数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。
数据分析的价值：
1. 展示
通过将一些重要的日常关键指标，比如每日新增用户数、DAU(Daily Active User)、会员用户活跃度、会员购买率等，通过数据可视化的方式展现出来，可以让公司老板或者业务负责人对整体核心数据有一个整体的了解，能够把握大的趋势。这类数据分析的产出一般通过数据报表、DashBoard等方式呈现出来。
作为数据分析师和数据产品经理，一定要提炼出最具价值的核心指标供公司管理层用于决策(很多核心指标就直接来源于管理层的需要)，并且具备从不同维度来分解展示数据指标的能力(数据下钻)。核心指标展示也会为下面其他维度的数据价值体现提供线索和依据。
2. 解释
通过数据分析，我们可以对产品或者用户行为中的一些现象或者数据变化进行解释，让我们知道现象发生或者数据波动的原因。比如某个版本发布后发现APP打开的crash率提升了，通过数据分析不同硬件设备的crash率，发现在某个型号的硬件设备上crash率非常高，比之前版本高很多，那么可能就是这款设备上的兼容性测试存在问题，导致APP更容易crash。
数据分析的解释价值，更多是比较简单的情况导致的问题或者异常，也就是原因是单方面的，这种问题往往容易发现，通过简单数据分析就可以搞定，而下面的归因分析可能就是更加复杂的情况了。
3. 归因
归因分析需要找到引起问题的主要原因，通过解决主要矛盾来避免问题恶化或者提升数据指标，比如找出用户流失率高的原因。这些分析原因的过程及总结可以沉淀为对产品和用户的深刻洞察。
不管是解释还是归因，都需要进行多维度的分析比较，将核心指标层层拆解，从中发现问题的蛛丝马迹。并且需要丰富的业务知识和数据分析技巧，才能从纷繁无渣的现象中发现问题的本质。
4. 预测
预测是对产品未来趋势的判断，有了精准的判断可以指导经营活动。比如，如果我们可以相对精准地预测广告库存，就可以指导我们更好地进行广告的销售与投放。预测DAU、销量、订单量等等都是常用的形式。
数据指标的预测需要构建数学模型(比如时间序列模型)，我们通过历史数据和提取的重要特征来构建模型，具体选择什么维度作为特征，需要行业经验及对相关预测问题有深刻的理解，因此对数据分析师有一定的要求，不只是简单的数据分析，需要懂机器学习或者熟悉业务特征。
5. 预防
预防是有针对性的防御措施，是提前思考产品迭代或者运营推广可能会产生的(负面)影响，针对每类影响确定可能带来的后果及可行的应对策略。比如产品在首次开启广告商业化尝试时，预估到广告可能会对用户体验的伤害，我们需要从多个维度定义一些统计数据和指标，对广告投放前后的指标进行比较分析，有针对性地提供一些在出现不利某些情况下(比如用户留存率下降、投诉增多等)的应对方案。再比如，通过预测双十一可能产生的流量高峰，事先对服务器进行扩容，避免大流量冲击对业务造成影响。
预防是一种事前防御策略，数据分析在其中的作用可以是对将要发生的事件的预判(如上面的预测双十一的流量高峰)，也可以对数据指标的监控，根据指标的变化实时对业务进行动态调整。
6. 决策
决策是数据分析的终极价值体现形式，是通过各种维度数据对比、交叉分析、趋势分析，形成产品迭代、运营的最终解决方案，期望通过该方案的落地执行，提升产品的用户体验与创造商业价值。所有数据分析的最终目的是指导运营与决策。
数据分析的价值要想很好体现出来，需要利用探索分析最终形成指导产品迭代优化与运营的最终决策方案。可以说事先决策是比事后探索分析更高级更有难度的价值体现形式，作为数据分析师一定要有从事后探索分析进化到事先决策的意识，这样才能有更大的成长，也更能发挥数据分析的价值。
| 拓展阅读
让数据流动起来，开启业绩增长！
了解500+品牌零售商使用LinkFlow的场景用例
