一個行業做的越久，問題就越多，之前并不在意的問題也會拿出來思考。“數據解決企業什么問題?”這問題一定難不倒大家，甚至張口即答，例如通過數據可以對自身的企業情況有著準確和科學的把握，避免老板拍腦袋;數據可以實現對市場環境快速的反應和決策;數據可以區分客戶個性化需求，提高服務價值等等。

再比如：

以上，針對每一條都可以理解，但該如何實現呢?

同一個行業，業務模式以及數據類型也相差不多，但是各自所完成的內容相差很多。有些面向領導，做了Dashboard;有些面相業務人員，做了商品分析模塊;有些面向基層員工，做了數據查詢的報表。但是，為什么每家企業做的內容不一樣?這些企業是根據什么而選擇這些模塊的數據進行分析的?進一步需要解答的是，每家企業所分析的數據不同，但為何感覺不出這對他們產生了不同的影響?拿上面的幾個回答來看，老板是否拍腦袋決策、是否可以對市場快速準確的決策、是否可以區分客戶需求，這些都非常重要，可有沒有這樣的數據分析，并感覺不出什么區別。

以上這些問題我細細思考一下，同時也回了遇到過的各種業務場景、分析場景，經過成套成套的梳理，發現了這樣一個問題。這些企業所做的數據分析(無論是bi還是報表)，并沒有去發現未知的東西，而是為了可以更容易的按照標準的方法來判斷一件事，這對于所有的群體、所有的業務都可以這樣理解。下面我從簡單到復雜的來說明。

對于基層員工，以貨架商品管理員舉例，超市貨架上的商品要怎樣管理?標準的方法是不是某一商品即將賣光，就需要從倉庫中取出該商品補到貨架上。沒有數據，他需要一遍一遍的去巡查，也自然會有時會漏掉。有了數據，他就可以瀏覽數據來查看商品的售賣情況，以此來及時補貨了。這么對于這個商品管理員來說，數據所解決的問題，就是讓他可以更容易的按照標準的工作方法來決定補什么貨，補到哪。

對于業務人員，比如品類經理，他需要決定采購哪些品牌的商品，從哪一家供應商來采購，如何規劃商店的商品。標準的方法是什么，是采購賣的好的品牌，把賣的不好的品牌剔除，并且選擇價格更加低廉按時送貨率高的供應商(真空環境下)。通過數據，我們可以列出我們店中品牌的銷售情況，對比其他門店同類商品品牌銷售情況，以此來發現哪些被忽略的品牌;我們也可以列出在過去一段時間門店內賣的不好的商品，以此來考慮是否可以對這些商品進行促銷并且從此不再需要這些品牌;以上，數據所解決的問題，也是讓品類經理可以更加容易的按照標準的決策方法來進行判斷，優化商品結構，選擇供應商。

對于企業管理層，我們做dashboard進行指標的監控，做企業的業績分析(時間、地區緯度等)。需要做的內容很多，因為管理層所要決定的范圍很廣，他并不像某一業務人員只負責一項工作為了一個目標。但是將內容分解后，我們發現，我們為管理層所做的數據分析，也是為了讓他們可以更方便的按照標準的管理方法進行管理。當然，這個標準，并非是業內的通用標準，而是企業自己的標準，甚至是老板他本身的標準。比如，老板要通過胡蘿卜加大棒的方式來促進每個店鋪的銷售額，給做的好的店長獎勵，做的不好的店長懲罰，通過數據就可以很容易的執行，而避免拍腦袋的獎懲。而這一過程，也是通過數據使管理層可以更容易的按照標準的管理方法進行決策(員工是判斷，領導是決策)。

針對管理層的，很難說的更細，他們看哪些指標，會給他帶來怎樣的思考，這是旁人說不準的，但是這一套體系一定是在他心里有數。相比于員工，他們的工作內容更具備發散性，思考也更具備發散性，所以我們做移動端分析平臺，做實時監控平臺，做定時報送平臺，目的都是一樣，可以讓領導更容易看到這些數據來進行決策。

那以上內容，如果沒有數據會怎樣呢，不同的群體，即使沒有對應的數據分析，也是會按照這樣的方法進行工作和管理，但是面對未知情況，基層員工會花費更多的時間來填補數據，工作效率就會變低。對于管理層，他們沒有那么多精力去找到他們想要的所有依據，所以在工作或者決策中，就出現了模糊決定，缺失的依據多一些，便成了拍腦袋決策。

有些人，不需要很多數據，就可以對市場對公司有著準確的判斷，有些人，就需要很多數據來填充他腦子里的空格，才能做出準確的判斷。人與人的思考方式有所不同，但大多數情況，數據或許并沒有改變他的決策方式，而只是讓他腦子里某個模糊的參數變得準確，從而進行判斷。

綜上，企業的ERP、OA等IT系統是為了讓工作流程更加規范，而數據則是讓決策更加規范。

在我接觸到的很多客戶，他們都會像我詢問其他客戶是怎樣做數據分析的，很多企業參加行業交流，也是希望更多的了解分析應用場景，大家真的是對數據分析的方法感興趣嗎?更深一步的去看，是對其他公司的管理和工作方法感興趣，當然，這一點如果不去深究，可能他本人也想不通。

上面解釋了很多，得到了這樣的一個結論：數據可以讓我們更容易的以規范的方式進行判斷和決策，也就是數據可以讓決策更加規范。我為什么要花這么多時間來解釋這樣一個結論呢。

一、 希望企業少被忽悠。

如此解釋數據分析，當然會顯得很土，但確實是這樣。很多企業會規劃做數據分析的項目，會找一些做數據的公司進行交流，而乙方公司則必然會拿出大量的概念進行渲染，什么高效管理、預測風險、智能決策之類的，聽起來牛逼哄哄，然而扒開表皮，實質要怎么解釋呢。一個巴掌拍不響，很多企業的IT人員也樂于聽到這些牛逼哄哄的概念，喜歡源于業務高于業務，要讓領導耳目一新才好通過項目審批。

舉個例子，有企業還沒有理順運營人員看用戶數據的時候，思考哪些問題，進行怎樣的決策，上來就要做用戶畫像做挖掘做聚類，可是人家明明就只看個地區然后分配給對應的銷售。但是一旦用戶畫像做出來之后?根據什么樣的用戶屬性進行怎樣的判斷與決策呢?這些價值都是無法落地的，所以，如果想通過用戶畫像為運營帶來更先進的管理和決策水平，一定得從運營角度出發。

作為一個企業來講，***先清楚，做數據分析是為了誰而做，是為了什么樣的決策而做。這些東西想清楚，項目做起來也不那么復雜，因為這個項目已經有章可循，沒必要動不動就上來個大概念，花錢不說，能不能解決問題也不確定。以目前大部分的企業，以現在的信息化水平，還沒到拼科技的地步。

二、希望幫助企業規劃數據分析體系

很多企業要做數據分析項目，但并不知道該如何規劃，需求做的一塌糊涂，沒有需求就開始項目的也不少見，全權委托乙方來進行需求規劃，只能說是一種逃避和懶政，項目需求的事，如果只能選擇一方，也是甲方，否則就是碰運氣的事。70%都被使用，“項目做的很好，大家辛苦了”;30%被使用，“項目沒白做還湊合”;10%被使用，“你們怎么做的項目啊，都沒人用”。當然，需要補充一下的是，項目完成后的使用率高低，原因不只是需求做的好與差，還有很多因素，是否對業務進行了合理的培訓和引導，項目易用性是否標準等，上面的例子只是表達需求不明很容易造成項目系統利用率不高的情況。

根據上面的結論，我們怎樣來做數據分析，甚至是從什么地方開始做?

首先，可以觀察企業哪一個群體的決策最不規范，出的問題最多，就可以從那個群體下手(真空環境下)。比如，我們發現商品經常斷貨或者積壓，那么就從品類管理員下手。通過數據展示出來可能擠壓的商品或者即將斷貨的商品。這個群體的問題解決后，再看其他群體，以人為本，逐個擊破。核心理念就是：我先了解你是怎樣決策的，再去為你開發你的數據模型。

最近和某個客戶聊天，客戶表示自己公司有很多存量數據，知道這些數據很有價值，但不知道這些數據如何變現。從本文的角度去看，暫不需要把“變現”想的過于復雜，我們如果通過數據實現了員工決策的標準化，就減少了在各個環節出現判斷失誤的概率，什么提高工作效率、降低采購成本、提升銷售額之類的，都在這一系列對問題的準確判斷之中，對于員工是如此，對于領導也是如此。這樣，就實現了數據的變現。同樣，即使你是提供對外的數據服務，當你所做的數據分析能夠讓客戶實現決策的規范化，那么相信客戶也會為此買單。

做數據分析，或許不在于分析，而是為了規范。首先數據的背后，是大大小小的管理與決策。