有人认为，数字化与信息化没有本质区别，这其实有点抬杠。在笔者看来，与信息化相比较，数字化在数据获取、数据处理、数据分析、数据展现等方面都有很大的不同。以数据分析为例，信息化时代的数据分析以基于结构化数据的描述性分析为主，而数字化时代的数据分析不仅有基于结构化数据的描述性分析、解释性分析、预测性分析、规则性分析，还有基于非结构化数据的语义分析、分类分析，等等。本文中，笔者就以鉴往知来，从数据到洞察为题，谈谈数据分析的逻辑和意义；当然，采取的也是“数字化演易”的文风，即，数据分析中因数生象，因象生意的范式。
图1：数据分析的逻辑和意义
大体上，数据分析包含三个要点：数据、模型和洞察。数据是数据分析的“原料”或输入，模型是数据加工的“产线”或方法，洞察则是数据分析的价值或输出，而要了解数据分析的工作逻辑，则要从其意义或价值，也就是“洞察”的含义入手。
洞察
什么叫洞察？洞察指的是数据分析尝试要传达的意义。洞察一般有这么几种：（1）是什么（What），（2）怎么样（How），（3）为什么（Why），（4）将会如何（To be），（5）想要达成某个目的，应该如何做（If …，Then …），等等。
“是什么”指的是给我们某些数据，期望通过数据分析来告知我们这些数据说的是什么。“是什么”型的数据分析的典型代表是基于非结构化数据的人工智能。比如，计算机视觉检测、图像识别、人脸识别、自然语言处理、文本挖掘中的语义分析，等等。
“怎么样”指的是给我们某些数据，然后通过数据分析来告知我们何种对象（人或物）发生了什么事情，这也就是前文所讲的描述性分析。比如，商业智能中的产品销量统计分析、渠道的库销比分析、订单满足率分析、产能利用均衡性分析，等等。
“为什么”指的是给我们某些数据，期望通过数据分析告知我们何种对象（人或物）发生了什么事情，以及为什么会发生这些事情，以及那些因素导致上述情况的发生，这也就是前文所讲的解释性分析。比如，设备的OEE分析，不仅要了解OEE的表现，还要找到OEE表现不佳的原因，等等。
“将会如何”指的是给我们某些数据，这些数据通常是对象（人或物）的历史表现数据，期望通过数据分析告知我们这些对象的未来表现和变化趋势如何，这也就是前文所讲的预测性分析。比如，根据过去三个月的产品销量或发货量数据，来预测未来三个月的销售情况，等等。
“If …，Then …”型的数据分析，指的是给我们某些数据，通过对这些数据的分析，如果我们期望在未来某个期间达成某个目的，应该如何做，这其实就是前文所说的规则性分析。比如，期望未来3个月的订单满足率大于95%，供需链应该如何来组织，等等。
数据
不同类型的洞察，所需的数据内容、数据格式、数据量，等等，也不一样。从格式的角度来看，数据分析所涉及的数据主要分为结构化数据和非结构化数据。非结构化数据的典型代表如社交媒体的流数据、文本、图片、视频，等等。
结构化数据主要来自于ERP、MES等交易处理（OLTP）系统。从变化的频率等特点来看，结构化数据又可分为相对静态的元数据和主数据（元数据是用于描述主数据属性的数据），以及相对动态的交易数据。
在数据分析中，主数据又称为维度数据，用于描述业务对象、空间、时间，等等，其典型代表如业务伙伴（供应商或客户）、产品组、产品、组织架构、区域，以及时间上的日、周、月、季、年，等等。维度数据要能按层次来组织，以便进行数据分析时自上而下的分解和自下而上的汇总。
交易数据又称为指标数据或关键值，用于描述业务对象在某个时空场（时间和空间）的变化情况，其典型代表如客户订单量、库存量、发运量、销量、采购量、销售价格、制造成本，等等。
除了上面从格式和内容等角度来定义和区分数据，还有所谓数据的4V特点，即，大量（Volume）、高速（Velocity）、多样（Variety）和价值（Value），其中，前三个V其实指的是数据的存量、生成数据和类型，而所谓的价值其实就是指数据分析的输出——洞察。大数据的4V特点，其实只是一种概括性描述，对我们理解数据分析的规律和逻辑没有太大的帮助。
为了便于数据的清晰、汇总、聚合和重复使用，企业必须以相应的办法来管理数据。对于结构化数据，常用的是数据仓库；对于非结构化数据，常用的是数据湖。数据仓库和数据湖可以通过数据接口进行整合而形成数据总线。
模型
从数据到洞察的转化，其过程不是必然的，而是需要借助相应的模型或算法来实现。我们可以用下面的函数式来代表数据分析所用到的模型或算法：
A = f（x，y，z，…）
在上述函数式中，x，y，z，等等，代表的是数据分析的输入或自变量，也就是已有的数据；A代表的是数据分析的输出或因变量，也就是上文所说的洞察。通过上述函数式，我们还可以得到这么几个初步结论：
（1）数据分析所需的数据永远做不到充分必要，据此所得出的洞察也只是概率上的可能性。以销售预测为例，影响某个产品未来销量的因素太多，企业不可能准确、及时、完整地获得这些变量的相关数量，据此得出的销量预测也不可能100%的准确。尤其是，外部影响因素越多，相关数据就越难获得，故而，企业内部某个设备的故障预测要比产品销量预测要容易做得多。
（2）不同形式的洞察，其所用到的模型或算法是不一样的。通常，预测性数据分析要用到线性回顾、指数平滑等统计性模型或算法，文本挖掘、图像识别等认知性数据分析则需要用聚类算法、簇类分析或决策树算法，等等。
（3）数学是数据分析的指导，哲学是数据科学的指导。除了数据质量，所采取的算法和模型，将决定数据分析的质量，因此，高级的数据分析需要有数据科学家作指导。如果进一步来看，不管如何尽力，我们不可能掌握所有的真相，这就需要以哲学作指导。比如，佛家的因缘学说，把事物发展变化的因缘分为亲因缘、增上缘、所缘缘和等无间缘，等等，这些认识可用于数据分析中的因果溯源，有助于提高洞察的概率。
结语
我们通常说21世纪是VUCA时代，即，易变（Volatility）、不确定（Uncertainty）、复杂（Complexity）和模糊（Ambiguity）。为了提高企业或个体在VUCA时代的确定性、方向性、有序性和可把握性，就离不开数据分析的作用，而理解、剖析数据分析的逻辑和范式，则是每一个从业人员的必修课。如果要用几个字来概括数据分析的逻辑，那就是：因数生象，因象生意。
