框架梳理|数据化管理的四个层次

框架梳理|数据化管理的四个层次

数据的重要性不言而喻,已经被越来越多的公司接受、熟知和应用。那么关乎数据,到底在哪些方面可以促进业务的腾飞?或者换种说法,业务对数据有哪些层次的需求?还有,数据对管理有哪些方面的贡献?

依据我多年在数据分析岗位上的工作经验和对业务的理解,业务对数据的需求可归纳为四个层次。

第一层:知其然

就是知道数据是多少,发生了什么情况。就如目前大多数企业都会有自己的数据库,严格一点会有对应的系统对应的业务数据库,数据收集的工作已经完备了,无论是通过报表还是数据分析的手段,都可以掌握发生了什么,程度如何,建立数据监控体系,做到“知其然”。也有一些企业,在管理内部数据的同时,也在考虑外部数据的引进,向第三方机构买数据,观察行业整体趋势、政策环境的影响,其次了解竞争对手的表现。这样的数据工作是长期的也可是周期性的管理。长期的可尽力数据展现模板,形成一定的管理规范,固化下来。短期性的比如监测某次营销活动的情况,可联合IT部门或者数据分析师自己动手,做到严格的“自省”。

1、数据是散的,看数据需要有框架。

数据展现很有讲究,把数据放到业务框架,能体现业务分析,才能发挥整体价值。所谓有效的框架至少包含两重作用:

(1)不同层级的人对数据的需求不同。比如市场销售数据,业务层需要指导自己每日指标的完成情况和等级排名,需要提交每日每周每月的数据。领导层需要知道固定周期的业绩完成率,各地区销售额,营销成本和组内业绩排名。管理层,CEO级别的可能需要知道每个业务部门的一些关键指标,比如总营收,市场增长率,重要的研发进度等等。有效的框架能够让不同的人各取所需。

(2)好的框架能定位问题,指导决策制定。例如电商销售额下降了30%,业务很可能出现了重大问题。我们需要分析问题原因,但如果只从客单价、交易单数、转化率难以说明问题,好的业务分析框架能够支持我们往下钻,从品类、流量渠道等找到问题所在,找到对应负责人。这也是我们通常所说的,看数据要落地。

2、数据,有对比才能考量。

日销售额100万,你说多还是少呢?一个孤零零的数据是很难说明问题的。数据判断要么有一个参考的指标,要么有能准确判断趋势的指标数据,如增长率上升率。这样一个基准可以是历史总结的同期数据,也可以是行业的平均水平,也可以是预先设定的而目标,一切脱离目标的数据分析都是“耍流氓”。

第二层:知其所以然

遇到问题寻找原因这是很顺当的衔接。但走到这一步还不够,解决问题才是真理。数据结合业务,找到数据表象背后的真正原因,解决之。解决问题的过程就会涉及数据整理、加工,还会涉及数据分析模型的建立和工具,这在以往的篇幅已经介绍的够多的了。

在第二层里也有两点分享:

1、 数据是客观的,但对数据的解读可能带有主观意识。

数据本身是客观的,但解读数据的人都是有主观能动性的。这样的问题往往是因为多数人通多数据先对问题定性,而不是通过问题解决问题,这样的事儿总有发生。

2、懂业务才能真正懂数据。

笔者认为,数据分析业务占6分,方法占4分。不懂业务无法理解数据的真正含义也是有理可寻的,这里特地拿出来强调一下。

第三层:辅助业务,发现机会

利用数据可以帮助业务发现机会。举个电商的例子,通过用户搜索的关键词与实际成交的数据比较,发现有很多需求并没有被很好地满足,反映出需求旺盛,但供给不足。假如发现了这样的细分市场,公布出来给行业小二,公布出来给卖家,是不是可以帮助大家更好地去服务消费者呢?这个例子就是现在我们在做的“潜力细分市场发现”项目。

讲这个案例不是想吹牛数据有多厉害,而是想告诉大家:数据就在那里,有些人熟视无睹,但有些人却可以从中挖出“宝贝”来。差异就在于商业感觉,对数据的直觉。搜索数据和成交数据很多人都能够看到,但并没有人把这两份数据联系在一起,这背后体现出的就是商业的感觉。

第四层:建立数据化运营体系

我理解的数据化运营,包含了两重意思:数据作为直接生产力和间接生产力。

1、数据作为直接生产力。

数据作为直接生产力是指数据能将价值直接投入到前线,作用于消费者,时髦点讲就是“数据变现”,这也是大家最为关注的。以前有沃尔玛将啤酒和尿布两个产品关联摆放,引出了商品关联度的概念。如今,又有餐饮企业利用数据统计分析,选型餐厅面积,优化前后厅布置,使得单位面积营收最大。

2、数据作为间接生产力。

所谓间接生产力,是指数据价值不直接传递给消费者或企业,而是需要通过一系列的分析,制定策略传递给消费者,即通常所说的决策支持。数据工作者通常做的是产出报表、分析报告等供各级业务决策者参考。我们可以称之为决策支持1.0模式。然而随着业务开拓和业务人员对数据重要性理解的增强,对数据的需求会如雨后春笋般冒出来,显然单单依赖人数不多的分析师是满足不了的。授人以鱼不如授人以渔,让业务人员能够独立地进行数据分析,而不依赖于技术人员是我认为的决策支持2.0模式。

实现决策支持2.0模式有两个关键:工具和能力。

如果让他们和数据从业者一样,掌握SQL,学会SPSS,SAS甚至R和Python,大可不必要。现在自助型的BI工具等低门槛、用户体验良好的数据产品完全可以让用户快速上手,比如自助式BI工具FineBI,最佳的使用方式是让IT人员准备好数据,按照权限,业务人员可以自己决定分析维度,将分析字段拖入表中,类似excel的数据透视表。这是实现决策支持2.0模式的基础。

当然,这里讲的产品,不仅仅是操作功能集,还需要承载分析思路和实际案例。数据分析的门槛还是有的,深入的分析还是得往数据分析师方向走,这就会对大家提出一些其他的基本能力,比如统计学知识,数学能力等等。但是内心若有强大的意愿,有持之以恒的毅力,那都不叫事儿。

公众号:数据分析不是个事儿

常年分享数据分析干货,不定期分享好用的职场技能工具。

近期,将在我的公众号里写一个“数据分析入门系列”,感兴趣的可以关注。

编辑于 2018-12-13

文章被以下专栏收录

    分享数据化管理之道。 关键词:大数据、数据管理、数据挖掘、数据产品、行业研究