数据分析和决策（数据分析如何支持决策）

对于决策者来说，如何做出科学，合理的决策一直是一大难题。如果能够利用数据分析技术，通过对过往事件和数据进行分析，就能对现在做出决策起到很好的支撑作用。跟随作者，我们看看具体如何操作吧。

“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：

• 现在是秋天，天气好
• 女朋友喜欢出去玩
• 附近有个几个景点口碑还不错
• 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：

• 现在是秋天，天气好——这两天突然很阴沉想下雨
• 女朋友喜欢出去玩——但是这两天没心情
• 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：

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：

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）。

对于多产品线/业务线，也有三种典型策略（如下图）。

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）。

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：
• 不懂业务，部门、层级、分工、目标完全弄不清
• 没有分清决策层级，不是做的太浅，就是一下扎的太细
• 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。

BUT！

工作中真有这种作精领导，非把算法工程师当算命工程师用，非得指望着“他什么都不说，你一下猜中决定企业生死且他100%不知道的事”，那么，除了离职，还有没有更优雅的方法搞掂呢？

专栏作家

接地气的陈老师，接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Pexels，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

,