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。
这篇文章写得太棒了,让我受益匪浅,感谢作者的分享!
说的很详细,涨知识了
忙了一天,终于可以休息会看看文章了。![:roll:](//image.woshipm.com/s/dabing.gif)
看完这篇文章,我对这个话题有了更深的理解,作者的分析很有逻辑,很有说服力。
这一看,心里好受多了。