刚毕业的新手理论头头是道，但不能独立运用，缺了什么呢？
在过去工作经历里，外企给人最深的印象是“数据导向”，理性和数据是跨越文化隔阂，进行平等沟通的桥梁；而在国内企业，“经验导向”是主流，数据的作用主要是“辅助证明经验得到的想法”。
两者的优劣本文不展开讨论，但有一点是很显著的，在培养新人团队方面，理性和数据的方法更容易操作。而经验论，是所谓的“外师造化，中得心源”，模糊点 拨，自己领悟，用这种“散养”方式培养艺术家是可以的，但是用来培养具备数据意识的互联网产品运营团队，显然是不靠谱的。
可能读到这里，有人会说：
刚毕业的新手理论头头是道，但不能独立运用，缺了什么呢？
学校的运筹／决策学的知识，都基于一个假设：信息是相对充分和正确的。如果不太充分、不太正确呢？只能吐槽么？
本文认为，信息充分的情况下如何数据化决策应该是“极端特例”，“信息不充分情况下如何数据化决策”才是常态。
我们知道，经济学的基础假设是，资源是“稀缺”的，经济学就是在资源不够的情况下如何“do more with less”。能够真正用于实战的数据分析决策，也应该立足于承认和正视“信息不是充分的”。
第一个理念：尝试量化“不充分”常见的问题例如，由于埋点问题，数据不全，那么究竟“不全”到什么地步，是否可以量化，是否有其他数据可以互相佐证，在这些基础上，利用已有数据已经可以做很多事情。
第二个理念：尝试“容纳误导”隔壁部门／合作方不愿意分享充足的信息，导致预测和实际数据结果差异很大？这也是非常常见的情况。抱怨是没有任何意义的，影响数据的还有大量天灾，相比这些来说，其实隔壁部门提供的数据，有多少偏差还更容易预知一些，毕竟那是有“目的”的，而天灾是无“目的”的。
绝大部分“有目的偏差”的数据，例如活动作弊，刷优惠，客观情况就位于“目的”两级的中间（比如说俄罗斯和土耳其双方的新闻，往中间归纳就比较接近真相）。
预测时就容纳黑天鹅，将异常因素纳入考虑，数据预测也和程序一样，有所谓“健壮性”，能够一定程度上容纳意外情况，而“留余地”程度的多少是可以通过对比测试，不断逼近合理值的。
第三个理念：不要找借口不思考为什么数据分析周全的方案一再被上级否决，常见的心灵鸡汤会说，因为上级看到更多的信息，因此“信息更多的一方决策比信息更少的一方要科学”，这是典型的“找借口”说法，不仅相当消极，而且容易引导人惰于思考，渐渐远离理性，投身于追逐权力。
之前我们提过，现实生活里根本就没有信息充分的情况，更可能的是，执行层拥有更多的信息（解释了为什么“权力下放”的互联网企业胜算更大），况且即使是最 高层，也无法预测新的竞争对手和行业政策巨变。数据分析如果切入面独特，逻辑完整，而且留有健壮容错性，完全有“一沙看穿一世界”的可能，这也是玩数据在 精神上最过瘾的地方。
小结本文是随手一口气打完，没有太多雕琢，初衷是，如果以后想教小朋友用数据分析来解释世界，不希望说类似“如果实际情况不满足假设，那就随机应变吧”，感觉这样真的是世界上最失败的老爸了。。。。。。。
