为什么分析师可以做到数据支持决策呢？一篇文章带你探寻其中的原因，同时这篇文章推荐给从事数据分析的工作者阅读。

数据驱动决策，是大家天天挂在嘴边的时髦词汇。可到底数据是如何驱动的？很少有同学真正看到过全流程。更有同学总疑惑：“自己被人追着屁股要数，感觉自己才是被驱着动的“。今天系统讲解一下，拒绝跟风。

一、最原始的决策流程

首先，做事情是否一定需要数据，答：完全不需要。理论上，做事情只要两横一个竖：干就完了奥力给！所以最简单、无脑的做事方式就是（如下图）

但是大家都知道，这么空洞的打鸡血喊口号，是种除了逼死员工以外没屁用的方法。因为实在太无脑了。干什么，怎么干，干成啥样，都不知道。

二、科学决策的雏形

因此这种原始的决策很快进入到第二阶段：三拍阶段（如下图）

这种三段式决策，已经具备了科学管理的雏形，并且随着80年代末、90年代初承包制的普及，大放异彩。以至于很多50、60后的领导以及受他们影响的70、80后领导，都还喜欢沿用：干什么，怎么干，干啥样这种三段式说法。在文章、书籍里也很普遍。

然而，这并不是真正意义上的科学管理。因为太粗糙了。特别是干什么，往往是领导自己拍脑袋定，他们最喜欢的口头禅是：“你先达成个小目标，挣它1个亿”至于为什么是1个亿，为什么非得挣钱而不是占领市场，从来没有深入分析与解释。决策拍脑袋的结果，就是当面拍胸脯，出事拍大腿。因此才有了“三拍”的戏称。

三、从粗放到精细

想要提升决策的精细化程度，就得引入数据度量和数据分析，可以说，数据分析天生是为科学管理服务的。有了数据的支持，能够做大量精细化管理。

决策前：

• 量化评估经营现状，收入、支出、利润。
• 根据市场、对手、消费者数据，评估机会点与威胁。
• 根据过往业绩走势，发现自然变化规律，制定更合理的目标。

决策中：

• 量化评估备选方案所需的时间、人力、物力投入。
• 根据过往表现，量化评估方案可行性，评估预计完成率。
• 根据过往业绩走势，发现自然变化规律，制定更合理的目标。

决策后：

• 量化监督执行过程，发现执行问题。
• 分析执行手段，评估优化、调整的措施。
• 复盘执行效果，检查目标实际完成，总结经验。

到了这个阶段，已经实现了数据驱动决策和数据化管理。这个阶段最经典的就是PDCA理论。它将决策过程分为PDCA四个阶段：

• Plan计划
• Do执行
• Check检查
• Act处理

通过循环迭代，确保目标落地，逐步提升质量（如下图）

听起来似乎到这里，数据驱动决策已经做到头了。在原理上确实如此，很多经典的管理理论都是建立在这个阶段。后续的主要进化，体现在技术方面。因为获取数据，本身是一件非常艰难，且非常需要技术支撑的工作。因此技术手段的高低，直接决定了管理理论能否落地，能否创新。

相当多的经典管理模型，比如AIDMA、PSM、双盲测试（ABtest）都是建立在调研问卷的基础上的。虽然理论上调研问卷能问回来一切数据，但是调研有天生的局限：

• 人记忆力有限，数据准确度不高
• 人精力有限，问题不能太多，选项不能太复杂
• 人有惰性，A选项永远选的最多，3分、5分的比例永远最高

受以上限制，好问卷成本高，周期长，获取数据速度贼慢贼慢。

因此，后续的管理方法进步更多是伴随着数据采集方法的进步，越做越精细。

四、更精细的数据驱动流程

更精细的数据驱动手段，都是技术驱动的：

• 有了OMS/CRM系统，可以更即使采集交易+用户数据
• 有了APP/小程序+数据埋点，可以采集用户行为数据
• 有了丰富的数据，可以完善用户画像，可以做预测模型
• 通过CDP/ECRM等工具，可以直接把数据推给业务执行

有了技术支持，在管理上细节也更丰富（如下图）

交于上个阶段，主要增加的内容包括：

• 从整体目标分解到各部门、各环节子目标，逐级落实
• 更清晰地区分指标与判断标准，引入综合评估方法
• 增加了CDP（选老办法），与ABtest（测新办法），更容易选出好办法

整体过程，可以看下图的详细描述：

这阶段最流行的就是OSM方法，通过逐级分解/量化指标，推动决策落地（如下图）

注意：想实现驱动效果，需要的是在决策过程每个环节，配置合适的数据工具，分别发挥作用。是一套工具的组合，而非一个超厉害的模型或者公式，计算出超厉害结果。

在整个工作过程中，技术上最大难点在于数据采集，要保障高质量、多维度的数据收集且不拖项目整体进度，是个非常麻烦的事。业务上的最大难点，在于共识。如何避免争吵，争取认可是关键（如下图）

到这里就介绍完了。但是肯定有同学好奇：这管理理论看起来也不复杂呀，为啥我在现实中就看不到呢？那是因为理论和现实总有差距，具体到企业里，各种奇葩人和事层出不穷。

五、为什么你感受不到数据驱动决策

问题1：人/制度/系统落后。

• 相当多的企业不重视数据建设，特别是数据采集与流程规范。
• 相当多的企业制度还停留在原始阶段，大干快上。
• 相当多的企业领导还在用野蛮管理方法。

时代变了，人/制度/系统不变，一切还是不会变。

问题2：私心太重，刻意扭曲数据。

很多领导也就是嘴上喊喊数字驱动，实际上只是拿数据当牌坊，好看的数字多写，不好看的数字变着法改好看，实在不行就甩锅给“我司没有人工智能大数据分析能力”，这样铁定实现不了数据驱动，而是在玩数字游戏。

问题3：盲目迷信人工智能大数据。

注意：从数据驱动的演化过程可以看出，想实现数据驱动，需要的是前中后期的分工，是报表、管理模型、算法模型、测试平台、专题分析的相互配合，不是一个“超牛逼智能模型”Duang！一声就模出来的。然而总有人不信，总有人以为电脑里住着一个无所不知的“模型”能一模定乾坤，最后自然各种悲剧收场。

问题4：过于重视指标，忽视标准建设。

这是数据分析师们常犯的问题。一讲分析，张嘴就是几十个数据指标，可到底哪个是主指标，哪个是副指标，哪个是参考指标。到底哪几个指标组合起来看，到底指标数值是多少算好，多少算差。没有清晰的标准，没有和业务共识。最后只知道罗列数据，无法下判断结论。

问题5：与业务脱节，对业务流程缺少数据积累。

这是数据分析师们常犯的问题。每天就知道盯着GMV，流量，DAU，MAU，转化率几个指标，对业务流程一窍不通，对不同业务手段的效果没有观察积累，最后除了翻来覆去啰嗦几个指标，就只会说：要搞高，要保持，全是废话，更无法驱动决策。

六、小结

数据驱动决策,需要的是业务流程与数据紧密配合，领导层参与推动，才能实现的事。数据驱动决策，从来都不是一个神机妙算的世外高人，拿着数据口念咒语：“妈咪妈咪轰”就轰出来一个惊天地泣鬼神的结论，这是基本常识。

落后的人、落后的系统、落后的流程，都会让数据浮于表面。因此即使短时间内看不到成果也不要失去信心，这些落后的人和事，最后都会被淘汰在历史里。作为从业者，我们要多锻炼的是自己的能力，才有机会加入更好的平台，做出更好的项目，与大家共勉。