不懂資料分析技術，也沒有預算，就沒法數字化轉型？

本文作為《精益資料分析》的拓展性讀書筆記，可對照參考原書第四部分第29-31章。在本文裡，我將主要與讀者朋友們交流探討“

中小微企業怎麼用好資料分析，實踐數字化轉型

”這一話題。對於個人提升，因為網上已經有不少這方面的內容，分享的經驗都很棒。在本文中我就簡單帶過。

資料分析是個好寶貝，它是我們觀察和理解世界的一個得力工具。作為一名資料分析人員，我對此感觸較深。現在，我自己已經養成了習慣，凡看到或經歷的事，先冷靜觀察、分析一下。生活中很多細節都能因為這樣做而產生顯著變化。舉一個你很可能也經歷過的小例子。之前我發現自己每天工作的時間很緊張，似乎一天到晚都沒閒著，但轉眼就到晚上了，看看工作進度，卻沒有完成既定的階段目標。

這樣的情況久了之後，終於有一天我忍無可忍，決定弄清楚為什麼總是這樣？我開始觀察自己在白天工作中的活動：我到底在幹什麼。結果一查才恍然大悟。大部分瑣碎的時間在不經意的分心中流失了。因為現在手機是無時無刻隨身攜帶的東西。於是當我短暫休息時，比如喝水、工作一段時間後站起來活動，我都會不由自主地拿起手機，看看有什麼來電、訊息。如果沒有，我還會很自然地再開啟某個App，翻看裡面的內容。

而一旦我被某個內容吸引，就會不知不覺繼續看下去。等回過神來，時間可能已經過去1個小時。一天下來這樣經歷幾次，可能4個小時就這麼白白溜走了。就透過這樣簡單的跟蹤統計，我找到為什麼覺得自己沒閒著卻工作沒做完的罪魁禍首。我相信很多人和我一樣。我們的大腦是高耗能器官，所以它本能地會拒絕長時間工作，一逮到機會就想要休息。而人類意識在大部分時間裡都是被大腦控制的。所以當我們漫不經心地瀏覽手機時，對此毫無知覺，因為大腦要求你這麼做。因此如果是別人告訴我們自己，一天裡時間被白白浪費4個小時，我猜測大部分人是不會相信的，甚至覺得可能對方在故意誇大。這個時候，資料是很有力的證明。

發現問題後，改進就有了思路。我依然會工作一段兒就起來休息一下。但是我儘量不去看手機。如果看了，我會努力提醒自己：“小心沉迷一小時”。其實一旦我們開始有意識地主動提醒自己，習慣是可以慢慢改變的。現在當我瞥見手機時，我會習慣性想到：偷走1小時。經過這樣的改進後，一天下來的工作感受明顯與之前不同，很少再有“感嘆時間不夠用”的情況發生了。

這是我們個人身上的一個用到資料分析改進自身習慣的小例子。對一些有顯著影響的事，我們可能只需要做一點點其實很簡單、完全能做到的分析，就能發現問題，並著手改進。那麼到企業身上呢？道理大同小異。

企業可能一直有一個誤解：認為只有把資料準備充分，各項系統和專業人員到位，資料分析才能開始。就像發射衛星火箭那樣。但實際並非那麼回事。刨根究底地看，資料分析就是一個工具而已。工具是用來解決問題的，可大可小，可輕可重。我們不要被工具反累。試想，如果你正要吃飯，卻發現沒有筷子，你會怎麼做？

資料分析的重點在“分析”，而不是“資料”

資料分析的內涵十分豐富。既有十分複雜的方法，也有簡單到隨手拈來的方法。面對一個問題，我們不是隻有一個解決辦法。當意識到存在某個問題時，盤點下自己現有的條件和資源，以及對解決結果的可接受程度，分析的準備工作其實就已經就緒了。資料可以邊幹邊收集。實踐經驗告訴我們，人們不是一上來就要一個徹底解決問題的靈丹妙藥。我們要的實質是

針對問題改變現狀

。所以搞清楚

問題是什麼

，

問題產生的背景

，

與問題有關的因素

，以及

解決問題要達成的目標

很重要。上面這四個問題最終所指的，其實就是

業務知識

。對照之前文章《

向商業分析要效益——百家號創號開篇詞

》，我們說實施資料分析要具備三大要素：分析、系統、和業務知識。這裡面業務知識最重要。

業務知識的重要性表現在：我們知道

分析的邏輯

是什麼

。閱讀過我之前文章的讀者朋友可能會逐漸感受到，文章中介紹、分享的內容，大多與商業模型、分析框架、商業模式、分析邏輯這些話題有關。我很少會具體地講述分析技術的細節，原因即在此。它不是最重要的事情。

以上是從資料分析使用者的角度來說的。那麼資料分析領域裡的專業人員是怎麼看的呢？越來越多的業內專家也漸漸達成這樣的共識：業務知識比資料分析具體技術更重要。

因此從這個角度講，有的讀者朋友是企業主、管理人員或者自己獨立經營一門生意。由於學歷、專業背景、年齡、精力等因素，擔心自己並不會具體的資料分析技術，不會統計、不會程式設計、不會各種看起來眼花繚亂的計算方法，甚至乾脆說也學不會這些東西，因此就沒辦法做資料分析了。這是十分錯誤的理解。恰恰相反，我認為這類人群由於對市場、業務有相對豐富的經驗，形成了一些深刻的市場認知和業務邏輯，所以實際上反而是更善於運用資料分析的人群。正所謂有心栽花花不發，無心插柳柳成蔭。

資料分析的確有不少複雜的方法。沒有多年的學習鑽研確實拿不下來，典型的如機器學習演算法。但是資料分析中也有非常多的簡單卻十分有效的方法，這些方法只要會進行四則運算，最多加一個函式概念，就完全足夠了。而且即便就說這兩種基礎技能，也主要以四則運算為主，函式已經是“高階”方法了。四則運算是小學生掌握的技能，函式則是初中生，最多到高中就肯定了解的概念。所以請拋棄不懂資料分析技術就沒法開展分析的誤解吧。

很可能你早已開始分析了，只是自己沒有覺察到

上面的道理說起來鼓舞人心，但還是多少讓人不敢相信。能不能證明給我看？沒錯，接下來我就要列舉一些資料分析的手法，讓你看到運用它們根本不需要什麼複雜技術，而且很可能你早已這樣做了。

資料分析我總結了三大基本手法，分別是：比較、找成分、排序。大多數分析我們折騰來折騰去，其實就是在幹這三件事。

比較

比較在前面的文章《

技巧分享——銷售資料分析怎麼做

》裡也專門提到過。它是我們分析中最基本的手法，也往往是分析的最終目的。上到戰略，下到具體執行細節，都可以比較。孫子兵法第一篇《計》講“五事七計”，其實就是比較。比較講究知己知彼，當我們收集到要比較的兩方面事物的資訊時，即可開展比較。就企業而言，戰略方面，自己的產品和其它產品，在品牌價值主張、品牌識別方面有什麼差異？各自特點是什麼？誰強誰弱？然後往下展開，在策略方面，推廣、渠道、營銷思路，有什麼差異？誰強誰弱？最後在具體執行細節方面，人效、ROI、產品觸達使用者效率，誰強誰弱？比較簡單又不簡單。簡單恰是在具體分析技術上，只要把兩個數字放在一起就行了。不簡單恰是在業務知識的運用上，需要於千絲萬縷中抓住重點。

找成分

一個事物由哪些成分組成？也是分析中常常關心的問題。對企業而言，客戶都有哪些型別和特點？渠道都是什麼樣的？市場現在都有哪些特色的同類產品？相信大多企業主、管理人員和資深業務人員，每天都在思考這些問題。熟悉得不能再熟悉。

為了更具體地找出各成分的比率，可以計算下每個客戶的採購額，於是重點和非重點客戶各自的佔比就出來了。在傳統貿易領域，如快消品，過去幾十年發展出深度分銷這一有效的實踐方法。渠道多了、深了，一眼看不清楚全域性，自然會透過找成分的辦法，看看不同型別的渠道、客戶產值佔比，進而劃出重點。

在專業的資料分析技術裡，也有一些相應的找成分的技術。比如聚類就是典型的找成分的方法。RFM分類也是一種對企業來說易理解又很實用的找成分的方法。但是技術畢竟只是技術，它能輔助人類理解世界，卻不能代替人類的理解。更高階的玩法還是來自我們人類的大腦。比如定位這一營銷概念，本質上就是用新的視角劃分成分，所以這一方法論對中小微企業頗具實用性。劃分成分，本質還是找成分，意味不同的地方在於：劃分體現了我們人的主觀能動性和創造性。“

出其不趨，趨其不意

”。商業競爭到關鍵一環，比拼的還是誰看問題的角度與眾不同，棋高一招。

用專業技術還是簡單的統計方法，區別只是前者可能可以在意想不到的角度發現一些資訊，或者能夠對大量瑣碎資料分析得細緻一些。但最終還是讓資料分析為我們的決策提供資訊，決策本身依然由人類做主。

排序

排序基本就是兩個目的。一個是為了

找重點

。當要面對的事物比較多時，哪些是重點，哪些不是，需要區分出來。如果分析物件少，一眼就能看出來。多的時候，就沒那麼直觀了。這時需要排序一下。另一個是為了

決定資源分配

。企業的資源是有限的，如果要投放的地方太多，每個地方灑灑水，不解決問題。這種添油戰術是大忌。所以不得不在要投放資源的整體裡，做一下排序，劃出一個選擇範圍。

至於

預測趨勢

、

發現關聯事物

這些分析手法，我個人認為可以排在上述三大基本手法之後。因為它們相對沒有那麼要緊，可以緩一緩。

上面介紹的，是任何人做資料分析都離不開的基本手法。獲得一些資料後，做一些簡單的四則運算，就已經在運用上述三大基本手法了。做這種事基本不需要什麼預算。甚至說有時候連計算都不需要，只要在大腦中簡單過一下，形成一個判斷即可。

比如如果我們想要了解市場上現在對某類產品的輿情觀點。你可以怎麼做？很簡單，在網上找到這些產品的內容，看看它下面的評論都在說什麼。多翻幾個相關內容，我們大腦就差不多就能記住評論最多的內容了。這就是排序。不需要鄭重其事地收集所有評論內容，然後統計詞頻。總之，除了要花些時間外，不需要什麼預算。

有的讀者朋友擔心這樣簡單粗暴的方法能管用嗎？答案是肯定管用。請不要忘了，我們人類的行為結果，大部分都是冪律分佈（二八法則）。這就意味著，用20%的努力，就可以獲得最初80%的成果。當然想要獲得最後20%的成果，又反過來需要付出80%的努力。但在大多數情況裡，最初的成果就足夠了，所以重要的是利用已掌握的方法先行動起來。真到了自己掌握的方法已經無可奈何時，再請資料分析出場不遲。而且到那個時候，企業對自己要解決的問題理解得更清晰、透徹。這恰恰有利於與資料分析人員溝通。

實施資料分析要考慮到企業組織結構、業務流程

凡事我們要正反兩方面看。資料分析實施可以門檻很低，但也有暗礁障礙。為什麼全世界企業現在數字化轉型都比較難？我個人認為問題正在於這些暗礁上。這就是企業組織結構和業務流程。作為企業主、管理人員，對這些問題不可不察。

資料分析對業務流程的影響

我們先說業務流程。企業，特別是已經經營多年的企業，開展業務已經形成了自己的一套經驗。這套經驗甚至已經固化為習慣。改變習慣需要主動克服，而人和組織都有惰性，所以改變沒那麼容易。此外由長期的業務流程，可能已經形成某種利益分配格局，那麼當改變它而導致打破這個格局時，自然會引起一些獲利者的反對/不支援。這是普遍規律，絕大多數人都能理解。實施資料分析，恰恰有可能會影響甚至改變業務流程。

比如說，當經過一番資料分析後，發現（零售）企業的銷售額下滑，主要原因是採購的商品不符合市場需要，價格帶設定也不合理，從而導致門店大量貨物滯銷，週轉不暢。那麼企業主和管理人員，自然會思考如何改進採購流程。這是真正的難題。一方面企業可能希望透過授權，使銷售終端能夠根據實地情況靈活調整策略。這需要富有經驗的人員而不是新手來管理門店和採購事項。但另一方面，如何真正建立一套採購標準，使採購不完全由人主觀決定，以削弱因主觀判斷帶來的噪聲，或者諸如採購回扣等腐敗問題。在某些環境下，這兩方面是矛盾的，因此解決起來比較棘手。一旦企業主和管理人員沒能有效解決該問題，結局可能就是不了了之。如果資料分析只做到發現問題，卻不能解決問題。自然會給人感覺沒有什麼用，進而數字化轉型陷入停滯。

那麼到底有沒有辦法解決一下這個問題呢？這裡有一點參考。

比如我們可以考慮為採購流程增加一個評審環節。採購的貨物，都需要按照不同屬性進行評分。只有評分超過一定閾值才能真正納入採購。這裡的關鍵，就是建立一套評審規則。這可能需要用到一些資料分析技術來幫忙。

具體地說，比如透過聚類對所有銷售記錄進行細分。因為能產生銷售記錄的，一定是已經售出的商品，這些商品不可能存在完全無動銷的情況。用聚類對顧客或顧客的購買記錄進行細分後，我們將可能得到一個購買行為的模式圖。仔細揣摩這些購買行為模式，將有助於理解顧客購買背後的需求特徵，進而能夠為購買行為打標籤。然後在不同的購買模式裡，結合傳統的價格帶分析，找到符合門店顧客群體的價格帶。

圖1 透過聚類探索顧客購買模式示例

這樣一套獨特的針對各門店的評審採購的邏輯就出爐了：產品是否滿足已知購買模式的特點？要設定的零售價格是否落在價格帶中？利潤如何？對每個候選商品的屬性進行評分，超過閾值的正式納入採購，反之淘汰。評審規則開始輔助採購流程運轉。

為採購專案進行評審，好處有三點：

一、規則是針對客戶特徵提出的，可以降低由人為主觀判斷帶來的噪聲。

二、業務門檻進一步降低，一旦規則跑通，任何人都可以照此執行。即所謂標準化。

三、排除或降低了一些人為操作的灰色空間。

資料分析

與組織結構

另一個是企業組織結構問題。

其實這個問題並不單影響資料分析。比如企業如果決定開展線上線下多渠道經營策略，那麼新增的“線上”或“線下”業務，到底是歸新成立部門還是老部門管？再比如企業決定開展私域運營，那麼私域運營業務是新建部門好還是放在老部門下面？資料分析也類似。有的企業覺得有必要在公司內部增強資料分析能力，於是問題來了。這個“新職能”到底歸哪管合適？

看過很多這樣取捨不決的例子，我個人對此的分享經驗是：乾脆不要糾結這個問題。因為既然企業對這個問題感到棘手，不知所措。那就說明企業目前的組織結構，其實並不適應面對當前的新問題。與其硬來，不如換個角度解決。

資料分析更像是一種軟能力，而不是某一種具體的職能。它不是財務、營銷、銷售、行政、HR，但又似乎與這些職能都能沾上邊。所以利用這一點，不如弱化資料分析的職能印象，就把它融入到具體的職務中去。想要透過資料分析最佳化哪個職能，就直接在其中增強資料分析。起初，委派1-2名員工專門擔負這項責任就足夠了，別忘了部門主管，一直到企業最高決策層，也應一併納入其中。企業用這種小步測試的方法，能夠有效避免風險。

另一個解決這個問題的辦法是：新建立一個專案或者部門。注意這個部門絕不是資料分析，而是具體某個業務職能部門。比如企業想透過資料分析增強銷售，那麼可以考慮增加一個銷售部門或者小組，這個新部門/小組既可以透過招聘新人成立，也可以從老部門抽調成立。該部門專門採用新的融入了資料分析的銷售思路、方法展開業務。當然新部門負責的銷售區域和產品也應當單獨劃分，不要與老部門重合。這樣既不會對老部門形成利益衝擊，也不存在推行受阻之虞。但新老部門做的是同樣的業務型別，這個時候事實上形成了一種競爭的局面。如果資料分析對業務起到了明顯的增強作用，那麼這無形中為老部門樹立了一個學習的榜樣，鼓舞了企業士氣。那個時候企業主和管理人員再全面推行資料分析，自然阻力小很多。如果資料分析實在拉跨，根本沒什麼用，再做裁撤和調整即可。不過這種情況應該不會出現才正常。

個人怎麼提升資料分析能力？

相比企業，對個人而言這個問題其實就簡單多了。對於已經從事資料分析，但還想進一步提升的讀者朋友，此階段多半應考慮加強業務知識的提升。像商業模型、分析框架、業務模式等都是該階段值得花時間研究的內容。

對於入職新人，則要稍微辛苦些。一方面是學習具體的資料分析技術，紮實基本功；另一方面從一開始就有意識地加強自己的業務知識。先從具體業務內容入手，把業務過程中的關節點弄明白，然後慢慢向抽象的商業模型、商業模式、分析框架邁進。

至此，圍繞《精益資料分析》全書的讀書筆記分享，就到此結束了。一家之言，謹供參考。希望對大家有一些參考價值，並歡迎大家斧正。特別是對於業務中的問題，可以在評論區或私信中提出。雖忙，但我盡力做到見信均回。因為資料分析就是用來解決實踐問題的。互相交流才能共同進步。