數據驅動決策，是大家天天掛在嘴邊的時髦詞彙。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：“自己被人追着屁股要數，感覺自己纔是被驅着動的“。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：幹就完了奧力給！所以最簡單、無腦的做事方式就是（如下圖）

但是大家都知道，這麼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。因爲實在太無腦了。幹什麼，怎麼幹，幹成啥樣，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，並且隨着80年代末、90年代初承包制的普及，大放異彩。以至於很多50、60後的領導以及受他們影響的70、80後領導，都還喜歡沿用：幹什麼，怎麼幹，幹啥樣這種三段式說法。在文章、書籍裏也很普遍。

然而，這並不是真正意義上的科學管理。因爲太粗糙了。特別是幹什麼，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”至於爲什麼是1個億，爲什麼非得掙錢而不是佔領市場，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。因此纔有了“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，數據分析天生是爲科學管理服務的。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。

決策後：

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、覆盤執行效果，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。它將決策過程分爲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）

聽起來似乎到這裏，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。後續的主要進化，體現在技術方面。因爲獲取數據，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，但是調研有天生的侷限：

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，選項不能太複雜

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，週期長，獲取數據速度賊慢賊慢。

因此，後續的管理方法進步更多是伴隨着數據採集方法的進步，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，可以更即使採集交易+用戶數據

2、有了APP/小程序+數據埋點，可以採集用戶行爲數據

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）

交於上個階段，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，技術上最大難點在於數據採集，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，在於共識。如何避免爭吵，爭取認可是關鍵（如下圖）

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

5

爲什麼你感受不到數據驅動決策

▌ 問題1：人/制度/系統落後。

● 相當多的企業不重視數據建設，特別是數據採集與流程規範。

● 相當多的企業制度還停留在原始階段，大幹快上。

● 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，不好看的數字變着法改好看，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，而是在玩數字遊戲。

▌ 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，需要的是前中後期的分工，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，總有人以爲電腦裏住着一個無所不知的“模型”能一模定乾坤，最後自然各種悲劇收場。

▌ 問題4：過於重視指標，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。最後只知道羅列數據，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。每天就知道盯着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，最後除了翻來覆去囉嗦幾個指標，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，拿着數據口唸咒語：“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。

落後的人、落後的系統、落後的流程，都會讓數據浮於表面。因此即使短時間內看不到成果也不要失去信心，這些落後的人和事，最後都會被淘汰在歷史裏。作爲從業者，我們要多鍛鍊的是自己的能力，纔有機會加入更好的平臺，做出更好的項目，與大家共勉。

作者：陳老師 最接地氣的數據分析觀點|最高效的職場提升。