深度解读｜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，但对数据的解读则可能带有很强的主观意识。

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。

深度解读｜数据化管理的四个层次相关推荐

深度解读绩效管理PDCA循环（含操作指南、案例应用）
绩效管理的PDCA循环是一个重要的管理工具,它由四个步骤组成:绩效计划(Plan).绩效执行(Do).绩效评估(Check)和结果应用(Action).这个循环可以帮助组织不断地优化绩效,提高员工的工 ...
【读书笔记】数据化管理：洞悉零售及电子商务运营
目录 1. 什么是数据化管理 1.1 数据化管理的概念 1.2 数据化管理的作用 1.3 数据化管理的意义 1.4 数据化管理的四个层次 1.5 数据化管理流程 2.寻找零售密码 2.1 周权重指数 ...
《数据化管理》：洞悉零售及电子商务运营
小飞象·读书会当自己的价值没有提升时,去研究情商.为人处世,一点用都没有. 读书交流│5期数据化管理洞悉零售及电子商务运营 data analysis ●●●● 分享人:红星大家好,这里是小飞 ...
数据化运营需要的四个层次
数据的重要性已经被越来越多的公司.个人所熟知与接受,甚至于有过犹不及之势头.大数据的概念满天飞,似乎一夜之间人人都在谈论大数据,见了面不用大数据打招呼,好像就不是在数据圈子里混的了.那么,被外界传得神 ...
管理节点连接不上sql节点_华为云IEF智能边缘平台十万边缘节点管理技术深度解读学习笔记...
华为云智能边缘平台IEF首席架构师张琦在3月27-28日举办的华为开发者大会2020(Cloud)上,深度解读了十万边缘节点的管理技术,以及如何通过云原生技术和边缘计算结合,构建边缘计算实战场景中所需 ...
深度解读新档案法①：企业如何提高档案管理规范性？
上一次,我们列举了关于档案管理需要遵守的法律法规清单,想要了解详情的,可点击添加链接描述.关于如何依法进行档案管理,许多朋友仍有疑问.为此,我们开设了一个专栏,结合企业实践案例,详细解读档案管理的相关 ...
数据化管理：洞悉零售及电子商务运营 | 学习笔记 (全)
一.什么是数据化管理? 1.概念是指运用分析工具对客观,真实的数据进行科学分析,并将分析结果运用到生产,营运,销售等各个环节中去的一种管理方法 2.意义量化管理:如绩效KPI(key perfor ...
数据化管理洞悉零售及电子商务——零售策略中的数据化管理
零售策略中的数据化管理渠道策略的数据化管理渠道分类按代理-批发-零售三级渠道标准分类代理商按区域划分国代省代区域代理按渠道功能划分 KA渠道代理餐饮渠道代理特殊通路代理按重要性 ...
数据化管理洞悉零售及电子商务运营——电子商务中的数据化管理
电子商务中的数据化管理数据分析电子商务和传统零售的区别传统零售是利用二八法则生存,电商是靠长尾理论积累销售电商是大数据,传统是小数据电商:流量数据.会员数据.消费行为数据传统零售:主要集中 ...

深度解读｜数据化管理的四个层次

深度解读｜数据化管理的四个层次相关推荐

最新文章

热门文章