1.3 數據價值問與答

1.3.1 Q＆A1：憑經驗也可做決策

馬董事：Ms王，您好！您講了很多數據分析的成功案例，但是，事實上也有很多企業沒做數據分析，靠經驗，照樣發展得很好。比如我們新榮集團，之前也沒做什么數據分析，但在業內排行卻是非常靠前的。對此，您怎樣解釋？

王賢：用手指著的月亮，并不是真正的月亮，經驗只是對現實的想法而遠非真正的現實。企業的經驗與真實的市場往往存在較大的差異，這種差異是客觀存在的。

美國西北航空公司的總裁曾經形象地說過，對于航空公司來說，飛行中最重要的問題是飛機的引擎，引擎是飛機的動力，不能出現任何問題，出了就是災難性后果。但對于旅客來說，影響他選擇航空公司的，也許就是座位前的小桌板是否干凈。如果一個旅客上了飛機，打開小桌板，發現油漬斑斑，他什么也不說，下次再也不會乘坐這架飛機了。你說引擎再好，但消費者是并不知情的，他能比較的往往就是細節的問題。很多時候，企業和消費者看待問題的角度不同，評價好壞的標準存在差異。正是由于這種差異的存在，企業根據自己的經驗和直覺做決策，可能會面臨很大的風險和成本。

例如，黃家齊曾憑借很多經典的廣告把奧妮塑造為知名品牌，最輝煌的時候奧妮洗發水全國排名第三，僅次于飄柔和海飛絲。但是，也正是由于廣告的神奇功效，使黃家齊忽視了零售渠道的深刻變革，造成終端構建缺乏計劃、反應滯后，導致奧妮1998年遭遇滑鐵盧，從此風光不再，最后被收歸到廣州立白集團旗下。

正是企業經驗與市場需求存在差異，所以經驗決策不能保證企業任何時候都能準確把握市場的脈動，會存在一定的風險。而數據分析的作用就在于，使企業傾聽到市場的聲音，指導企業按照市場的特點和規律運營，這樣的決策才更客觀，這樣的企業才更穩健。

1.3.2 Q＆A2：數據分析提高決策成本

孟董事：Ms王，做數據分析要有投入。建立部門、招聘人才、購置系統、數據整合這都需要錢，數據分析會大大提高決策的成本。所以我們很多人認為，只有財大氣粗的大企業才做得起數據分析，關于這一點，你怎么看？

王賢：直觀上做數據分析的確提高決策成本。但是通過數據分析，使決策更客觀，不僅降低了決策失誤所造成的損失，還能減少企業不必要的管理成本。

與決策失誤造成的損失相比，數據分析的費用是微乎其微的。實際上，讓企業蒙受重大損失的，往往不是因數據分析所產生的費用，而是企業的決策失誤。很多企業缺少數據分析的意識，造成了重大的決策失誤，甚至走上不歸途。我剛才講的奧妮就是一例。數據分析的價值就像體檢一樣，定期檢查企業的肌體是否正常，有沒有風寒。

除了降低決策失誤造成的損失，數據分析還能減少企業不必要的管理成本。

例如，一些企業常常會把所有的新品同時推向市場，賣得好的，繼續推；賣得不好的，再撤下來。可是大家算一算，那些賣得不好的，會占用多少渠道資源，占用多少人工，占用多少生產線，占有多少時間成本。如果前期做數據分析，判斷出市場對新品的評價，再推出新品時就會有所選擇，由此會省去很多不必要的管理成本。

因此，企業到底做不做數據分析，要算兩筆賬：數據分析的費用有多少？數據分析所帶來的收益有多大？然后兩者權衡，取其重。

舉一個直觀的例子。A公司想投資開發一個新產品，但是該產品的市場表現是不確定的，有4種可能的狀態。該公司的營銷人員估計出這4種狀態發生的概率及相應的利潤（表1-2）。

B公司是一家數據分析公司，可以為A公司的新品決策提供支持。B公司的分析結果如果顯示新品呈現三種狀態（1、2、3）中的任意一種，則建議A公司開發該新品；如果呈現狀態4，則建議A公司放棄。B公司這項數據分析的服務費用是14萬元。現在的問題是，如果你是A公司的決策者，在這項新品開發上，你是否與B公司合作？

就像我前面說的，是否與B公司合作要比較不合作的利潤與合作的利潤孰高孰低。

如果不合作，新品的利潤P等于以四種狀態下的概率為權數的加權平均利潤：

P=20%×770+50%×490+20%×35+10%×（-175）=388.5（萬元）

如果合作，合作的價值是什么？是當新品呈現狀態4時，B公司會建議A公司放棄，此時的利潤便由虧損（-175萬元）變為不賺不虧（0元），這會使新品在四種狀態下的平均利潤增加。合作的成本是什么？是要支付給B公司14萬元的數據分析費用。因此，與B公司合作的最終利潤：

P=20%×770+50%×490+20%×35+10%×0-14=392（萬元）

因為392＞388.5，所以應該與B公司合作。

1.3.3 Q＆A3：調研數據不足信

孫董事：我現在只相信我們集團內部的數據，因為都是真實發生的，靠譜！我們也曾和一些研究公司合作過，但他們的數據，我實在不敢恭維。就拿我們的市場份額來說吧，一家一個樣，有的說是30%，有的說40%，搞得我無所適從。所以我覺得調研來的數據不足信。我想問的是，如果我們做數據化建設，是不是整合我們內部自有數據就好了？

王賢：內部數據質量高但不全面。內部有自己的銷售和財務數據，有競爭對手的數據嗎？沒有！內部有自己員工的KPI數據，有客戶使用習慣與態度的數據嗎？也沒有！但是競爭對手和客戶偏好的數據對我們的決策卻至關重要。怎么辦？往往要靠市場調研。

市場調研的確存在著不足信的問題，但我們不能因噎廢食，而是要找到問題出現的環節和原因，然后加以規避。我認為問題可能出在設計環節，也可能出在執行環節。

例如，您剛才說的對于一家公司的市場份額，不同機構提供的數據不一樣，問題有可能就出在設計環節上，這些機構可能沒向您提供支撐結論的數據來源和概念界定。

在數據來源上，如果一家的采集網點為6000個，一、二、三線城市都有分布；而另一家的采集網點只有2000個，只分布在一線城市，那么結論肯定不一樣。到底哪家數據更可靠，要看哪家的采集網點分布更能代表總體特征；看哪家的抽樣誤差是自己可接受的。

再比如概念界定上，假設是對高端微波爐做調研，如果一家界定的是價格在800元以上的微波爐，而另一家界定的是1000元以上的電腦燒烤型微波爐，結論肯定也是不一樣的。在調研前，需要把相關概念界定清楚。

此外在執行環節，調研時間、受訪者、調查地點、質量控制等方面是否合理有效，也會影響調研的質量。應該說，調研是一個專業性很強的行業，任何一個環節上的疏漏都有可能影響調查結果的準確性和客觀性，不管是自己調研，還是外包給調研公司，你都要對調研有一定的了解，這樣才能辨別好壞，把控調研數據的可信度（圖1-16）。

1.3.4 Q＆A4：數據分析的組織結構

張董事：Ms王，您好！我想向您請教兩個問題。

第一，有乙方（第三方）可以滿足我們分析的需求，我們是否有必要配自己的分析師呢？

第二，若有必要，那么分析師該進入現有的業務部，還是成立獨立的數據分析部呢？

王賢：這是兩個非常好的問題。

1.企業是否要有自己的分析師

先說說第一個問題。我的觀點是，即便有乙方，我們仍需要自己的分析師。

公司在運營過程中會面臨大量的決策問題，比如如何設置安全庫存？如何選擇合適的供應商？如何實現最優的生產安排？如何提高新產品成功率？如何定價？如何評估促銷活動效果？有決策就要有分析需求，如果把這些需求都外包給乙方，成本是比較高的。

因此，如果是中小企業，配自己的分析師可以降低成本；如果是大企業，外包給第三方需要有人與第三方接洽，如果這個人對數據分析一竅不通，很難找到合適的第三方，所以，最好也要培養自己的分析師，以提高與第三方合作的質量與效率。

2.分析師設置在哪個部門

這實際是組織架構的問題。組織架構有兩種，一種是分析師散落在現有業務部門，叫做分散式結構；另一種是分析師集中在一個獨立的數據部門，叫做綜合式結構（圖1-17）。

應該說兩種結構各有利弊。分散式結構的優點在于離各部門的數據源很近，提數方便，分析自主性強；另外，數據分散在各業務部門中，很少出現數據的系統泄密問題。但是分散式結構的問題也很明顯。根源是部門利益與全面分析的矛盾造成三方的尷尬。

?分析師的尷尬。假設我是分析師，我要做投資項目評估，需要基于環境、市場、競爭、產品、量本利等數據做綜合評價。但是，環境數據在戰略部，市場和競爭數據在營銷部，產品數據在產品部，量本利數據在財務部，而我只屬于其中的某一個部門，在部門的條塊分割下，得到其他部門的數據非常困難，所以我就只能有什么米做什么飯，營養價值自然不會太高。

?業務部門的尷尬。各部門的信息資源不能共享，會造成了解市場的不懂產品，懂產品的不了解市場的局面，從而影響業務部門的有效運營。營銷部、產品部等業務部門就像多條運輸干線，如果缺少一個獨立的部門做信息整合，就像少了一個交通樞紐，交匯處的運輸易出故障。

?高層決策者的尷尬。受到本部門利益影響，各部門會產生報喜不報憂、用數據爭資源的問題。高層很難對各部門做有效的考核和資源優化配置，影響公司層面的整體把控和系統決策。

分散式結構的缺點可以通過綜合式結構彌補。綜合式結構指所有的分析師都集中在一個獨立的數據部門，數據部門直接對總經理負責，地位高于或平于其他業務部門。可以從各業務部門自由調取數據，根據業務部門的需求，為業務部門提供相應的支持。同時數據部門站在公司層面做數據管理和分析，輔助總經理做好部門間的業務配合、資源配置、績效考核等。

綜合式結構可以解決分散式結構所帶來的部門利益與全面分析間的矛盾。但綜合式結構也有缺點，由于分析師與業務部門互相獨立，相互的熟悉度不高，會產生業務部門對分析報告理解的偏差與數據部門對業務需求理解的偏差。針對綜合式結構的缺點，我認為可以通過四大保障來解決：規范的流程、詳細的文檔、合理的展現和順暢的銜接。

?規范的流程：需求一般由業務部門提起，通過數據部門對數據的獲取和計算將結果返回給業務部門，這個流程中業務部門不僅要提供數據的規則，同時要對獲取數據的目的，指標的定義、用處和價值做出詳細的描述；而數據部門不僅要給出最終數據，同時需要對指標獲取途徑、計算方法做出解釋，最終的目的都是使雙方在理解上達成一致。

?詳細的文檔：即在流程中產生的兩類文檔——數據需求文檔和數據解釋文檔，詳細的文檔記錄方便備查。

?合理的展現：要讓每個人看到自己想看的數據，并能直觀地理解這些數據。同時，無論是報表、Excel，還是其他展現方式，每個指標都要能直接查看其數據解釋文檔。

?順暢的銜接：要保證業務與數據的順暢銜接，必須有一個銜接人。這個銜接人應該對產品的戰略目標、業務流程十分熟悉，同時對數據的獲取途徑、計算方法也了如指掌，或許不需要涉及高技術難度的數據ETL處理、組織和優化，但必須具備自己去計算和獲取數據的能力，這個銜接人往往是數據部門的負責人。

1.3.5 Q＆A5：數據分析部門的職責

崔董事：Ms王，如果采用綜合式結構，成立獨立的數據分析部門，你認為相應的部門職責是什么？又如何實現這種職責？

王賢：數據分析的價值是為企業決策提供支持，這也是數據分析部門的職責。如何實現？我認為需從數據平臺、數據支持、數據應用三方面下功夫，可以用下面的式子表示這三個方面的投入比例：數據分析部門的職責=20%的數據平臺+30%的數據支持+50%的數據應用。

1.數據平臺

數據平臺是數據支持和應用的基礎，要搭建數據平臺，需要與相關部門緊密合作，整合銷售、客戶、財務、生產、員工、管理、競爭等數據，在此基礎上引入CRM、ERP等管理軟件、做IT構架與系統更新。

2.數據支持

數據支持是根據業務部門的需求提供相應的數據，如用戶、競爭、市場、環境等數據。這些數據最初可線下提供，當需求基本穩定、初具規模后，可以做線上呈現并分配好權限。

3.數據應用

數據應用是數據分析部門的關鍵職責和核心價值。數據應用領域包括戰略、投資、營銷三個方面，具體應用見圖1-18。

所有的問題都回答完了，五位董事笑著給王賢鼓起了掌。一周之后，王賢正式成為新榮集團數據分析部門的研究總監，開始了她的職場新征程。