职场上，工作思维很单一？关联规则算法教你洞察全局|局限性|算法|维度

刚工作，思维太单一，怎么办？

昨天，我跟朋友聚会，大家不约而同地对自己工作做了总结，我也不例外。

2020年已经开始，我觉得自己最大的变化和收获，恰恰就在于工作思维。

去年，我完成了从职场新人到团队骨干的蜕变。而蜕变的原因，依然因为工作思维。

刚开始进入职场，在思考上难免孤立单一。因为在学校中的答题，只论对错。但在工作中，对于项目的理解，并不是简单的0和1。工作中关联无数，孤立单一的思维，对职场上的长久发展不利。

今年年初，我在合作一个重大项目时，就因单一思维差点搞砸。我在互联网从事数据分析，但提交的分析报告，总是出于自己思考的简单维度，而不会从整个项目出发，也不会咨询合作的同事，就埋头自己做。

因而，我得出的数据结果，差点影响项目进展，领导很不满意。

领导私下找我，很认真地说了这个问题，指出我思维单一。我才恍然大悟，在项目工作中，沟通思考，关联全局，这两点是如此重要。那么，该如何摆脱这样的单一思维，我曾一度苦恼。

好在，我遇到了关联规则算法，不只思考对错，更从全局出发。

关联规则算法是什么？

想要利用关联规则算法来洞察全局，那么首先要理解关联规则算法是什么？其实，关联规则算法是将两个并不一定相关的内容，通过统计和分析计算，最后得到关联的结论，使得单一思维变得多维立体。

1、关联规则算法的内涵

首先，关联规则是形如X→Y的蕴涵式，其中， X和Y分别称为关联规则的先导(antecedent或left-hand-side, LHS)和后继(consequent或right-hand-side, RHS) 。

简单来说，就是推导两者间的关系，具备了抽象的手段，因为这两者不通过数据支撑，可能发现不了关系。

那么，关联规则算法就是找到这样的关联规则，其能够对于大量的数据和信息进行处理，通过将繁琐的项集从数据库中找出来，经过整理之后，将项集之间的关联关系建立起来，从中挖掘出有价值的数据信息，以在一定程度上满足不同领域的需要[1]。

举个关联规则算法中简单的例子，就是啤酒和尿布。

关联规则算法虽然是统计学的算法，但早在就20世纪90年代就被应用于市场营销中，那就是啤酒和尿布，也是经典的沃尔玛购物篮分析问题。

美国沃尔玛超市管理人员分析销售数据时，发现了一个令人难以理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品，会经常出现在同一个购物篮中，且大多出现在年轻的父亲身上。

分析背后原因是，在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲去超市买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒。因此沃尔玛就将这两者关联放置，从而极大提升了销售收入[2]。

是不是特别不可思议，啤酒和尿布这两者看似完全不相关，但在数据的支撑下，使用关联规则算法后，竟然能够关联起来，最后被一起分析。这样的思维，就是多维立体的。

2、为什么要引入关联规则算法？

那为什么要在职场中，引入关联规则算法呢？因为就跟啤酒和尿布的问题一样，项目中大大小小的问题，有可能在直观上看起来并不相关，但在真正数据分析后，才会发现这两点竟然是有关联的，既然有关联，就很有可能相互影响。

只看其中一点，就成了单一思维，最后反而会干扰到你的判断。

在互联网行业尤其如此，因为事物发展变化很快，如果局限于某一点，很可能就忽略了关键，没找到发展的规律，进而影响全局。

在差点搞砸的大项目中，我最开始的数据分析结果总是不尽人意，就是因为思维太单一，总是局限于自己第一时间能想到的东西，而不愿去关联思考，也不会去看别人做了什么。

在项目中，我就成了孤岛，谁也无法登陆。那我最终给出的数据，又能产生什么价值呢？

而当我发现关联规则算法后，才明白自己到底该怎么改变。从单一思维到能够洞察全局，我需要的正是这样从数据维度进行关联分析，最后得到可靠的结论，从而让自己的思维不局限于某一点，而能全盘考虑。

工作中，单一思维为什么行不通？

那么在职场上，单一思维为什么会行不通呢？

单一思维其实就是简单思考，也可以被理解为是线性思维。而有研究表明：

数十年的认知心理学研究表明，人脑很难理解非线性关系。我们的大脑倾向于简单的直线，也就是线性关系。——《哈佛商业评论》

这就是大脑的直觉，人在思考时就会倾向于这种简单的直线，不去关联性的考虑更多维度。在单一思维中，我们往往会通过一个历史经验简单就得出一个结论，更不会去过多地发现变化。

我最开始在项目中的数据分析也是如此，我总是局限于用户在线这一点，然后基于最开始的分析方式直接套用，最后差点在大项目上栽了。被领导点醒后，我才恍然开始寻求改变。

其实很好理解，为什么我之前的单一思维会造成这样的结果。因为单一思维，往往就忽略了事物的变化，往往就看不到相应的关联。按照哲学的辩证性，我们也明白，事物不可能完全没有变化。

世界著名作家斯宾塞·约翰逊就曾经说过：唯一不变的是变化本身。

因此，针对职场中来回变换的内容，用过往经验简单套用，只根据某一个维度来分析，不思考关联，这样单一的思维是行不通的。一旦陷入单一思维，工作就会很容易出现瓶颈，人就变得机械。一旦机械了，在职场上往往就看不到提高。

职场上，如何利用关联规则算法看全局？

那么，理解了单一思维的局限性，明白单一思维在职场上的弊端。我们想要在职场上更好的发展，就需要学会立体思维，才能洞察全局。

立体思维也称整体(综合)思维和空间思维，是在时空四维中，对于认识对象从事多角度、多方位、多层次、多学科、多手段地考察、研究，力图真实地反映认识对象的整体以及和其周围事物构成的立体画面的思维形式[3]。

立体思维从多维整体出发，自然在认识上更加充分，那么如何从单一思维转化为立体思维，最终能够洞察全局？我们就需要妥善地利用关联规则算法，来完成这个转变。

关联规则算法主要分为两个阶段[4]：第一阶段必须先从资料集合中找出所有的高频项目组(Frequent Itemsets)，第二阶段再由这些高频项目组中产生关联规则(Association Rules)。那这两个阶段，在职场中该怎么应用？

第一阶段：数据角度找高频

首先，是关联规则的第一阶段，从数据角度找高频。高频指的就是在这段时间内，某样事物反复出现。那这样的事物，很有可能对你的项目出现影响。

在职场中，同样如此。我在数据分析过程中，很明显可以发展，项目中的关键指标，往往是被多次使用和经常出现的。这样的维度，可能在单人思考中容易被忽略，但如果你把项目数据仔细分析一遍，很多高频的维度，其实就是关键的维度。

当然，怎么判断高频？这也能关联规则算法中学到，那就是设定一个阈值。这个阈值，其实就是一个经验值，在关联规则算法中称为用户规定的迭代支持度。

我开始在寻找高频时，根据关联规则算法，首先，就对项目数据做一些统计，得到这个月内每个指标或是事物出现的频次，例如用户在线这个指标被使用了20次，那么类似这样的统计，全部记录于一个表格中。然后，就根据关联规则算法中的支持度，判断到底几次才是高频。

这个时候需要使用一些经验值。例如：我本来单一思维中就知道用户在线这个指标很有用，出现了20次肯定是高频，那我第一次就把出现20次是高频，作为我首次的阈值。当然这个阈值并不精确，在我后续项目发展过程中，我可以按照项目中的变化，以及个人了解的加深，来不断迭代调整这个设定的阈值，也就是经验值。

通过这样两步，我发现寻找高频事物并不困难。而除了用户在线这个指标，我同时也找到了很多不一样的数据指标。这些指标，对我后续处理项目问题很有帮助。

第二阶段：高频中发现关联

那么，发现了这些高频的事物，高频的维度，怎么从这些高频中找到两者之间的关联呢？如果不发现其中的关联，那么思考依然会有局限性。就像是啤酒和尿布例子中，啤酒和尿布两个都是生活的高频事物。但如果不将两者关联起来，销售额不会提升那么大。

从高频中发现关联，就是关联规则算法的第二阶段，也是关键步骤。那如何发现关联，在关联规则算法中，是使用构造用户最小信任度。

简单而言，就是列数据指标，然后将不同的数据指标两两组合，计算信任度。信任度其实就是你自己设定的规则，例如我在项目中，会根据同时出现这个规则，来判断高频中的关联。

我的项目分析同样如此

我在项目分析中也是这样做的，通过上一步，迭代找到了高频指标，然后把高频指标两两罗列成一个集合，然后去计算每个集合同时出现的次数，这个同时出现的次数，就成了我的信任度。因为在我经验设定中，经常同时出现是很有可能有关联的。

其实，算法是教会给你提炼这些思路。但真正应用过程中，还是需要用户自己思考和设定，那么我在这样的思考和设定中，渐渐发现自己的思维越来越立体。

后来，在这个大项目中，我新出数据报表提交。领导表扬了我，称我成长很快，已经是团队骨干。他还有点诧异，问我，是怎么一下子从单一维度，找到了这么多其他好的维度，还能够关联起来？我回答说：因为用了关联规则算法。

最后

本文从我个人工作总结出发，提到了工作中转变的关键点，也就是单一思维的转变。从而引入了统计学的算法——关联规则算法，讲述了简单易懂的例子啤酒和尿布，从我个人差点失利的项目出发，将关联规则算法与职场有效结合。紧接着，给出了如何利用关联规则算法转变思维的方式，第一阶段是从数据角度找高频，第二阶段是从高频中发现关联。通过关联规则算法，我完成了从单一思维到立体思维的转变，学会了洞察全局，今年工作有很大提升。