商業洞察需要的是數據思維！

  

如何通過數據思維挖掘商業洞察

商業洞察一直以來都是比較神秘的話題，如何從一堆數據中找到新的商業機會，找到滿足客戶的需求，在市場數據中找到新的機會點，在過去的數據中找到未來的發展趨勢並對未來做出預測，在內部數據中找到內部管理的問題並發現解決問題的方案？這些都是看似神秘。

商業洞察有一定的方法和規律，商業洞察的發現需要多年的實踐經驗。以下是筆者總結的從數據中探尋商業洞察的方法和思路，供讀者參考。

1.1 尋找關鍵要素

探討事物時尋找決定事物的關鍵要素是最簡潔、最直接的方法。尋找一個問題的解決方案時也要尋找決定該事物的關鍵要素。在商業環境下，事情都會變得非常複雜，涉及面非常廣，這時需要管理者們能夠跳出相關的盒子，從整體上認識事物，並確定事物的關鍵要點，在關鍵要點上尋找解決問題的思路。

比如營銷的問題，核心點是客戶需求的滿足，如果不把核心點聚焦在客戶需求滿足上，則市場營銷活動就會產生浪費。發起一個市場營銷的促銷活動，首先要看該活動滿足了客戶的什麼需求，在參與活動中他們能夠得到什麼，以及他們所得到的是他們需要的嗎。這就是營銷的要點，在這個要點的基礎上再去尋找方法。

做公司戰略研究，也要找到企業成功的關鍵要素，KSF(KeySuccessFactors，關鍵要素分析)是我們分析戰略的重要手段。關鍵要素可以分成兩類，一類是必要條件，另一類是充分條件。如果能夠找到充分條件，再看滿足充分條件的成本和實際完成該件事的收益是否對等，如果不對等，則不會採取措施，等條件成熟後再去考慮。必要條件是完成一件事必須的條件，但有了該條件，事情可能也無法完成。我們非常希望挖掘每件事情的充分條件，但探索充分條件或者把握充分條件是一件比較困難的事情。

尋找關鍵要素的方法很直接也很簡單，但仍然有很多人在實際工作中忽略。

1.2 尋找差異

尋找差異是我們人類認知事物最基本的方法。在企業大數據應用中，看數據的第一眼就是看數據的差異，這裡說的差異也包括本來存有差異的事物間的共性。

看到一組數據的第一反應就是看數據間的差異，差異會引導著我們去思考存在差異背後的原因。比如，上個月銷售5000萬元，這個月銷售額4500萬元，差異500萬元，為什麼少了？是行業下行趨勢還是行業的季節性波動？哪些方面沒有做好？哪些產品的銷售額減少了？哪些區域市場的銷售額減少了？哪些業務員的業績減少了？為了探尋差異，需要對這個數據再細分下去，然後在拆分後的數據中再次尋找差異。尋找差異是我們的第一反應，這種反應是數據思維的反應，但需要在這個反應中更加理性化地去看待數據。此例中，在知道兩個月的銷售額差異後，按照銷售額的來源追問下一級別數據，即在子項中去尋找。銷售額的子項可以是客戶、產品、業務員、市場區域等。

在尋找差異的時候，除了尋找數據的差異，還會比較差異的大小，根據差異的大小來區別對待，看是否需要採取更加深度的分析。我們一般能夠感受到的差異在5%以上，5%的差異在商業上是比較容易接受的誤差，超過5%的誤差，一般都要深究其變化背後的驅動因素。如果變化超過30%，就需要深度分析原因了。

在設定差異的時候，可以設定一個閾值，比如5%、10%、15%等，這與統計學上的置信區間類似。利用統計的方法對事物進行測量時，會設定重大決定要求置信區間為95%（即5%），一般商業決策或者初期測量按照85%設定，即15%。在做市場研究的時候對比兩個產品的差異，利用統計學的方法來測評產品，如果是初期研究，就設定置信區間為85%，如此採樣少，成本低；如果是上市前的測評，則需要加大樣本量，以95%的置信區間來測評，評價兩個產品之間是否存在顯著性差異。

對差異大小的敏感度在企業發展的不同時期會有不同的要求，企業剛開始快速發展時，對未來的估計量誤差很大，一般會容忍20%的預計誤差；當企業相對成熟，業務相對穩定時，對業績的預期與實際的誤差一般按照10%來估測，如果是10%以內，則認為是隨機波動導致的，如果大於10%就需要深度追究背後的問題。

除了量化的差異之外，還有定性方面的差異比較。比如客戶的需求、評價、關注點、行為、地理位置等，這些差異的比較也會給我們很多啟發，從而找到事物發展的規律。對於任何事物我們都可以從其屬性和要素的角度進行對比差異，當然選擇要素和屬性的時候，每個或者每一類事物都有其獨特的屬性需要關注，重點屬性和要素是我們認識事物的關鍵點。

1.3 尋找關係

經營企業最希望知道的訣竅就是事物間的因果關係，如果我們知道做好了A必然得到B，就太幸福了，可是事物的發生和發展大多都不是這種直接的因果關係。

比如當我們真的投入100萬元做廣告的時候，是否能夠得到1000萬元的產出，這個誰也不敢保證，因為在打廣告的時候，預計和實際差異總有偏差，廣告效果受多種因素的影響，所以無法精確估算廣告帶來的效果，但是我們一直沒有停止探尋這個關係。

有了較好的理論，但在推行的時候，理論是抽象的現實，落實到現實時，不可預計因素影響了理論效果的實現。

當知道了一個事物的影響因素，並對相關的影響因素進行量化，通過多年的經驗構築一個數學模型，在實際應用中利用數學模型能相對準確地預測未來的銷售額和利潤，但在新的大數據時代，外部環境變化速度越來越快，數學模型所預測的誤差越來越大，我們不得不經常修訂數學模型以滿足管理決策對準確程度的要求。

比如，可以構築一個數學模型，表示廣告投入和銷售產出之間的關係，即：

Y(銷售增加值)=f(X–廣告投入)

如果有足夠多的數據，就能夠做出相對準確的數學模型來預測。掌握的數據量越大，對該模型的準確程度越自信；但環境變化的速度會影響該模型的準確性，用歷史數據構建的模型，對未來的適用程度也會隨著減弱。所以，要根據新的市場環境和競爭環境，以及媒體環境進行修訂。

在大數據時代，統計學的計算方法和全數據集的計算方法，大部分仍然適用，至少其算法思想還是可以使用的。比如事物的相關性，雖然大數據給我們的是全數據集，但對樣本數據集的算法，在相關性計算的算法上，還是有著高度的相似性的。比如在數據時代下的數據集中，探尋兩個事物時間關係的時候，仍然可以使用統計學的計算方法。

大數據給我們提供了更多的數據，可以利用大數據集中豐富的數據來構建多種事物之間的關係，從而獲得更多的產出關聯。比如大數據文章或者書籍中經常提到的啤酒與尿布之間的關聯關係。該故事說，大數據研究人員在對沃爾瑪的購物車進行分析的時候發現，啤酒和尿布經常出現在同一個購物車中，於是沃爾瑪就把啤酒和尿布放到一起擺放，結果銷量大增，後來才發現緣由：在美國給孩子購買尿布的一般都是爸爸，而大部分孩子的爸爸在經歷一天繁忙的勞碌之後，等孩子睡著了，總要喝幾罐啤酒來休息。且不管這個故事的真實性有多高，但其思路和算法是正確的。通過分析購物車中的產品間的相關性，我們完全可以把經常出現在同一個購物車中的產品擺放在一起，以大幅度減少消費者在購物過程中尋找多個產品所耗費的時間，同時，因為經常一起採購的商品被放到一起，也能夠起到提醒的作用，原本沒有打算購買啤酒的消費者，在購買尿布的時候，看到旁邊擺放著喜歡的啤酒，就會一起購買了。這種算法叫作購物籃分析，或者叫購物車分析。這個算法也經常用到電商數據分析中，通過了解消費者在網店中購買產品時的組合，在網站上給購買組合中某一產品的客戶推薦另外一個產品，可以大幅度提升消費者一次性購物的總額。

這種關係稱作關聯關係。購買尿布和啤酒之間本身沒有因果關係，而只是在特殊原因下所產生的相關關係。比如，夏天到了，啤酒的銷量大幅度上升，與此同時，溺水死亡人數也大幅度上升，但不能說喝啤酒導致了溺水死亡，兩個現象的背後有著一個共同的原因：天氣熱了。所以，不能根據現象的共生關係來推理兩者之間的因果關係。

相關關係雖然不能簡單認為是因果關係，但可以從相關關係上獲得對事物的認知。當了解到兩個現象之間具有較強的相關性之後，就可以利用一個簡單的、容易獲得的數據來評測另外一個數據。將我們複雜的事物關係簡單化，從而能夠更快地採取相關的措施來應對事物的惡化，或者採取必要的手段抓住一些機會。通過一個較早的數據信息來評測另外一個較晚或者較難知道的數據，就能夠做好更多的準備。

1.4 尋找特徵

人類認知事物一般通過比較識別事物的差異，比較事物的特徵。當我們識別其他事物的時候，也是根據事物的特徵來識別的，比如植物學中識別植物時就是根據各種植物所體現出來的各種特徵而將其分成了門、綱、目、科等不同層級的分類，同一種分類下有相同的特徵，不同的子類間有相關的差異。

對企業積累的大數據進行分析或者解讀的時候，分析數據的特徵是一個初級但有效的方法。在識別一個數據的特徵時，通過數據的可視化來體現數據的特徵。可以利用統計學描述統計的方法對數據進行特徵探尋，如下圖所示。

左圖表示數據集的偏度，右圖表示數據集的峰度

在觀測數據的特徵時，第一步要做的就是評判這組數據的分布情況，我們用描述統計的方法來進行。通過做數據值的分布圖，可以了解其集中的數據是如何分布的，偏度是大（正）還是小（負），以及是否符合正態分布的特徵等。

通過觀察事物的變化狀況來了解數據背後的特徵。將數據放到線圖上，可以看出該數據隨著時間變化的趨勢，包括季節性和長期增減趨勢，如下圖所示。

具有較強季節性變化的市場（價格變化）

通過分析長期數據的變化特徵，可以從長期變化特徵中找到事物變化的規律。比如行業發展的S曲線，新技術應用的波峰曲線等，如下圖所示。這些都是我們長期觀察一個新鮮事物得到的，並在過程中逐步驗證。

技術發展的波峰曲線

大數據本身是一個新的技術，在這個技術被發現並應用的過程中也會經歷曲線發展變化趨勢。在觸發期，大家對大數據的認知很少，但隨著應用案例的不斷出現，會有越來越多的人開始呼籲新技術，以至於人人都在談論大數據，媒體也在炒作，技術領袖也會出來背書。當炒作到一定熱度的時候，期望值過高，而技術不成熟，普及難度會增加，很多失敗的案例開始湧現，再加上媒體開始發揮其誇大本性，對新生技術口誅筆伐，銀行家和投資者也會失去信心，使其進入「幻滅期」。新技術本身都有一個逐步成熟的過程，其價值發揮也需要一定的發酵和醞釀過程。

大數據技術也有逐步被炒熱的嫌疑，其真正能夠為社會創造價值，需要更長的時間來探索和發現。根據過去的歷史經驗可以判斷，大數據概念也會有從過熱到幻滅的過程，但希望我們這次會更加理性地看待，不過度追風大數據的同時，也不能低估大數據在未來能夠發揮的作用，在投資上、在技術投入上、在對大數據創業公司的支持上，能夠更加科學和理性，讓大數據技術穩步發展。

1.5 尋找規律

人類探索自然和宇宙的過程就是一個尋找規律的過程。我們通過對自然現象規律的探尋，創造了自然科學，並對自然現象進行抽象，衍生出數學、物理學、化學等各種自然學科。探尋事物發展的規律可以按照規律來指導實踐過程，從而能夠更加有效地控制產出，得到我們想要的結果。

大數據時代提供了更加豐富的數據，通過這些數據能夠對身邊的事物進行更加詳細的解讀，從而為我們探尋規律提供更多的素材。

商業管理活動不可能像科學家一樣做精準的測量，但是在大數據時代，豐富的數據讓我們對所處的環境有了更加清晰的認知，越來越多的智能設備記錄企業各種資源的各種活動和路線，以及企業相關資源的轉換活動，我們能夠非常容易地追溯到每個活動所產生的效果，更加準確地測量想要測量的對象及其活動，這為我們研究資源轉換效率、優化資源配置提供了更好的素材，在這個基礎上來總結事物發生和發展的規律變得更加方便。

這裡說的是更加方便，而不是更加容易。因為數據龐大，數據分析和挖掘技術還不夠完善和成熟，我們對數據的處理能力限制著探尋到的數據規律以及該規律的有效性、可重複性以及邏輯性。我們利用數據的關聯可以採取商業決策，具體這個規律所能夠適用的條件，我們也無法知曉，只能通過實踐來驗證，並在試錯中進一步前行。

比如，我們前面提到過的啤酒與尿布之間的關聯關係，我們無法知道這個關聯關係在法國的家樂福中是否成立，也不知道這個案例在中國沃爾瑪商場中是否成立。在我們不知道這些規律背後的邏輯所成立的條件時，所採取的商業舉措也必然帶有很高的試錯風險。但是我們可以在法國的家樂福和中國的沃爾瑪中利用關聯算法來分析購物車。算法本身就是研究規律的規律。

目前大數據技術在很多個算法模型上取得了很好的突破，包括基於地理位置的LBS，基於時間軸的Timeline分析，基於標籤的畫像技術，基於字典的文本挖掘技術，基於點對點的聯結技術等，當然更多的技術還在研究、發展和創新中，肯定會不斷突破。

在大數據領域相關規律的探尋上，原有的統計學、數學理論、商業智能等相關的技術仍未過時，仍然對大數據技術有幫助，甚至可以說是必不可少的補充。

作為企業的數據分析人員，基本的統計學方法、數學方法、統籌學的相關方法仍然是基礎，即使是大數據時代，這些方法也非常有用，能夠為公司的數據管理提供基本的分析方法。

1.6 尋找奇異點

與統計學的思路和方法不同，大數據時代更加關注奇異點或者叫作特殊點。大數據是全面的數據，所有的奇異點都會被發現，而奇異點是企業發現新方法和新思路的重要地方。在統計學的方法中經常先把奇異點去除掉之後再進行相關數據的分析計算，而在大數據的方法中，我們會給予奇異點更多的關注，並試圖理解奇異點的奇異之處，從而為企業的管理創新尋找機會點。

在企業管理活動中會經常碰到奇異點，比如有幾十個業務員，那麼總有幾個業務員有著超越其他人的業績，也總有幾個業務員業績排名在最後，對於優秀業務員業績和活動的分析總結實現優秀業績的方法，從而指導我們進行業務人員的招聘、培訓和日常活動管理。

在大數據時代，我們能夠採集更多的信息和數據，記錄更多的行為和活動過程，可以通過解剖活動和過程的方法詳細地分析最好的和最差的區別，然後在最重要的區別上進一步嘗試和分析，也可以根據需要採集新的數據分析特定資源的轉換活動以及轉換方法。

奇異點的分析能夠給我們更多的啟發。一個事情存在，必然有其產生的根源，奇異點的出現也有其產生的土壤。對於奇異點的分析，能夠帶來更多創新的思路。一個新的業務員能夠拿下一筆大單，不會是天上掉下的餡餅，自然有其成交的核心方法。在對社會資源和公司資源的綜合利用上進行分析，再對比其他的業務員，找到他們行為的差異，並對其成交的過程進行復盤，深度分析客戶過程中的決策驅動因素，找到有效的說服客戶的辦法，為團隊提供營銷的思路。

1.7 尋找「配方（結構）」

一個產品的構成有其基本的配方，也有其合理的生產工藝流程，最後組裝成為一個產品，我們把部件組成和生產工藝流程看做這個產品的「配方」。

企業也可以看做是一個由複雜的「配方」組成的，包括可見的人、財、物和信息，也包括不可見的企業的品牌、商譽、客戶關係、企業文化、經營管理訣竅、組織流程等，因此如果我們能夠將這些可見的資源和不可見的信息進行配置，並按照合理的流程、工藝和方法完成資源間的轉換，從而實現資源的最大化利用，實現最大產出。

一個管理者的優秀績效表現在具有同等資源輸入的情況下，最大化的價值產出。比如一個連鎖餐飲店或者一個連鎖美容服務店「配方」要素有：人員、流動資金、房租、店面面積、店面投資（包括各種裝修等）以及市場營銷的相關費用，而產出就是利潤，當然根據企業的要求不同或許會有差異。從而有了這樣一個配方模型——DEA模型（DataEnvelopAnalysis數據包絡分析模型），如下圖所示。

DEA模型

從常識的角度去了解，在輸入的資源方面，如果店面面積確定了，則銷售費用投入會帶來更多的客流，但銷售費用的投入會有邊際效應遞減的現象，而帶來的客流量也有一個接待能力的限制，所以當該店的上座率達到一定水平之後，就無法再繼續增加，進一步的銷售推廣活動也變得沒有更多產出，存在費用浪費的情況。既然店面的面積確定了，能夠接待的最大客戶數量也就確定了，對業務人員或者服務員的要求的最大值就固定了，再增加服務員的數量，只會讓更多的服務員閒置，造成浪費。所以，肯定有一個最佳的組合，那麼這個組合的配方怎麼研究呢？

存在多個店面之後，我們可以根據投入要素和產出要素在多個店面的實際情況來構建數學模型，從而評價哪個店面的配方最為合理，由此形成了在統籌學上經常用到的DEA模型，該模型不僅能夠根據現在店面的運營狀況得出一個相對較好的配方，而且針對每家店面，能夠得出哪些要素投入多了，哪些方面投入少了，然後可以優化。

在對企業進行分析的時候，用配方理論來了解公司的各種資源構成和隱性配方組建的構成，往往能夠找到企業管理問題的根源。筆者曾經為某個企業提供諮詢服務的時候，其一直解決不了品質問題和營銷的問題，我們把人員數量佔比、工資佔比、平均工資進行對比之後發現，營銷人員的工資佔比只佔全員工資總額的5%，而且有些年份只佔2%，這遠遠低於行業12%～15%的水平。沒有對營銷人員工資進行投資，如何發展這方面的能力？在品質管控方面，人員數量佔比達到行業的平均水平，但平均工資非常低，甚至低於某些後勤團隊的平均工資。工資不高意味著人員的素質和能力偏弱，沒有高薪聘請品質管控的高手，如何打造出高品質的產品？通過數據可以看出問題的根源和企業需要做出的調整。

一個部門也可以看做是一個配方組成的組織，通過數據對部門進行分析，對部門進行評估，尋找部門發展的思路和方法。一個市場的策劃方案也需要一個對資源進行配置的配方，精準的市場營銷就是考慮聚焦於最有效的資源配置方法，合理的營銷活動配方會讓市場活動的投入產出效率更高。

全文摘自《企業數據化管理變革-數據治理與統籌方案》趙興峰著

該文轉載已取得作者認可

版權說明：版權所有歸明悅數據所有,如需轉載請聯繫我們，我們將在第一時間處理，或請註明內容出處（《企業數據化管理變革》趙興峰著），非常感謝！【往期內容已在（明悅數據）公眾號同步發布】

下期內容更實戰！