浏览了前四章 ，关于：社会思维。有几个有趣的观点。
1、态度和行为，个人的态度可能跟实际的行为没有太大相关性，隐含态度、社会观念影响、所处环境可能会改变行为（违心行为的发生）。相应的，扮演的对象所发生的行为，往往影响态度的变化，比如处于一个模拟环境中，文明可能消失。
2、自我感知，自我感觉良好是人之本能，评判自己和评判别人总是不自觉的偏向自己。
3、看待别人的偏见，可能进一步为自己不自觉的收集偏见的证据。比如：设想对方存在某种方面的问题，交往过程就会不自觉偏向性发现该方面问题。
4、不断的重复行为训练过程，可能会改变态度。也只有通过行动改变，才能推动认知的改变。
岁月虚增，年纪渐长。每年都能记住你的生日的估计只有运营商和银行了。
招行信用卡发来祝贺短信
浦发信用卡发来祝贺短信
美团发来祝贺短信
联通发来祝贺短信
平安发来祝贺短信
对接产品的PM送了一个鸭掌，实在有趣，截图如下：
昨天，奥委会和日本政府宣布2020奥运会延期到2021年，仍然叫 2020奥运会。
疫情的发展快到出乎意料，仿佛世界人民开始跟曾经的中国人民一样宅在家里。意大利已经很艰难，美国政府的不重视，进一步扩大了疫情的蔓延。
人类命运共同体，感受如此的强烈。美国优先的场景下，本届美国政府难堪大任。什么时候欧洲人民和东亚人民联合起来？“佛系”政策是会出乱子的，期望看到全球性大联合。
当2021年的2020奥运会开幕时，应该有个特别的感谢节目。
进入2020年，二十一世纪已经过了20年。“千年虫”问题仿佛还在耳边。20年前的BAT、google、fb还在萌芽；20年前有互联网泡沫，而如今的世界也存在很大的金融泡沫风险。
风险和机会共存，20年前的大型科技公司现在看似乎就苹果、微软转型成功了，雅虎、Sun消失了。没有一成不变的商业模式，可以预见20年后一定有几个大的公司出现，也会有大公司消亡。不过回头看2000 vs 2020 相比 1980 vs 2000，变化还是小了一些。
有了高铁让我们游的更多；
有了电商让我们花的更多；
有了微信让我们聊的更多；
有了搜索引擎让我们知道更多。
或许历史会记录这20年为互联网蓬勃发展的20年，我们的沟通方式已经从文本、电话变成语音、视频。相信下一个20年，5G、6G会让我们生活在更多元的的多媒体世界中。
Say hi to 2020，今年有奥运会。
Say hi to 2020，今年有更多精彩的故事。
最近跟数据分析同学闲聊，收集了一波数据分析同学被挑战的问题。比较有趣的是，不同部门的数据同学提的问题，很大部分问题是重叠的。问题简述如下：
1、这个数据为啥不一致，靠谱不靠谱？
2、计算为啥这么慢，跑一段sql的事情要这么久么
3、筛选维度为啥不能自由组合，多选+汇总+展开都支持
4、数据需求就跑sql，为啥那么慢呢
5、虽然没数据，逻辑你先写吧
6、我要这个数据，下午给我
7、我们什么时候搞点机器学习项目
8、自己模仿跑sql，挑战结果不一致
9、报表数据不能跨年查询
10、报表上线后很长一段时间都会被反复追问口径和逻辑，用的哪个表，怎么算的
11、希望在报表侧自由选时间段并且数据是时间段内按人数去重汇总
...有些问题比较类似，进行了合并，并命名为压在数据分析同学身上的"三座大山"，再简述如下：
1、查询慢，这个报表能不能用，跨年查询卡死了
2、计算慢，日报还没推送，今天还没出，为啥这么慢
3、实现慢，这个需求只要简单跑个sql，为啥那么慢
1、导数支持，要汇总也要细分，更要明细，报表麻烦支持下
2、实时去重，希望根据不同时间，去重统计UV
3、多维支持，再加几个维度吧，现在十多个维度还有点少
1、指标差异，这2个指标看起来一样，数值对不上
2、对数差异，模仿跑了下sql，结果不一致，给我解释解释
3、逻辑验证，逻辑复杂，计算逻辑和口径无法确认准确性
暂不讨论解决方案，要完整的解决这些问题 ，底层计算方案、BI方案是需要review的。
不过，我们从中可以窥探出，需求方理解的数据需求实现，特别是PB数据需求实现，是有理解偏差的。可能很多产品或者前端同学对“大数据”意味着什么，并没有概念，所以需求就可能想当然。
简单挑几个点讲讲。
“数据计算慢”的问题，如果需求方说：“帮忙跑个sql”，并且附带一句：“这个需求很简单”，一般的数据分析师会默念或者画圈圈。“实现慢”是按需求者视角，不考虑实现者的需求并行负担。另外的真正的“计算慢”的问题一般跟实现相关，数据倾斜的概率比较大，数据分析师是要好好解决的。
“数据维度”的问题，从开源的实现方案看，apache kylin可以部分解决"数据维度"的问题，但是多维度也是需要预先定义好的。
只要统计数据又要明细数据是见过最多的统计需求，问题是，统计需求又要明细，那么意味着原始数据存储的量是特别大，必要性要好好评估的。往往指标数据、监控数据或者原始记录的需求放一起是不对。
“数据准确性”的问题，当然，准确性是数据分析的基础要求，往往挑战来自于不同的报表实现，过多的特殊逻辑导致。整个数据的DWS层需要统一管理，这样应用层只取一处数据可以缓解的这个问题。