蜗牛派在各大厂的数据分析师、数据产品经理和产品经理等岗位的招聘要求里，我们经常看到“数据敏感度高”、“数据意识强”等信息。既然数据敏感度如此重要，大家如此重视数据敏感度，那么，到底什么是数据敏感度呢？今天就从五个方面来谈谈我对数据敏感度的理解。
一、什么是数据敏感度
数据敏感度其实有两种含义。第一种是指数据本身是否涉密、是否包含个人隐私或者涉及商业机密等，此时的数据敏感度实际上是指数据的涉密等级或安全性，涉及的机密越多则数据的敏感度越高；其二是指人对数据的敏锐察觉能力，是用来评估人对数据的及其代表的意义所表现出的应激式反应与洞察力。
通常，我们说到的数据敏感度是特指第二种，亦即对数据的敏感度。本文今天重点讨论的也是第二种。
二、如何理解数据敏感度
1、数据敏感度是一种综合素养
数据敏感度本质上是一种数据的洞察力，这种洞察力其实是个人数据修养和业务能力的综合体现。面对同样一个数据，有的人就能一眼看到危机感，有的人能一眼就能看出错误，有的人却熟视无睹、毫无感觉，这种差别是跟个人长期的业务积累和数据修养有关系的。“冰冻三尺,非一日之寒,骐骥千里,非一日之功”，要练就一双慧眼，要拥有收放自如的数据敏感度需要经过长期的刻意训练。关键时刻方显高手本色，高手在关键时刻的数据敏感度往往会带了奇迹般的发现，而这些发现可能决定着企业的生死存亡。这就是最能体现数据敏感度的价值感的高光时刻。
2、数据敏感度是对某些特定岗位的要求
数据敏感度还是一把标尺，这把标尺在招聘时可以用来筛选更符合要求的候选人。但数据敏感度应该是对某些特定岗位的要求，比如：数据分析师、数据建模工程师、数据产品经理等。这些人员经常与数据打交道，同时也经常用数据跟业务人员进行交流，因此，这些岗位对数据敏感度这方面的要求会高一些，此时的数据敏感度是必选项。但是，对于其它与数据或业务离的比较远的岗位，比如人力资源、行政后勤等岗位，有数据敏感度固然很好，但没有数据敏感度也无可厚非，此时的数据敏感度就是可选项，不是对岗位的硬性要求。因此，数据敏感度因人而异、因事而异，不能强求每个人都要对数据有敏感度。
3、数据敏感度是分等级的
数据敏感度既然是一把标尺，就能将测试者分出不同的等级。在笔者看来，数据敏感度分为三个等级：基础等级、高阶等级和大神级别。基础等级是只对数据敏感，也就说对数据是不是出现异常了、是不是有错漏了等有感觉，能立马发现这些异常现象。
比如：某一天APP的卸载量突然超出平常数值的20%以上，此时如能发现卸载量数据的异常算是达到了数据敏感度的基本要求；高阶等级不仅要求对数据本身是否出现异常有判断力，还要求分析到这种异常数据背后的原因是什么、异常数据会带来业务哪些影响、接下来应该做些什么等。此时的数据敏感度一方面要求具备对数据本身的觉察力，另一方面还要求具备高度的业务反应力，能将数据与业务的关系厘清；第三个等级就是大神级别，这个级别的数据敏感度要求当事人具备丰富的业务实战经验和超强的数据洞察力，不仅要厘清数据背后的原因，还要能分析出数据异常所牵连的各种关联关系，并预见到可能带来的各种影响，还能在此基础上把握好时机、做出关键的决策。
比如：我们经常听说到股市上有些大神的传说，他们总是能从各种事件中嗅出政策走向和股票趋势来，然后基于对某些股票股价变化的敏感度，总能判断出最合适的抄底机会，入手后再选择合适的清仓时机出手。这些股市的大神能做到如此出神入化，一方面固然是与他们有多年的炒股经验、操盘经历有关，另一方面与他们对股票数据的敏感度也是密不可分的。
4、数据敏感度并非与生俱来的，是可以训练和培养的
人并非生来就有数据敏感度的，但是诸多事实证明数据敏感度是可以通过刻意训练来提高的。之所以说数据敏感度并非与生俱来的，是因为我们这里所说的数据敏感度是在职场和商业的语境下的，也就说先要进入职场，然后做与数据和业务相关的工作，还要经常与数据打交道、用数据作为沟通语言，有了这样的约束条件后，再说有意愿训练数据敏感度，最后能坚持下来、能在数据敏感度上有所成绩的就少之又少了。数据敏感度既然可以通过后天的努力来提升，那么，只要依照恰当的方法就可以训练出来，这个在下文中会继续细说。
三、哪些因素会影响到数据敏感度
前面说到数据敏感度实质上是一种洞察力，那么，到底哪些因素会影响到我们的数据敏感度呢？笔者认为：业务常识、相关度、关注度、个人经历、个人精力、记忆力等因素都在一定程度上影响到我们的数据敏感度。
业务常识比较容易理解，就是最对所从事的行业有一个基本的认知和商业common sense 。比如：你如果在电信运营商行业工作，你至少应该大面上知道三大运营商的移动用户数、4G用户数、各自的平均ARPU等，如果你在移动互联网行业，那你对APP的次日留存、三日留存、月留存、付费率等指标的平均值应该有一定的概念。再比如：微信公众号文章的粉丝打开率平均值一般在10%左右，如果你的微信公众号的某篇文章打开率超过了30%，那就说明你的文章比较受粉丝的追捧，或者是文章的传播有不错的效果。
相关度和关注度。人们总是习惯性的去关注与自己工作相关度较高的事物和数据。所谓“萝卜青菜各有所爱”，关注与自己相关度高的数据，而不关注与自己不相关的数据，这也是人之常情。只有先关注到这些与自己相关度高的数据，才有可能产生数据的敏感度，对自己不相关、不感兴趣的数据一般情况下是不太会产生数据敏感度的。
个人经历和精力。数据敏感度与每个职场人的经历相关，职场经历成就个人的业务经验和见识。比如：某咨询顾问写的PPT分析报告，自己认为写的滴水不漏的，可是在甲方面前就被人看出来一个数据的小问题，然后一个数据问题就牵扯出一些列的数据和结论都站不住脚。这种因数据问题被Diss经历对于培养职场人的数据敏感度绝对是一种很好的学习教材；还有就是个人的精力也会影响到数据敏感度。在信息爆炸的今天，我们每个人每天都会接收到很多的信息，加之个人的精力有限，当我们把大部分精力投入到了某项工作时，可能分配给另外某些工作的精力就十分有限，此时就可能对这些工作上的数据就没有产生应有的警觉和敏感了。
数据敏感度还与个人的记忆力有关。我们知道，数据的敏感度有时候就是来自于对数据的前后比较。当我们没有记住一些关键指标的常规表现数值时，当这些指标出现异常时我们就可能视而不见，没有了记忆就没有了比较，没有比较就失去了判断。所以有时候牢记一些关键指标和数据，是培养我们的数据敏感度的基础。
综上所述，业务常识、相关度和关注度、个人经历和精力、记忆力等是影响数据敏感度的常见因素。之所以提到这些方面，是希望我们在着力训练和培养自身的数据敏感度时，能特别注意到这些因素。
四、如何培养数据敏感度
训练和培养对数据的敏感度应该是大家比较感兴趣的话题。结合自身的体会，笔者觉得需要从六个方面着力培养自己的数据敏感度：刻意加强“三个训练”、做到“三有”。
刻意加强三个“训练”：
1、加强数据化思维训练：为培养数据敏感性，可以在工作和生活中刻意加强自己的数据化思维。训练自己用数量化的语言进行描述和表达，比如：在做自我介绍时，可以将自己进行数量化包装：工作了多少年，做了多少个项目，负责过多少个产品case,带过多少人的团队，实现了多大的业绩等等。凡事不以感情做判断，而以“数量”、“金额”、“比例”等指标作为衡量的尺度。再如：在介绍某个项目的效果时，用数据说话，将效果的表达换算成提升幅度、增长率、投入产出比等数据和指标。
2、加强图表解读能力训练：图表化表达是对数据进行分析和展现的常用方式。要加强对数据可视化的理解和解读能力，训练自己看图说话的能力，要善于前后对照、关联分析和交叉比对，从图表中发现规律。请教相关领域专家，明白可视化图表背后的意义，组织语言进行描述性练习，反复练习和训练，自己明白的同时也要让听众听明白。图表解读能力提高了，数据敏感度就会随之提高。
3、加强批判性思维训练：要刻意训练自己的批判性思维，对外部给到的数据都要心存怀疑，都要问清楚数据来源和计算口径，必要时亲自上手进行“交叉验证”。批判性思维是一种能力，就像是古董专家，刚入行的时候，对每一件古董都需要翻阅大量的文献书籍，反复核对和验证。量变就会引发质变，功到自然成，当验的货到了一定数量级时，你就会自然而然的炼就了一双慧眼，只要一掌手、一上眼就能判断它的成色。此时，也就是你练就数据敏感度的时刻了。
做到“三有”：
1、有谱：要熟悉自身的业务，业务水平要靠谱，要对业务建立深刻的理解和知识点的储备，这是培养数据敏感性的基础。有谱是指对数据所代表的业务信息要有一个基本的认知和概念。所谓靠谱，至少是对某些数据的来龙去脉要清楚，对该数据的业内平均水平、最高水平、最低水平有一个清醒的认识，要知道数据的变动所代表的意义。
2、有心：在日常工作中，要学会做一个有心人，探究数据背后隐藏的信息。要走心去刨根问底关键数据的业务逻辑和计算规则，要留心关键数据的变化，用心记住关键的指标数值。
3、有感：当数据出现异常值时，要能形成对数据走势的预感和判断，并在后续的工作中观察自己的预感是否得到了印证。还要注重基于业务逻辑进行关联思考，对关键数据的连锁反应建立自己的“感想”和观点。
数据敏感度是可以通过刻意训练、逐步形成习惯的。秘密就在于：“三个训练”、“三有”，你GET到了吗？数据敏感度，你值得拥有！
五、AI时代还需要数据敏感度吗
在大数据和人工智能时代，机器在人类的训练下正逐步具备一定的学习能力。既然数据敏感度是可以通过学习和训练来获得的，那么，机器只要经过适当的驯养和调教，就有可能形成自己的数据敏感度。理论上说机器具备数据敏感度是有可能实现的。一旦机器也对数据有了一定的敏感度，人类还需要继续保持自己的数据敏感度吗？是不是可以把数据监测、数据解读和判断的事情全部交给机器来处理呢？笔者认为，短期内还是要坚持以人为主的模式，即使在AI时代，人类仍然需要主宰自己的数据敏感度。
机器固然能具备一定的数据敏感度，但是在运用数据来解读业务的能力仍然有一定的局限性。在对数据进行分析和解读时，一个基本的原则就是：结构化的数据以人为主，非结构化数据可以借助机器的支持；小数据以人为主，大数据可以借助机器的算力的支持；关键的数据以人为主，非关键的数据可以借助机器的力量。
