• 卢经理 151 5399 4549
    扫一扫,加我咨询
扫码关注我们
数据分析,如何驱动科学决策
发布时间:2023-10-09

“数据分析要支持管理层做出科学的,准确的决策”

——这是很多企业对数据分析师的要求。然而问题来了:到底咋个支持法?!为啥辛辛苦苦码了一大堆数据,还是被说:没啥用?

一、剥去决策的神秘面纱

很多同学一听到“决策”俩字就怂了。对“决策”的第一印象,就是各种听不懂的高大上词语,什么“把握机遇”“苦练内功”“真抓实干”……这些东西咋个和数据扯上关系?

如果只看这些玄幻词语,确实和数据没啥关系!所以想要数据支持决策,第一步,就是剥去决策的神秘面纱,用最简单直白的数据模型来描述决策这件事,这样才能做到可量化,可分析。

举个最直白的例子,一个小伙好不容易盼到周末,终于可以跟女朋友约会了!那么他该怎么办呢?这就是一个典型的决策问题。

二、决策的三大要素

要素一:决策目标。

提高女朋友满意度。

要素二:决策层级。

最高级决策:要不要出去玩(要/不要)

次一级决策:要去哪里玩?(已决定:要玩,再考虑:近郊/远郊、室内/室外)

次二级决策:要去哪个具体场所玩?(已决定:远郊,室外,再考虑:公园/游乐场/景点……)

次三级决策:要怎么去?在哪里吃饭?怎么回?(已决定去郊区著名景点,决定行程细节)

要素三:评价因素。

比如基于以下因素,决定出去找个地方玩:

1、现在是秋天,天气好

2、女朋友喜欢出去玩

3、附近有个几个景点口碑还不错

4、附近这几个景点还没去过

这些就是支撑“出去玩”的评价因素。评价因素是用来判断决策是否科学的重要依据。

因为很有可能决策人在谋划阶段思考的因素,在现实中不成立,比如:

1、现在是秋天,天气好——这两天突然很阴沉想下雨

2、女朋友喜欢出去玩——但是这两天没心情

3、附近有个几个景点口碑还不错——但是女朋友听闺蜜说这都不好玩

因此,根据实际情况作出评价,修正决策,就变得非常重要。

三、决策的四大原则

在做决策时候,有几个基本原则:

原则一:清晰决策目标。

如果目标是“我得尽快甩了她”,那后边就想着怎么冷暴力好了。

原则二:决策层级围绕决策目标构建。

如果目标是“讨好女朋友”,那后边就不要想着周末自己憋家打一天游戏,然后扣个可乐拉环当戒指糊弄过去。

原则三:每一级决策受上一级制约。

如果已经选了去远郊,出行方式就只能考虑:租车/打车,最好公交都不考虑。

原则四:每一级决策有自己的评价因素。

决策人根据实际情况,修正评价因素。

了解了这四大原则,我们可以进一步看:数据在决策中的作用。

四、数据如何支持决策

注意:决策是个业务能力,理论上跟数据没啥关系!就像小伙子去约会,如果他高大英俊,气质不凡,腰缠万贯。那即使他啥都不做,都有大把女生扑上门来,满意度还贼高。

BUT!小伙们自己照照镜子,每日三省吾身:高否?富否?帅否?绝大部分小伙既没有倾国倾城的相貌,又没有亿万身家,这时候就得认真思考该怎么和女孩子相处。这时候,又会冒出来更多问题。

问题一:压根不知道干什么。很多钢铁直男除了傻憨憨地问好,就不知道干啥了。有几个餐厅,几个公园,几个游乐场,有啥电影可以看,全不知道。这咋进一步决策嘛。

问题二:知道有可以做的事,但不会评估。知道上海有迪士尼,广州有长隆,就憨憨地拖着女朋友去,天气咋样,有没有心情,一概不考虑,结果无辜被喷。

问题三:评估层级不够细,越往细节问题越多。女朋友想去长隆,于是兴冲冲定了票,至于交通咋走,去了咋吃,准备多少钱,全没安排,结果一路搞得小姑娘又饿又累,花钱不讨好。

当遇到不知道,不明确,算错数的情况,就是数据发挥作用的时候了!

这时候数据可以:

  • 澄清现状
  • 梳理逻辑
  • 计算过程

从而支持决策。

决策的科学性和准确性,也可以一定程度上通过数据保证。

所谓的决策不科学性:原本可以出去玩,结果非宅家惹女朋友不开心。或者本来可以去景点,结果因为不知道,所以没去。通过数据澄清现状,梳理逻辑,可以避免这些问题。

所谓的决策不准确:原本该打车,结果算错了时间和距离,做了公交,把女朋友累得半死大发脾气……

虽然数据不能直接告诉你科学、准确的决策是啥。但是是否当前的决策不科学、不准确,有多大概率是科学、准确的,是可以评估的。

故事到这就讲完了,估计很多小伙仰天长叹:诶呀吗,你看我都没有女朋友。可见决策是个多么难的事呀!实际上,在企业里做决策,比追女朋友容易得多。

五、企业经营决策与数据分析

之所以在企业里做决策比自己追女朋友容易,是因为但凡有点规模的企业,都有组织架构和人员分工,但凡是个正规企业,都有清晰的经营范围。因此只要能了解企业的业务特点,部门分工,就能按图索骥弄清楚决策特点。这可比猜女生的心思容易太多了。

站在数据角度,企业决策的内核并不复杂,其核心,就是:

  • ABC指标,做哪个?
  • 从多少,做到多少?
  • 多长时间内做完?

这三个问题答完即可,剩下的是具体执行问题。不同部门、不同等级的领导,关心的指标肯定不同。

部门间的区别:

  • 战略发展部:全公司经营性指标
  • 销售部:销售金额、销售数量、销售回款……
  • 运营部:总用户数、新增用户数、活跃用户数……
  • 供应链:生产订单数、产品供应数、物料使用数…… 

领导等级也有区别:

  • 公司级高管:战略性问题,如发展路线,考核标准,职责划分
  • 部门级领导:战术性问题,比如具体做哪些产品线,哪些客群,任务分配
  • 小组及领导:战斗性问题,比如是早上干还是晚上干,颜色红色蓝色,按钮左边右边

并且,很多决策是有固定套路的,比如对于单产品,有三种典型策略(如下图)。

图片图片

对于多产品线/业务线,也有三种典型策略(如下图)。

图片图片

所以对各种业务的数据形态有积累以后,就能很容易照葫芦画瓢,帮领导理清决策逻辑(如下图)。

图片图片

六、数据支持决策的难点

实际工作中,数据支持决策之所以难,主要难在:

1、不懂业务,部门、层级、分工、目标完全弄不清

2、没有分清决策层级,不是做的太浅,就是一下扎的太细

3、没有列罗每一级的评估因素,评估不够充分,不能说服人

当然,更糟糕的做法,是试图建立一个神威无敌大将军超牛逼模型,一模解千愁,把各种各样的问题都分析清楚。真要有这么厉害的玩意,强烈建议不要打工了,直接去炒股,一摸一个准,下个世界首富就是你,欧耶!梳理问题逻辑,层层递进,多种方法组合,才是支持决策的正道。

然鹅,总有那种很作的女朋友:

  • 你问她想去哪玩,她说随便
  • 你建议去室内的,她说无聊
  • 你建议去郊外,她说太累
  • 你说咱们讨论讨论,她说你直男!没脑子!
  • 你怎么就不能读懂女孩子心呢

就是得我嘴上啥都不说,你一下精准猜出我的想法真要是谈恋爱遇到这种姑奶奶,强烈建议直接踹了省事,咱伺候不起。