做合格的工业数据分析师

我估计：除了图像处理，从事工业大数据分析时， 95%以上的工作都可以用线性回归、决策树、方差分析、频谱分析、最大似然估计、取平均数等基本的统计或数据处理方法完成。但是，人们讲到这些方法时，却往往会把重点放在深度学习、模式识别等。

现实中，这些高级方法往往是 “杀鸡用牛刀”，反而不好用。因为这些方法，难以与人的知识和认识结合起来。人们乐于宣传这些方法的原因，除了便于发表文章，就是便于保密。从事相关工作的朋友必须明白；自己要对自己的时间负责。最好用简单的办法分析问题。

但是，做数据分析工作其实很不容易。即便对数学和统计学功底好的人来说，人才的 “成才率”恐怕不会高于10%。那么，困难到底在什么地方？要理解这种困难，还是从《黑天鹅》中的那个故事谈起。作者问道：

一个硬币丢了 99次，每次都是正面朝上。请问第100次正面朝上的概率是多大？

学霸的标准答案是：第 100次正面朝上的概率与前面99次的结果没有关系。所以，概率是50%。而老油条的答案则是：前面连续99次都朝上了，你还会认为正面朝上的概率是50%吗？前提不成立了！

现实中， 数据分析的难点，在于认清正确的前提。

错误使用统计分析方法的现象非常普遍。我在宝钢工作时，看到钢铁行业同仁们写的论文，就对办公室的年轻人说：真想把这些论文作为反面案例，告诉大家什么是错误的分析方法。在这些例子中，有的回归分析的前提不成立，有人在选取样本时犯了初级错误。

这种现象并不奇怪。

我参与研究生面试时，经常遇到这样的事情：给学生出一道复杂的计算题，基本上都能正确地计算出来。但是，如果问基本的概念，很多人就回答不出来了。更有意思的是：如果把计算题出得特别简单、不再需要采用复杂公式时，多数学生居然回答不出来了！

我们现在的教育，总是考核在 “标准前提下，给出标准答案”。学生没有怀疑“前提”的习惯。这样的学生有知识，却不会用知识。

回到前面的问题。用线性回归可以清晰地分析一个变量的作用。但前提是其它变量的干扰较小、且具有随机性。解决这个问题的办法之一，是尽量固定其他变量。科学试验往往就是这么做。

但工业现场往往受各种约束，总会有很多干扰。而且，这些干扰并不是随机的。变量选择有问题时，小的非随机干扰，就会对分析结果产生很大的影响。所以，做数据分析时，必须时刻警惕非随机系统干扰的影响，并设法剔除它。

处理和发现非随机的系统干扰很难。原因是这样的因素太多。比如，任何一个变量的采集过程，都可能存在非随机系统干扰。而识别这些干扰，需要更多的数据项。这样，分析问题时面对的数据项就会越来越多。人的注意力就容易淹没在数据的海洋中。更糟糕的是：受数据条件制约，有些系统干扰可能就是不可见的。

现场中的有些干扰往往难以排除。我曾经遇到过这样一件事：

某钢种的性能波动非常大。强度 700MPa级的钢种，波动的标准差就高达60MPa。我分析后认为：这是某环节的系统干扰导致的。于是，我就设计了一个实验室试验、设法避开这种干扰。后来，同事在实验室里做了这个试验。他们做了几十对试样，每对试样的强度差不超过3MPa.

对前提做出判断的时候，往往需要较为全面的专业知识。这是制约数据分析人才 “成才率”提高的主要原因。

利用统计软件，做一次回归分析只要几秒钟的时间。数据分析师的绝大多数时间都用来对数据合理性进行分析。如果自己缺乏专业知识，可能几分钟就要去请教别人。别人岂不要烦死了？

合格的数据分析师，不仅要善于与数据打交道，更要善于理解物理对象和物理过程。

关键词： 正面朝上 数据分析