一、什么是数据思维
我们判断和分析事物的变化形成结论,一般有两种方法,一种是通过对事物所涉及的一系列数据进行收集、汇总、对比、分析而形成结论。另一种是通过感官、经验、主观和感性判断而形成结论。前者可以称为“数据思维”,后者可以称为“经验思维或传统思维”。
数据思维是用数据来探索、思考事物的一种思维模式,用数据来发现问题、洞察规律、探索真理。企业的数字化转型过程需要的数据思维,就是用数据思考、用数据说话、用数据管理、用数据决策、用数据创新。
-
- 用数据思考,就是实事求是、坚持以数据为基础理性思考,避免情绪化、主观化,避免负面思维、以偏概全、单一视角。
- 用数据说话,就是要杜绝“大概、也许、可能、差不多……”,而是要以真实的数据为依据,基于合理、有逻辑的“推论”,去说服别人,去汇报工作。
- 用数据管理,就是对客观、真实的数据进行科学分析,并将分析结果运用到生产、营运、销售等各环节的业务管理过程中。
- 用数据决策、创新,就是要以事实为基础、以数据为依据,通过数据的关联分析、预测分析、事实推理获得结论,避免通过直觉做决定和情绪化决策。
我们要注意,数据思维并不是将事物单纯地数字化,而是要求形成定性的描述和结论。
经常看到一些数据报告汇报了一些列数据,但并未形成结论,这就不叫数据思维,而是单纯地引用数据。如:
-
- 2017 年第三季度,某品牌在江苏地区的三个销售代理商分别完成销售 130.4万、210.5万、98.6万,共计 439.5万
- 去年同期他们分别完成销售额 110.2万、150.3万、96.3万,共计 356.8万
这个例子中列举了很多经营数据,但并没有最终结论:第三季度总销售额 439.5万是多还是少?三个代理商的销售额占比是否合理?和竞争对手相比,发展速度如何?
我们调整一下上述示例,就是数据思维的成果了。
-
- 2017 年第三季度,某品牌在江苏地区的三个销售代理商 A、B、C 分别完成销售 130.4万、210.5万、98.6万,共计439.5万;去年同期他们分别完成销售额110.2万、150.3万、96.3万,共计356.8。总体同比增长了23.2%,有明显增长,但并未达到预期的30%。
- 根据市场调研数据,竞争对手 XXX 今年第三季度实现 38% 的增长。而其中在 C 代理商所负责的区域,竞争对手达到200% 的爆发式增长,销售额达到约 320万~350万,公司需要对 C 代理商进行重点关注,做出适当调整。
所以只有数据没有结论,这不是数据思维。
二、数据思维中的认知陷阱
数据思维具有可简化、可量化、可创新、追求真理等特点。数字化时代,每个人都应该建立起用数据思考,用数据说话、用数据管理、用数据决策的思维模式,培养用数据来发现问题、解决问题能力。
数据很重要,然而,企业在数据驱动的数字化转型的过程中,也要避免掉入数据思维中的认知陷阱。
1、数据不是越大越好
数字化时代,随着企业对数据的重要性的认识越来越高,以及数据收集的技术、方法越来越完善,即便是小公司也可能轻易拥有海量的“大数据”。企业在数据的收集和分析和过程中,应避免掉入“大而不全”的陷阱。
企业的数据分析,不一定是收集的数据量越大越好,而更应该注重数据的完整性,重视数据治理,以实现全维度、全过程、全场景的数据分析,支持企业的数字化转型。
2、有数据不一定有真相
有数据也不一定有真相。数据很重要,但也不要过于迷信数据。数据分析样本的片面性、时效性、数据本身的质量缺陷都会导致数据结果失真。即使数据分析结果是真实的,也需要我们在实践中不断去验证。
3、不能只依赖数据
数据分析中的不确定性,来自于数据收集,数据处理,数据分析等过程的不确定性,数据收集是否完整和齐全,数据处理是否合理和准确,数据分析是否及时和有效,结果的解读是否标准一致等等,几乎每一个环节都存在不确定性。
不确定性让管理变得扑朔迷离,各种表象掩盖了事实。如果企业管理者缺乏对信息和数据的洞察力,缺乏透过信息表象追溯本源的分析判断能力,缺乏大局观和利弊差异的决断能力,缺乏决策后可能后果的预测预防推算能力,即使有了客观完整的数据,也不会让企业管理变得简单。
数据能够为业务赋能,但也要清楚事物是动态变化的,任何预测都存在不确定性,必经结合现状和需求,通过“数据和业务的双引擎驱动”循序渐进地推动企业的数字化转型。
三、数据思维培养方法
企业数字化转型,数据思维该如何建立和培养?
1、培养对数据的敏感度
数据敏感度是对数据感知、计算、理解能力,是通过数据的表象理解事物本质的程度。对数据敏感的人,看到数据能够找出问题,找到规律,发现机会或做出决断;对数据不敏感的人,看到数据只会问这是什么,这反映了什么,这能说明什么;对数据毫无敏感而言的人,“数据就是数据”,甚至不会想到以上问题。
人并非天生就会对数据产生敏感度,人们对数据的敏感度来源于经验的积累,看的数据越多,种类越丰富,处理的问题越多、敏感性就越强。
2、培养理解和使用数据的能力
“数据为王,业务是核心”,与其说培养理解数据的能力,不如说是理解业务的能力。只有将数据置于业务场景中,数据才能变得有意义。企业数据化转型过程中,要求数据管理和数据分析人员懂业务,理解数据的对业务价值;要求业务人员要懂数据、会使用数据。
对于数据管理或数据分析人员,要能够看得懂数据并理解数据背后的业务含义。
-
- 首先,需要你摸清楚企业的核心业务价值链,甚至企业多处行业的整个产业链业务情况。
- 其次,你需要逐步了解企业都涉及哪些业务域,每个业务域中包含哪些业务流程,每个业务流程之间的斜街关系,以及每个业务的输入输出等。
- 最后,在理清楚业务域以及业务流程的输入输出后,需要对详细列出每个业务的绩效考核指标(KPI),再通过对每个指标进行更细致的拆分,最终落地的内容数据数据分析所需的报表、指标、维度、明细等。
对于业务人员,要懂数据,会使用数据指导业务开展。数据源于业务,并服务于业务。作为业务人员,
-
- 首先,你要知道数据对业务的重要性,清楚数据的标准,按标准规范输入数据,并确保数据结果的正确输出。
- 其次,你要能够识别业务数据的真伪,判断数据质量的优劣,并能够为数据质量的改善提供必要的改进建议。
- 最后,你还需要加强对数据管理和数据分析工具的掌握,利用数据管理工具将数据合理、正确、规范的管理起来;利用数据分析工具自助进行分析建模、场景设计、数据探索、价值挖掘。
3、培养问题拆解的能力
数据思维的核心在于用数据发现并解决问题,学会用结构化、量化的思维方式去分析问题、拆解问题、解决问题,能够让我们事半功倍。
比如要做一个数据分析报告,谈一谈如何用数据做业务预判、如何用数据赋能业务,提升产品销量,实现业务增值:
-
- 要搞清楚业务的目标是否明确,如果目标不明确,则先明确目标。例如:通过收集和分析现有的数据报表情况对销售业务现状进行研判,找出改进点。
- 在明确业务目标之后,要搞清楚是否有业务判断的标准,判断标准一定要建立起来,不然提升多少才算好都不知道,事后难免陷入扯皮和纠结。例如:XX产品同比增长20%
- 定了判断标准之后,要分析用什么样的策略支撑实现这个目标。例如:优化推荐算法、增加线下营销活动等。
- 在明确了实施策略之后,要制定策略执行计划。例如:算法的升级需要谁来负责、什么时间完成?
- 在明确行动计划之后,还需要通过数据来监控执行情况,并实时反馈执行的效果。
4、培养用数据说话的习惯
数字化时代,每个人都应该具有量化思维,习惯用数据说话。用数据说话不是单纯的使用“数字”,而是用数据来支持观点,做到有理有据。
-
- 在一定程度上,数据就是证据和事实,用数据说话,能够增强你的说服力
- 数据可以揭露问题,发现本质,用数据说话,可以辅助你做出正确的决策
- 用数据说话要有量化思维,简化思维,还要尽量避免使用太过专业的术语
四、数据指标
业务发展过程中,企业内外部都会产生很多的业务数据,对这些数据进行采集、计算、落库、分析后,形成的统计结果称为指标。指标是业务被拆解、量化后形成的数量特征,包括定性和定量两部分内容,定性部分通常在指标中指维度,用来描述指标的观察视角,定量部分指度量,用来描述指标的数值结果。基于指标结果,企业可以衡量和监控自身运行状态、业务成果、战略实施效果等。
简单来说就是可将某个事件量化,且形成数字,来衡量目标,在日常工作中大家都会应用到。指标主要由维度、汇总方式、量度三要素构成:
-
- 维度:从什么角度去衡量
- 汇总方式:用什么方法去衡量
- 量度:用来明确衡量的计量单位
如「某学校 2023 年新生人数」这个指标,维度就是年份;汇总方式为 2022 年新同学个数求和,量度就是单位,多少个、多少位、多少名这种。
指标体系则是围绕某一业务主题,基于一定的逻辑关系和层次结构,将相互独立又彼此关联的指标连接起来组成的有机整体。指标体系是对业务过程的全面完整的刻画,同时也涉及对指标的分类分级和标准化管理,以此来综合判断影响业务发展的市场、企业管理等因素的具体情况,基于数据的变化做决策优化、战略迭代等,进而实现业务的稳健增长。
我们以销售指标体系为例来看下指标体系和指标之间的关系。在销售指标体系中,用销售金额来衡量销售活动的直接效果,用销售订单数来衡量销售活动规模,在此基础上产生订单单价=销售金额/销售订单数,用于衡量产品价值。基于销售金额拆分,销售金额=销售回款金额+销售在途金额。而在分析销售表现时,则可以从不同维度来剖析这些指标,如按时间序列分析销售趋势,按地区分布揭示销售热点,按商品类别研究产品销售结构等,从而基于这些数据驱动的洞察作出更为精准的决策优化和战略迭代,推动业务稳健增长。
指标体系作为联结业务逻辑与数据实体的关键桥梁,是构建高质量数据统计的基础单元,并在量化业务绩效和效果评估中扮演着核心角色。构建完善的指标管理体系:
-
- 一方面旨在推动数据统计架构的规范化与标准化,确保数据源头的一致性和计算口径的统一性,从而为搭建可靠的数据分析框架及落地全面的数据管理策略打下坚实基础;
- 另一方面,通过设计灵活而具有代表性的指标体系,企业能够赋予业务人员强大的自主分析能力,使他们能在实际工作中自如运用数据洞察业务表现,有效支持战略规划与战术执行,最大限度地挖掘数据潜在的价值,为企业可持续发展和高质量运营提供有力保障。
数据指标拆解步骤及示例:
五、数据分析
1. 数据分析概念
数据分析的本质,是把思维建立在牢固的事实基础上,通过有逻辑的分析,推理出接近真相的答案。数据分析代表了理性、严谨、缜密的思考过程。
我们常说的相关分析、回归分析、 SWOT 、 PEST 、都是一些分析的思路和方法。在实践过程中,不是一个方法一路应用到底的,而是组合起来,从搞清楚发生了什么问题开始,到跟踪问题解决结束的。
2. 日常积累
收集信息,理解业务背景:理解业务背景,就是要理解业务在干什么,为什么要干这些事。真正明白业务的需求,而不是业务让我干这件事。
3. 分析前期准备
1)把具体问题转化为需求
数据分析需求:
-
- 是什么(评估):梳理评估标准、单维度定量评估、多维度定量评估、分类评估
- 为什么(原因):有假设(验证)、无假设(探索)
- 会怎样(预测):基于发展趋势、基于驱动原因
2)定义问题,总结方法
方法总结:
-
- 清晰描述问题(不能听需求者说要一个什么样的东西,而是要了解为什么要这个东西)
- 划分问题的边界
- 区分问题类型(是什么、为什么、怎么样)
- 明确输出产物
- a. 是什么:明确输出数据、数据报表,明确判断标准、判断依据是什么;
- b. 为什么:列出原因123,判断哪个原因影响最大;
- c. 会怎么样:列出预计123。
4. 分析过程
1)梳理流程,认清现状
梳理流程的方法总结:
-
- 目标要分清,要明确,要聚焦;
- 拆分过程中达到目标的步骤越细越好;
- 每一个步骤能干什么框出一个范围;
- 确认数据记录了哪些没记录哪些(没记录的有没有可能多记录一些)。
2)明确评判指标
指标可分为两种类型:结果类指标、行为类指标
-
- 结果类指标:指向最终结果,相对容易量化,多见于结果类问题(针对结果发问)。
- 行为类指标:指向达成结果的1、2、3步骤,相对难量化,但越接近结果则越具体,多见于过程类问题(针对过程发问)。
一般分析过程类的问题,会将行为类指标与结果类问题(指标)进行捆绑,进而综合评估。
3)寻找问题产生的原因
寻找原因有两种方法:演绎法与归纳法
-
- 演绎法的适用场景:过程清晰的时候,能相对清晰地了解问题发生的逻辑。
- 归纳法的适用场景:当过程是个黑箱的时候,无法知道具体问题的发生逻辑。
4)评估方案提出分析建议
如何提解决方案,并评估方案的可行性:
-
- 解决方案:问题定义清楚后,从方法库中选择合适的建议(过往的经验,对手的经验)
- 方案是否可行:不违反业务逻辑;符合时间、成本等条件限制;能达成预期目标
- 利用业务假设,预测问题未来情况(业务假设法的基础:假设发展趋势不变)
提炼业务假设:
-
- a. 可变量:一般是业务部门直接努力可以提升的指标
- b. 假设常量:一般设在一定范围内稳定的转化率指标
- c. 找关键变量:找到驱动业务的核心因素,才能设公式
- d. 设定假设常量与可变量
- e. 设定假设常量范围:通过经验总结
5. 分析后总结
阶段性汇报、总结汇报。数据分析报告格式示例:
1. 标题页:
1.1 解释基本观点
1.2 概括主要内容
1.3 交待分析主题
1.4 提出问题
2. 目录
3. 前言
3.1 分析背景
3.2 分析目的
3.3 分析思路
4. 正文
5. 结论与建议
6. 附录
总结下来:
-
- 第一,有两个流程都在关注:一是业务真正的需求是什么;二是为什么要这个需求。
- 第二,分析过程最重要的是有业务假设,有了假设才能找到原因、给出方案。这两点需要在后续的工作和能力培养中重视起来。