互联网移动时代信息爆炸时代，数据的收集、共享变得越来越便捷，数据分析越来越有价值，前瞻性预测。决策者越发的理性使用数据做决策，数据分析帮助我们找到规律形成经验或找到真实的归因，便具有越强的穿透力。但是数据繁杂，我们怎么有预见性、有目的的收集数据呢？怎么做到不迷失在庞大的数据中呢？那么，事先需要我们搭建数据模型。

举个例子，我是唯品会的重度用户，每次一点开APP就有自动推送符合自己风格、品牌、价格的商品展示在我眼前，我都不用做过多的选择就能下单购物自己心仪的商品，决策时间10分钟以内。要知道以前的我是至少花费半个钟时间先搜索再浏览，在几件心仪商品互相比较，而且孜孜不倦，一个小时飞速的过去，在下单付款的那一刻才舒了一口气，累而满意的休息。是什么让唯品会精确的知道我的喜好，是数据，我的购买记录，我的浏览记录，我的搜索记录，这所有数据勾勒成独一无二的画像，这个画像甚至比我自己还了解自己。

大公司或平台是借助什么工具收集在完整的数据呢，是技术，互联网信息技术，计算机存储，这是硬件部分 。也许你会说只有大公司大平台才有实力投入大量人、财、物，而小公司还在挣扎于生死线，即使知道数据分析价值对于管理者做决策支持的贡献，也只能力不从心，凭借着经验或者直觉做决策。对于小公司来说，有没有其他省钱省力的路径收据数据，然后再进行数据分析呢。这里我们要明白一对概念：大数据VS小数据。

什么是大数据，是基于数据模型不同维度的数据，比如说销售收入分析，可以从哪些维度入手呢，通常的做法客户、产品、业务员、区域。这些维度构成了销售分析模型。

好了，我了说完大数据概念，那什么是小数据呢？小数据大致可以理解成大数据的子集，是基于维度下的分类数据，我通常把分类数据称为小数据。比如说刚才说销售收入分析，客户维度，我们可以分类成新客户VS老客户，价值贡献高的客户VS价值低的客户。

基于大数据VS小数据，小公司也可以搭建自己的数据库，支持数据分析、数据报告。但是小公司面临的挑战是粗放管理导致精细化数据的采集难度。这时又面临着一个问题，去伪存真，去粗取精，怎么取得真实数据客观的反应问题呢。

面对数据我们怎么去质疑，有没有什么工具让我们一眼就识别出数据的真假，注意一下，这里的“真”还有一层隐藏的含义，不仅仅指数据是事实的，还是能直指要害的数据，换句话来说，这数据不能是以偏概全，片面的数据，呈现出这种的数据有哪些背景条件。我们不防用测试性思维，测试1、可靠性假设测试，当A成立时，是否必然得到B结果；测试2：真实性假设测试，即A假设是否成立。举个例子，我们发现通过人工成本通过环比+同比数据分析，发现人工成本异常，我直接得出的结论此月人工成本比上年同期高出几个百分比，原因是人工动作缓慢，积极性不够。那么我们怎么提高员工积极性是重点性问题，以提高产能效率。我们以为自己很辛苦的找到了归因，还给出了建设性意见，但是我们有质疑郭这数据分析带出的结论是真实可靠的吗？这时，我开始使用测试性工具，测试1：可靠性假设性测试，是不是只有员工积极性不高导致人工成本是比同期/上期高出几个百分比，还有其他原因吗，比如机器维修耗时长、等料时间长、频繁换线耗时导致的。当我们找出各种原因假设，我们运动测试2：真实性假设测试，即开启一一假设验证的路径。最后，经过真实性假设验证，找到了真正的原因：因采购交期延迟导致待料时间增加。无效产出工时增加，导致产能低效。测试性工具让我们思考更加严谨，得出的数据分析结论更具有穿透力，改善建议、行动更具有效果力。

总结：不再迷失于数据，我们需要搭建数据分析模型，运用大数据—维度，小数据—分类。保证数据真实性进行数据分析，运用测试性工具进行质疑，测试1：可靠性假设测试；测试2：真实性测试。最后指出一针见血的问题，找到解决行动方案。这才是数据分析真正的价值所在。