芯国际等热点消息，下面我们来谈谈发展芯片产业的核心技术。先打个比喻，要成就一代宗师，首先你得有一副骨骼奇异的体质，其次还要得到一本传世武林秘籍，然后通过十年的闭门修炼，最后华山论剑一战成名，以上是武林宗师的成才途径；同样，要发展芯片产业也需要几大关键技术领域突破，主要包括硅原料、芯片设计、晶圆加工、封测四大环节，下面我们来具体说说每个环节的技术以及相关主流厂家：

首先硅原料，为了满足半导体材料的需求，必须要高纯度硅原料，99.9999%，纯度够高的吧，这是太阳能硅片的纯度要求，已经被中国玩成了白菜价，但用于芯片差远了，芯片要求99.999999999%(别数了，11个9)。为了达到这个纯度，一般通过氯化了再蒸馏技术，目前国际上高纯度硅的霸主是德国Wacker和美国Hemlock(美日合资)，中国鑫华公司2018年才实现量产0.5万吨，而中国每年的需求量是15万吨。

其次芯片设计，一块芯片只有一个指甲盖那么大，但如果我们把它放大，它就像是一张城市交通地图，其中的每一个“与或门”就像城市交通图里的红绿灯，芯片设计就是如何通过红绿灯的设计让城市交通更加顺畅，在高峰时段少堵车。目前国际上顶尖的手机芯片设计厂家主要有美国的高通和博通（苹果芯片供应商）、大陆的华为海思和台湾的联发科，电脑芯片设计厂家主要有美国的英特尔和AMD，最近在手机芯片这个领域华为海思的发展特别迅猛，尤其是在5G手机芯片领域，已经全面超越高通。

接下来是晶圆加工，要将一张城市交通图塞进一个指甲片大小的硅片（实际上复杂程度远远大于一张城市地图），用刀来刻是不可能的，只有激光才能达到纳米级别的精度，所以这里主要用到光刻机（另外还有刻蚀机、离子注入机和涂胶显影机等，这里就不细说了）。所以先来说说光刻机厂家，目前高端光刻机厂家仅有荷兰阿斯麦公司(ASML)，唯一能做到7nm工艺的厂家，大陆上海微电子研发的光刻机目前仅能到28nm工艺。再来说说芯片代工厂家，这个领域几乎是台湾人的天下，台积电包揽了全球50%以上的高端芯片的加工，另外二三名也是台湾的联华电子、力晶半导体，最近比较火的内地芯片厂家中芯国际，原先也是台湾人创办，现由大陆注资控股。目前台积电已实现7nm量产，并已攻克5nm和2nm技术，中芯国际目前才刚刚实现14nm量产，所以说大陆在这个领域任重道远啊。

最后是封测，芯片做好后，得从晶圆上切下来，接上导线，装上外壳，顺便还得做个测试，这技术叫封测。该领域在芯片产业中算是最末端的，但也是台湾人的天下啊，目前排名世界第一的日月光，后面还跟着一堆实力不俗的小弟：矽品、南茂、力成、欣邦、京元电子。大陆在这个领域也有三巨头，分别是长电科技、通富微电、华天科技，也混的不错，毕竟技术含量不算高。

以上所述的是芯片的四大核心技术，其中以第三环节晶圆加工最为关键，这个领域光烧钱还不够，还得烧时间，而且涉及到的关键核心技术绝大部分掌握在欧美国家手上，这就是为什么美国要在这个环节掐华为脖子。不过，芯片技术玩到现在还只是在玩电子，目前已经到2nm精度了，再往上到1nm已经是原子尺寸了，到极限了，是否该换换科技树了呢？未来属于量子计算机，都是零起步，中国是不是到了弯道超车的时候了呢？

关键字：#华为海思# #台积电# #中芯国际# #苹果# #ASML# #高通#