八張圖,看懂數據分析如何驅動決策

2021年01月19日 14:38 來源:接地氣學堂 作者:接地氣的陳老師

接地氣的陳老師,微信公眾號:接地氣學堂(微信號:gh_ff21afe83da7)。資深咨詢顧問,在互聯網、金融、快消、零售、耐用、美容等15行業有豐富數據相關經驗。

數據驅動決策,是大家天天掛在嘴邊的時髦詞匯。可到底數據是如何驅動的?很少有同學真正看到過全流程。更有同學總疑惑:“自己被人追著屁股要數,感覺自己才是被驅著動的“。今天系統講解一下,拒絕跟風。

 1  

最原始的決策流程

首先,做事情是否一定需要數據,答:完全不需要。理論上,做事情只要兩橫一個豎:干就完了奧力給!所以最簡單、無腦的做事方式就是(如下圖)

 

圖片

但是大家都知道,這么空洞的打雞血喊口號,是種除了逼死員工以外沒屁用的方法。因為實在太無腦了。干什么,怎么干,干成啥樣,都不知道。

 2  

科學決策的雛形

因此這種原始的決策很快進入到第二階段:三拍階段(如下圖)

 

這種三段式決策,已經具備了科學管理的雛形,并且隨著80年代末、90年代初承包制的普及,大放異彩。以至于很多50、60后的領導以及受他們影響的70、80后領導,都還喜歡沿用:干什么,怎么干,干啥樣這種三段式說法。在文章、書籍里也很普遍。

 

然而,這并不是真正意義上的科學管理。因為太粗糙了。特別是干什么,往往是領導自己拍腦袋定,他們最喜歡的口頭禪是:“你先達成個小目標,掙它1個億”至于為什么是1個億,為什么非得掙錢而不是占領市場,從來沒有深入分析與解釋。決策拍腦袋的結果,就是當面拍胸脯,出事拍大腿。因此才有了“三拍”的戲稱。

 3  

從粗放到精細 

想要提升決策的精細化程度,就得引入數據度量和數據分析,可以說,數據分析天生是為科學管理服務的。有了數據的支持,能夠做大量精細化管理。

決策前:

  1. 量化評估經營現狀,收入、支出、利潤。
  2. 根據市場、對手、消費者數據,評估機會點與威脅。
  3. 根據過往業績走勢,發現自然變化規律,制定更合理的目標。

決策中:

  1. 量化評估備選方案所需的時間、人力、物力投入。
  2. 根據過往表現,量化評估方案可行性,評估預計完成率。
  3. 根據過往業績走勢,發現自然變化規律,制定更合理的目標。

決策后:

  1. 量化監督執行過程,發現執行問題。
  2. 分析執行手段,評估優化、調整的措施。
  3. 復盤執行效果,檢查目標實際完成,總結經驗。

  

到了這個階段,已經實現了數據驅動決策和數據化管理。這個階段最經典的就是PDCA理論。它將決策過程分為PDCA四個階段:

  • Plan計劃
  • Do執行
  • Check檢查
  • Act處理

通過循環迭代,確保目標落地,逐步提升質量(如下圖)

 聽起來似乎到這里,數據驅動決策已經做到頭了。在原理上確實如此,很多經典的管理理論都是建立在這個階段。后續的主要進化,體現在技術方面。因為獲取數據,本身是一件非常艱難,且非常需要技術支撐的工作。因此技術手段的高低,直接決定了管理理論能否落地,能否創新。 

相當多的經典管理模型,比如AIDMA、PSM、雙盲測試(ABtest)都是建立在調研問卷的基礎上的。雖然理論上調研問卷能問回來一切數據,但是調研有天生的局限:

  1. 人記憶力有限,數據準確度不高
  2. 人精力有限,問題不能太多,選項不能太復雜
  3. 人有惰性,A選項永遠選的最多,3分、5分的比例永遠最高

受以上限制,好問卷成本高,周期長,獲取數據速度賊慢賊慢。

因此,后續的管理方法進步更多是伴隨著數據采集方法的進步,越做越精細。

 4  

更精細的數據驅動流程 

更精細的數據驅動手段,都是技術驅動的:

  1. 有了OMS/CRM系統,可以更即使采集交易+用戶數據
  2. 有了APP/小程序+數據埋點,可以采集用戶行為數據
  3. 有了豐富的數據,可以完善用戶畫像,可以做預測模型
  4. 通過CDP/ECRM等工具,可以直接把數據推給業務執行

有了技術支持,在管理上細節也更豐富(如下圖) 

交于上個階段,主要增加的內容包括:

  1. 從整體目標分解到各部門、各環節子目標,逐級落實
  2. 更清晰地區分指標與判斷標準,引入綜合評估方法
  3. 增加了CDP(選老辦法),與ABtest(測新辦法),更容易選出好辦法

整體過程,可以看下圖的詳細描述:

 這階段最流行的就是OSM方法,通過逐級分解/量化指標,推動決策落地(如下圖)

 注意:想實現驅動效果,需要的是在決策過程每個環節,配置合適的數據工具,分別發揮作用。是一套工具的組合,而非一個超厲害的模型或者公式,計算出超厲害結果。在整個工作過程中,技術上最大難點在于數據采集,要保障高質量、多維度的數據收集且不拖項目整體進度,是個非常麻煩的事。業務上的最大難點,在于共識。如何避免爭吵,爭取認可是關鍵(如下圖) 

到這里就介紹完了。但是肯定有同學好奇:這管理理論看起來也不復雜呀,為啥我在現實中就看不到呢?那是因為理論和現實總有差距,具體到企業里,各種奇葩人和事層出不窮。

 5  

為什么你感受不到數據驅動決策 

▌ 問題1:人/制度/系統落后。

  • 相當多的企業不重視數據建設,特別是數據采集與流程規范。
  • 相當多的企業制度還停留在原始階段,大干快上。
  • 相當多的企業領導還在用野蠻管理方法。

時代變了,人/制度/系統不變,一切還是不會變。 

▌ 問題2:私心太重,刻意扭曲數據。 

很多領導也就是嘴上喊喊數字驅動,實際上只是拿數據當牌坊,好看的數字多寫,不好看的數字變著法改好看,實在不行就甩鍋給“我司沒有人工智能大數據分析能力”,這樣鐵定實現不了數據驅動,而是在玩數字游戲。

▌ 問題3:盲目迷信人工智能大數據。  

注意:從數據驅動的演化過程可以看出,想實現數據驅動,需要的是前中后期的分工,是報表、管理模型、算法模型、測試平臺、專題分析的相互配合,不是一個“超牛逼智能模型”Duang!一聲就模出來的。然而總有人不信,總有人以為電腦里住著一個無所不知的“模型”能一模定乾坤,最后自然各種悲劇收場。

▌ 問題4:過于重視指標,忽視標準建設。   

這是數據分析師們常犯的問題。一講分析,張嘴就是幾十個數據指標,可到底哪個是主指標,哪個是副指標,哪個是參考指標。到底哪幾個指標組合起來看,到底指標數值是多少算好,多少算差。沒有清晰的標準,沒有和業務共識。最后只知道羅列數據,無法下判斷結論。

 ▌ 問題5:與業務脫節,對業務流程缺少數據積累。    

這是數據分析師們常犯的問題。每天就知道盯著GMV,流量,DAU,MAU,轉化率幾個指標,對業務流程一竅不通,對不同業務手段的效果沒有觀察積累,最后除了翻來覆去啰嗦幾個指標,就只會說:要搞高,要保持,全是廢話,更無法驅動決策。

 6  

小結 

數據驅動決策,需要的是業務流程與數據緊密配合,領導層參與推動,才能實現的事。數據驅動決策,從來都不是一個神機妙算的世外高人,拿著數據口念咒語:“媽咪媽咪轟”就轟出來一個驚天地泣鬼神的結論,這是基本常識。

落后的人、落后的系統、落后的流程,都會讓數據浮于表面。因此即使短時間內看不到成果也不要失去信心,這些落后的人和事,最后都會被淘汰在歷史里。作為從業者,我們要多鍛煉的是自己的能力,才有機會加入更好的平臺,做出更好的項目,與大家共勉。

《業務知識一站通》長按掃描二維碼了解陳老師的視頻課程還可加入學員群享受陳老師一對一咨詢服務

本文已獲得授權,轉載請與原作者聯系

更多互聯網行業動態>>請關注微信公眾號“我要啦統計”(微信ID:Analysis_51la)