1.3 数据价值问与答

1.3.1 Q＆A1：凭经验也可做决策

马董事：Ms王，您好！您讲了很多数据分析的成功案例，但是，事实上也有很多企业没做数据分析，靠经验，照样发展得很好。比如我们新荣集团，之前也没做什么数据分析，但在业内排行却是非常靠前的。对此，您怎样解释？

王贤：用手指着的月亮，并不是真正的月亮，经验只是对现实的想法而远非真正的现实。企业的经验与真实的市场往往存在较大的差异，这种差异是客观存在的。

美国西北航空公司的总裁曾经形象地说过，对于航空公司来说，飞行中最重要的问题是飞机的引擎，引擎是飞机的动力，不能出现任何问题，出了就是灾难性后果。但对于旅客来说，影响他选择航空公司的，也许就是座位前的小桌板是否干净。如果一个旅客上了飞机，打开小桌板，发现油渍斑斑，他什么也不说，下次再也不会乘坐这架飞机了。你说引擎再好，但消费者是并不知情的，他能比较的往往就是细节的问题。很多时候，企业和消费者看待问题的角度不同，评价好坏的标准存在差异。正是由于这种差异的存在，企业根据自己的经验和直觉做决策，可能会面临很大的风险和成本。

例如，黄家齐曾凭借很多经典的广告把奥妮塑造为知名品牌，最辉煌的时候奥妮洗发水全国排名第三，仅次于飘柔和海飞丝。但是，也正是由于广告的神奇功效，使黄家齐忽视了零售渠道的深刻变革，造成终端构建缺乏计划、反应滞后，导致奥妮1998年遭遇滑铁卢，从此风光不再，最后被收归到广州立白集团旗下。

正是企业经验与市场需求存在差异，所以经验决策不能保证企业任何时候都能准确把握市场的脉动，会存在一定的风险。而数据分析的作用就在于，使企业倾听到市场的声音，指导企业按照市场的特点和规律运营，这样的决策才更客观，这样的企业才更稳健。

1.3.2 Q＆A2：数据分析提高决策成本

孟董事：Ms王，做数据分析要有投入。建立部门、招聘人才、购置系统、数据整合这都需要钱，数据分析会大大提高决策的成本。所以我们很多人认为，只有财大气粗的大企业才做得起数据分析，关于这一点，你怎么看？

王贤：直观上做数据分析的确提高决策成本。但是通过数据分析，使决策更客观，不仅降低了决策失误所造成的损失，还能减少企业不必要的管理成本。

与决策失误造成的损失相比，数据分析的费用是微乎其微的。实际上，让企业蒙受重大损失的，往往不是因数据分析所产生的费用，而是企业的决策失误。很多企业缺少数据分析的意识，造成了重大的决策失误，甚至走上不归途。我刚才讲的奥妮就是一例。数据分析的价值就像体检一样，定期检查企业的肌体是否正常，有没有风寒。

除了降低决策失误造成的损失，数据分析还能减少企业不必要的管理成本。

例如，一些企业常常会把所有的新品同时推向市场，卖得好的，继续推；卖得不好的，再撤下来。可是大家算一算，那些卖得不好的，会占用多少渠道资源，占用多少人工，占用多少生产线，占有多少时间成本。如果前期做数据分析，判断出市场对新品的评价，再推出新品时就会有所选择，由此会省去很多不必要的管理成本。

因此，企业到底做不做数据分析，要算两笔账：数据分析的费用有多少？数据分析所带来的收益有多大？然后两者权衡，取其重。

举一个直观的例子。A公司想投资开发一个新产品，但是该产品的市场表现是不确定的，有4种可能的状态。该公司的营销人员估计出这4种状态发生的概率及相应的利润（表1-2）。

B公司是一家数据分析公司，可以为A公司的新品决策提供支持。B公司的分析结果如果显示新品呈现三种状态（1、2、3）中的任意一种，则建议A公司开发该新品；如果呈现状态4，则建议A公司放弃。B公司这项数据分析的服务费用是14万元。现在的问题是，如果你是A公司的决策者，在这项新品开发上，你是否与B公司合作？

就像我前面说的，是否与B公司合作要比较不合作的利润与合作的利润孰高孰低。

如果不合作，新品的利润P等于以四种状态下的概率为权数的加权平均利润：

P=20%×770+50%×490+20%×35+10%×（-175）=388.5（万元）

如果合作，合作的价值是什么？是当新品呈现状态4时，B公司会建议A公司放弃，此时的利润便由亏损（-175万元）变为不赚不亏（0元），这会使新品在四种状态下的平均利润增加。合作的成本是什么？是要支付给B公司14万元的数据分析费用。因此，与B公司合作的最终利润：

P=20%×770+50%×490+20%×35+10%×0-14=392（万元）

因为392＞388.5，所以应该与B公司合作。

1.3.3 Q＆A3：调研数据不足信

孙董事：我现在只相信我们集团内部的数据，因为都是真实发生的，靠谱！我们也曾和一些研究公司合作过，但他们的数据，我实在不敢恭维。就拿我们的市场份额来说吧，一家一个样，有的说是30%，有的说40%，搞得我无所适从。所以我觉得调研来的数据不足信。我想问的是，如果我们做数据化建设，是不是整合我们内部自有数据就好了？

王贤：内部数据质量高但不全面。内部有自己的销售和财务数据，有竞争对手的数据吗？没有！内部有自己员工的KPI数据，有客户使用习惯与态度的数据吗？也没有！但是竞争对手和客户偏好的数据对我们的决策却至关重要。怎么办？往往要靠市场调研。

市场调研的确存在着不足信的问题，但我们不能因噎废食，而是要找到问题出现的环节和原因，然后加以规避。我认为问题可能出在设计环节，也可能出在执行环节。

例如，您刚才说的对于一家公司的市场份额，不同机构提供的数据不一样，问题有可能就出在设计环节上，这些机构可能没向您提供支撑结论的数据来源和概念界定。

在数据来源上，如果一家的采集网点为6000个，一、二、三线城市都有分布；而另一家的采集网点只有2000个，只分布在一线城市，那么结论肯定不一样。到底哪家数据更可靠，要看哪家的采集网点分布更能代表总体特征；看哪家的抽样误差是自己可接受的。

再比如概念界定上，假设是对高端微波炉做调研，如果一家界定的是价格在800元以上的微波炉，而另一家界定的是1000元以上的电脑烧烤型微波炉，结论肯定也是不一样的。在调研前，需要把相关概念界定清楚。

此外在执行环节，调研时间、受访者、调查地点、质量控制等方面是否合理有效，也会影响调研的质量。应该说，调研是一个专业性很强的行业，任何一个环节上的疏漏都有可能影响调查结果的准确性和客观性，不管是自己调研，还是外包给调研公司，你都要对调研有一定的了解，这样才能辨别好坏，把控调研数据的可信度（图1-16）。

1.3.4 Q＆A4：数据分析的组织结构

张董事：Ms王，您好！我想向您请教两个问题。

第一，有乙方（第三方）可以满足我们分析的需求，我们是否有必要配自己的分析师呢？

第二，若有必要，那么分析师该进入现有的业务部，还是成立独立的数据分析部呢？

王贤：这是两个非常好的问题。

1.企业是否要有自己的分析师

先说说第一个问题。我的观点是，即便有乙方，我们仍需要自己的分析师。

公司在运营过程中会面临大量的决策问题，比如如何设置安全库存？如何选择合适的供应商？如何实现最优的生产安排？如何提高新产品成功率？如何定价？如何评估促销活动效果？有决策就要有分析需求，如果把这些需求都外包给乙方，成本是比较高的。

因此，如果是中小企业，配自己的分析师可以降低成本；如果是大企业，外包给第三方需要有人与第三方接洽，如果这个人对数据分析一窍不通，很难找到合适的第三方，所以，最好也要培养自己的分析师，以提高与第三方合作的质量与效率。

2.分析师设置在哪个部门

这实际是组织架构的问题。组织架构有两种，一种是分析师散落在现有业务部门，叫做分散式结构；另一种是分析师集中在一个独立的数据部门，叫做综合式结构（图1-17）。

应该说两种结构各有利弊。分散式结构的优点在于离各部门的数据源很近，提数方便，分析自主性强；另外，数据分散在各业务部门中，很少出现数据的系统泄密问题。但是分散式结构的问题也很明显。根源是部门利益与全面分析的矛盾造成三方的尴尬。

❏分析师的尴尬。假设我是分析师，我要做投资项目评估，需要基于环境、市场、竞争、产品、量本利等数据做综合评价。但是，环境数据在战略部，市场和竞争数据在营销部，产品数据在产品部，量本利数据在财务部，而我只属于其中的某一个部门，在部门的条块分割下，得到其他部门的数据非常困难，所以我就只能有什么米做什么饭，营养价值自然不会太高。

❏业务部门的尴尬。各部门的信息资源不能共享，会造成了解市场的不懂产品，懂产品的不了解市场的局面，从而影响业务部门的有效运营。营销部、产品部等业务部门就像多条运输干线，如果缺少一个独立的部门做信息整合，就像少了一个交通枢纽，交汇处的运输易出故障。

❏高层决策者的尴尬。受到本部门利益影响，各部门会产生报喜不报忧、用数据争资源的问题。高层很难对各部门做有效的考核和资源优化配置，影响公司层面的整体把控和系统决策。

分散式结构的缺点可以通过综合式结构弥补。综合式结构指所有的分析师都集中在一个独立的数据部门，数据部门直接对总经理负责，地位高于或平于其他业务部门。可以从各业务部门自由调取数据，根据业务部门的需求，为业务部门提供相应的支持。同时数据部门站在公司层面做数据管理和分析，辅助总经理做好部门间的业务配合、资源配置、绩效考核等。

综合式结构可以解决分散式结构所带来的部门利益与全面分析间的矛盾。但综合式结构也有缺点，由于分析师与业务部门互相独立，相互的熟悉度不高，会产生业务部门对分析报告理解的偏差与数据部门对业务需求理解的偏差。针对综合式结构的缺点，我认为可以通过四大保障来解决：规范的流程、详细的文档、合理的展现和顺畅的衔接。

❏规范的流程：需求一般由业务部门提起，通过数据部门对数据的获取和计算将结果返回给业务部门，这个流程中业务部门不仅要提供数据的规则，同时要对获取数据的目的，指标的定义、用处和价值做出详细的描述；而数据部门不仅要给出最终数据，同时需要对指标获取途径、计算方法做出解释，最终的目的都是使双方在理解上达成一致。

❏详细的文档：即在流程中产生的两类文档——数据需求文档和数据解释文档，详细的文档记录方便备查。

❏合理的展现：要让每个人看到自己想看的数据，并能直观地理解这些数据。同时，无论是报表、Excel，还是其他展现方式，每个指标都要能直接查看其数据解释文档。

❏顺畅的衔接：要保证业务与数据的顺畅衔接，必须有一个衔接人。这个衔接人应该对产品的战略目标、业务流程十分熟悉，同时对数据的获取途径、计算方法也了如指掌，或许不需要涉及高技术难度的数据ETL处理、组织和优化，但必须具备自己去计算和获取数据的能力，这个衔接人往往是数据部门的负责人。

1.3.5 Q＆A5：数据分析部门的职责

崔董事：Ms王，如果采用综合式结构，成立独立的数据分析部门，你认为相应的部门职责是什么？又如何实现这种职责？

王贤：数据分析的价值是为企业决策提供支持，这也是数据分析部门的职责。如何实现？我认为需从数据平台、数据支持、数据应用三方面下功夫，可以用下面的式子表示这三个方面的投入比例：数据分析部门的职责=20%的数据平台+30%的数据支持+50%的数据应用。

1.数据平台

数据平台是数据支持和应用的基础，要搭建数据平台，需要与相关部门紧密合作，整合销售、客户、财务、生产、员工、管理、竞争等数据，在此基础上引入CRM、ERP等管理软件、做IT构架与系统更新。

2.数据支持

数据支持是根据业务部门的需求提供相应的数据，如用户、竞争、市场、环境等数据。这些数据最初可线下提供，当需求基本稳定、初具规模后，可以做线上呈现并分配好权限。

3.数据应用

数据应用是数据分析部门的关键职责和核心价值。数据应用领域包括战略、投资、营销三个方面，具体应用见图1-18。

所有的问题都回答完了，五位董事笑着给王贤鼓起了掌。一周之后，王贤正式成为新荣集团数据分析部门的研究总监，开始了她的职场新征程。