首先界定下问题范围：大家不谈学术，就讲企业应用。让学数学的同学们看看未来的就业机遇和挑战，毕竟未来还是要就业的。实际上，企业里有很多数据分析应用机会，几乎每个部门都需要，除了专业的数据开发、数据分析、数据挖掘岗以外，几乎每个部门都要使用数据报表。这样就有大量的用武之地。
简单列举一下，只到一级分析目录，到二级目录，一页纸就放不下了。几乎每个部门都有需求，只是有些负责看数据，有些负责跑数据
作为数据部门，经常会收到业务部门需求，想挑一些“数学好”同学培训，提升数据应用能力。怎么挑呢？大家有一个简单的测试办法。场景：一个哥们打电话给你，说“大家销售业绩下滑很厉害，市场部是不是近期考虑做一些促销活动，比如找近期上市的新产品做一些大力度的买赠……”
你的第一反应是什么？
有数学天赋的人，第一反应是反问：
销售业绩，指的是销售额还是销售利润？（确认字段）
你是从报表里看的，还是从其他地方知道的？（确认数据来源）
什么时候发生的事？持续多久了？（确认问题时间）
从多少下滑到多少？（确认问题严重性）
为什么下滑这么多就算“厉害”？（确认评价标准）
这些也被称作数据敏感性。毕竟数学也好，数据分析也罢，命根子都是数据本身。如果数据都是错的、假的、甚至是不存在的，那就无从说起了。第一反应代表了人的本能，如果真的有“数学天赋”的话，那本能反应是找数据而不是找答案。即使不是数据分析师，是市场策划或者运营，数学天赋好的也有这种反应。当然，这种能力能通过训练提升，只是找到底子好的同学，训练起来更容易一些。
有很多同学第一反应不是这样的，常见的有：
直接回答方案的：哦哦，买赠可能库存不够，大家来看看送优惠券行不行……
直接分析原因的：那个，销售下滑吗，可能是季节性的，你先不要急等下个月再看……
很多做营销、做运营、做产品的专员们第一反应就是这个。大家可以试试。
这两种反应，最根本的区别在于：数学好的人会先确认数字本身，把分析、计算、推理的地基打在岩石上。而数学不好的人会跳过这一步，直接跨进分析甚至结论部分。他们的分析地基，是打在泥巴里的。
数学可以是很复杂的算法公式，也可以是很简单的加减乘除。偶个人觉得，数学最美的地方，不止是那些让人搞不懂的高深技术，还有：它代表了人们思考中理性的那一面。在面对各种复杂问题的时候，让大家尽量撇除冲动、回归理智。
这种情景在生活中也很常见。比如类似话题《为什么许多优秀的女人不嫁人》《如何看待90后疯狂买房》这些本来应该首先是一个数据问题，先确认到底是不是，是多少，在哪里是。再谈为什么。然鹅，一谈到结婚，买房这种话题，大家内心的各种情绪就会爆炸，各种故事、段子、情绪就开始喷发，自然也注意不到事实到底是什么。
企业里也一样，比如销量、新人数量、投诉量，这些指标是很多部门的核心KPI，压在部门经理的肩膀上。担子重了，自然会很敏感，有个风吹草动就开始咋呼。比如某天品牌总监看到别人家的广告上了微信，某天渠道部总监看到客人在旗舰店大闹，某天销售部老总听到某个大区经理来抱怨，最后这些细节都会变成：“大家的品牌已失去影响力！大家的服务质量严重下滑！大家的销售业绩遭遇重大障碍！”一股脑的倾倒给下属讨论。这时候如果数据部不能保持冷静，跟着一起咋呼，最后打的还是自己的脸。
这个测试很简单，但是有两个大用处：
第一：看领导的风格。实际上，并非所有的领导都很理性。有些是靠熬资历熬上来的，有些是运气好做了一个巨好的项目升上来的，有些是靠关系硬有人罩，有些是个人能力突出很自负的，千奇八怪什么都有。打交道的时候留个心眼观察下。如果领导是很理性，就认认真真列数据讲逻辑。如果领导很感性，就得在“顾客流失率从20%飙升到25%”这种话后边，加一句故事“这相当月于一个业务员每月少了5个顾客，少挣1000多块提成，自然业务员会达量流失”。这样针对性汇报，通过的效率会高很多。
第二：鉴别高级数据分析师的能力。作为一个基础的数据分析师，能当个跑数机器，按需求单取出来数据就差不多了。但是高级数据分析师需要有独立解决问题的能力，要有能把也无妨各种问题转化为一个靠谱的 需求单的能力。这时候就不是excel，sql，python的活了，而是考察分析能力。就需要考察数据敏感性、分析逻辑性、提分析假设的能力，选择分析方法的能力。相应的内容展开讲太多，有兴趣的可以看之前的一个分享：如何在业余时学数据分析？
数学不止算法模型，加减乘除也有大用处，看一个例子：学习数学到底有什么用？