这是彭文华的第154篇原创
不少招聘数据分析师的JD里都注明“数据敏感度强”。好多朋友都很无奈，这个敏感度我都不知道怎么量化，更不知道怎么提升。用时兴的话来说，就是找不到“抓手”。
你这个数据敏感度强究竟是个什么意思？
啥是数据敏感？
我专门问过很多招聘数据分析师的面试官，说啥的都有，什么数据经验丰富、看一眼就知道啥情况、能快速从数据中找到异常等等。还有些人更神，说数据敏感度强就是能透过数据看到问题本质。这个描述怎么说呢？有点算命先生的感觉。
从我自身情况来说，我在数据这行十几年了，数据敏感度应该是有了吧？在我非常熟悉的环境，数据看的非常多了，上面说的什么看一眼就知道啥情况、快速从数据中找到异常、甚至看到某个数据就大概能知道原因等，都能做到。
这种情况我在一个客户身上也看到过。那还是十多年前，刚入职场的时候，给政府做项目呢。某省经信局中小企业管理处（我记得非常清楚）处长就是这样。他在这个处待了小二十年，各市的重点企业名单都刻在脑子里了。每天的工作就是报表、行业、企业，轮番着来。他时刻关注市场价格波动，因为价格一波动，上下游的企业就会找协会，协会就会找他。
不过，虽然我有时候能这样，但是这种情况时灵时不灵的，跟段誉的一阳指有点像。
在我持续研究分析的时候，是慢慢会灵验的。在我换一个业务场景，或者脱离当时的业务一段时间之后，就不灵了。所以有阵子我就在想，这个敏感度应该不是一个普适性的东西。
我一直认为是我的经验还不够。直到有一天，看到万用表的时候，我突然就悟了！数据敏感度不是靠经验，而是靠标准！
灵敏的万用表
万用表长这个样子，是用来测电压、电流、电阻啥的。
上面是指针，下面可以调节档位。就是这个档位让我悟到了数据敏感度究竟是个什么鬼。
我用一句话给你解释什么是敏感度：
万用表通过档位控制和调节上面表盘指针的敏感度，换句话说，表盘上指针的敏感度是通过档位进行调节的。那我们数据分析师的敏感度是什么决定的呢？历史数据和各种参考标准。
好像有点绕，没关系，我举个例子。今天你媳妇回来说：今天鸡蛋5.5元一斤。如果你压根就没买过菜，你大概率没啥感觉。现在谁口袋里还掏不出5块钱啊，对吧？
你媳妇又说：半个月前都6.8元一斤！你可能有点高兴，这不是降价了么？多好啊！
你媳妇又说：俩月前才3块多一斤。你可能又有点奇怪，鸡蛋价格最近怎么胡乱卖啊？
你看，5.5元，你没啥感觉。加一个6.8的高标准，你就觉得5.5还挺便宜的。再加一个3块多，顿时感觉太贵了有没有？
很多时候你在一个业务里深挖之后，各种历史数据、业务细节、数据分布都熟悉了，各个政策也了解的非常深，非常透，这种数据敏感度自然也就有了。
这不是你的经验使然，而是标准使然。所以有些老板比数据分析师对数据更敏感，不是他们在数据领域更有经验，而是他们对业务、价格、市场更加关注，标准更立体、丰富导致的。
如何锻炼数据敏感度？
既然数据敏感的来源已经清楚了，那么锻炼自己数据敏感度的方法也就可以推导出来了。而且，你自己也可以整理一个自己的数据敏感度锻炼方法。
既然标准决定敏感度，那么我们锻炼数据敏感度的第一个方法就是设定合理的标准。比如“炉火纯青”这个标准，就是用火焰的颜色区分有炉火有多烫。
但是有些时候一个火焰，上下颜色都不一样，这就不好判断了。而且，用颜色区分还有一个不好的地方，就是区分度不够强。还有，这个纯青是个什么颜色？字面上也理解不了啊。但是还好，我们现在有更精确的方式：温度，这个温度就非常精准了。所以，咱得进一步：需要有一个精确量化的标准。
这样够吗？还不够，因为你还缺少参照物。有了这个参照物，你就能直接下结论了。比如你如果有了这个量表，你也能对温度非常敏感了。
如果我们再加上几个生活中的参照，那就无比鲜活了。比如：
蜡烛40℃就会软化变形；
水烧开了是100℃；
把铅烧融化，只需要327℃；
融化铜或者金子则需要1100℃；
把沙子（硅）烧化则需要1400℃。
把铁烧化就更难了，要1535℃。
我们在平时的工作中，量化标准=指标，参照物=历史业务表现和KPI。而且，参照物越多，你就能感知更多的东西。
当这些都深深的刻在脑子里之后，我们也就能通过细微的数据变化，感知到业务的各种异常情况了。
就像之前举的卖鸡蛋的例子。锻炼你对鸡蛋价格敏感度的方法有以下几步：
1、你每天都去买鸡蛋，持续感受鸡蛋价格波动，这个体感最强，但是非常耗时；
2、看鸡蛋价格监测数据，这个能快速感知，但是体感差一点意思；
3、看物价监测数据，这样还能横向对比肉、蛋、奶、白菜的情况，纵向分析整鸡、鸡肉、饲料等上下产业链的价格情况。
4、看兜里的钱，这样你还能知道自己消费能力，盘算一下是不是可以奢侈一把，吃一个茶叶蛋了。
总结
数据敏感度听上去很虚，让人一头雾水。但是扒开这玄之又玄的外衣，数据敏感度其实就是量化标准+参照体系。
用炉火纯青判别火炉内的温度就是非常典型的标准，但是用温度量化会更精准，加上一系列的对比、参照会更加丰富和完善了。比如颜色与温度的对照、生活中的温度对照等等。
我们想要锻炼数据敏感度，其实也就上面这些招术：跟紧业务、制定指标、完善指标体系、参照历史、参照行业、参照KPI等等。
