数据分析的三个思维方法（数据分析你在哪个层次）

作者|杨博

全文总计1668字，需阅读5分钟，以下为今天的益者原创：

近些年来，数字化、大数据、云这些概念已经成为高频词。企业日常管理在很大程度上体现为对信息数据的获取和处理，所以数据处理水平也是对企业管理水平的一种折射。在这个数字化的时代，许多企业和组织都在强调数据分析的重要性。那么数据分析有几个层次呢？我们的企业和平时的工作又处在哪个层次上？

在制造型企业中，如果用“意识 方法”的模式去做一个简单的划分，我们可以把数据分析水平分为下面六个层次，并以车间现场设备维修为例说明。

第一层：经验主义，无数据概念和量化思维

经验主义并非完全没有依据，只是说依赖过去的经验和主观的判断。经验主义因为缺乏量化以及发展变化的观点，已经远远不能满足时代要求。对于车间现场设备维修来说，经验可能有助于快速找到设备的故障点，但是对于建立TPM（全员生产保障）达到更高水平，就需要大量长期的数据做支撑。

第二层：只看个别数字，不看趋势和全局

只是去孤立地看个别的数据，却看不到全局并且忽视了数据间的关联性，对数据的趋势没有判断和分析。比如说月度维修费用的高低可以作为一项成本指标，但并不能反映总体维修成本管理状态，还应结合产能产量状况、设备折旧状况、备件库存水平及通用性、备件交期或服务周期等综合因素。

第三层：使用基本工具解释、分析数据

到了这一层说明已经具备数据基础和一定的数据加工与分析能力。常见的Excel等工具就可以帮助实现基础数据分析。比如使用柱状图去对比不同区域的设备报警次数；使用饼图去观察各个区域的维修成本比例；使用链条图去跟踪维修成本趋势；使用瀑布图去看预算与实际成本的差异等等。这些分析对于简单数据模型没有问题，对于复杂问题或数据结构，基本工具仍不足以深入分析和挖掘。

第四层：具有统计思维，会使用基本的统计量和统计工具

统计思维，是数据分析层次的分水岭。从方法层面上来说统计学更加科学和全面，使用合适的统计量也会使数据分析更专业，同时统计工具和方法也为复杂问题的分析提供了平台。

比如说，使用假设检验和抽样的方法对故障原因进行排查，使用相关和回归模型去分析或预测模具寿命，计算出科学经济的维护保养频次，建立控制图去长期监控关键参数等。

另外，统计方法依托于强大的信息量和数据结构。在操作层面，统计思维也要求建立数据库和数据处理界面，使得数据在标准化平台上被记录、传递、追溯、分析，这也是企业迈向数字化的关键一步。

第五层：具备系统思维，会使用复杂的统计工具

系统思维，是在统计思维的基础上，把我们所研究的问题放在一个系统里去思考，这就提供了更明确的导向型和更宽泛的思路。

如果把生产和质量管理作为一个大的系统，设备维护其实是为这个系统服务的一环。从这个层面来说，设备维护的目的是保障制造过程更安全、稳定、高效。尤其对于一些关键的产品过程，人机料法环任何一个因素的微小波动都可能造成产品特性的波动。

拿备件更换周期来说，常规的做法是考虑其本身的性能或使用寿命，但是如果从整个制造过程来看，可能设备备件本身寿命还没到，但是产品特性就已经出现波动或不确定性。同时在系统思维这个层次上，也要求使用更复杂的统计分析工具，以应对系统中存在多因子和交互作用的情况。

第六层：战略思维，多维度视角，大数据概念

许多企业都有自己的商业战略、产品战略、市场战略等等，各方面的战略又会逐层展开。但是战略布署常见问题之一就是各个战略之间甚至垂直战略体系中连接性和传递性并不强。具备数据分析的战略思维，就需要将数据的分析处理贯穿战略体系，真正打通和服务于战略执行和调整。

在这个层面下，设备维修和备件更换已经不单是生产维修或者是运营的话题，而是可能会上溯到产品开发阶段去考虑和设计。比方说如何利用现有设备做好产品平台化？如何进行容差设计在满足过程稳定的同时降低维护成本？过程末端的数据如何分析以及反馈给前端？将产品、过程、工装模具、设备维护等等信息和数据在战略层面贯穿起来。

大数据的概念在电商行业中已经很普遍，但是由于制造业本身的特点，大数据的推行仍需要一个过程，而数据分析上升到战略层面，不但为企业管理和改进提供更高的平台和多维度视角，而且是企业数字化转型的关键一步。