详解数据分析数据挖掘驱动业务决策流程

1、详解数据分析数据挖掘驱动业务决策流程数据驱动决策，是大家天天挂在嘴边的时髦词汇。可到 底数据是如何驱动的？很少有人真正看到过全流程。更有人 总疑惑：“自己被人追着屁股要数，感觉自己才是被驱着动 的“。今天系统讲解一下，拒绝跟风。I1最原始的决策流程首先，做事情是否一定需要数据，答：完全不需要。理 论上，做事情只要两横一个竖：干就完了奥力给！所以最简 单、无脑的做事方式就是（如下图）但是大家都知道，这么空洞的打鸡血喊口号，是种除了逼死员工以外没屁用的方法。因为实在太无脑了。干什么， 怎么干，干成啥样，都不知道。科学决策的雏形因此这种原始的决策很快进入到第二阶段：三拍阶段（如下图）这种三段式决策，

2、已经具备了科学管理的雏形，并且随（如下图）这种三段式决策，已经具备了科学管理的雏形，并且随着80年代末、90年代初承包制的普及，大放异彩。以至于 很多50、60后的领导以及受他们影响的70、80后领导，都还喜欢沿用：干什么，怎么干，干啥样这种三段式说法。然而，这并不是真正意义上的科学管理。为太粗糙了。然而，这并不是真正意义上的科学管理。为太粗糙了。特别是干什么，往往是领导自己拍脑袋定，他们最喜欢的口 头禅是：“你先达成个小目标，挣它1个亿至于为什么是 1个亿，为什么非得挣钱而不是占领市场，从来没有深入分析与解释。决策拍脑袋的结果，就是当面拍胸脯，出事拍大 腿。因此才有了“三拍”的戏称。从粗放到

3、精细想要提升决策的精细化程度，就得引入数据度量和数据分析，可以说，据分析天生是为科学管理服务的分析，可以说，据分析天生是为科学管理服务的。有了数据的支持，能够做大量精细化管理。决策前：1、量化评估经营现状，收入、支出、利润。2、根据市场、对手、消费者数据，评估机会点与威胁。3、根据过往业绩走势，发现自然变化规律，制定更合理的目标。决策中：1、量化评估备选方案所需的时间、人力、物力投入。2、根据过往表现，量化评估方案可行性，评估预计完 成率。3、根据过往业绩走势，发现自然变化规律，制定更合 理的目标。决策后：1、量化监督执行过程，发现执行问题。2、分析执行手段，评估优化、调整的措施。3、复盘执行

4、效果，检查目标实际完成，总结经验。到了这个阶段，已经实现了数据驱动决策和数据化管干啥样干什么* 皓果复盘4 机会点* 过程监督到这个阶段I已经有了完整的决策闭环.并且开始引入数据作为参考依据.很多经典管理理论都是诞生在这个时期备选方案到了这个阶段，已经实现了数据驱动决策和数据化管干啥样干什么* 皓果复盘4 机会点* 过程监督到这个阶段I已经有了完整的决策闭环.并且开始引入数据作为参考依据.很多经典管理理论都是诞生在这个时期备选方案怎么干；方案评估执行计划过程管理原始阶段三拍阶段PDCA盼段理。这个阶段最经典的就是PDCA理论。它将决策过程分为PDCA四个阶段: Plan计划 Do执行 Chec

5、k检查 Act处理通过循环迭代，确保目标落地，逐步提升质量（如下图）,了薜现状,分析原因制,了薜现状,分析原因制定目标,预留资源,制定方案落地目标开展方案执行方案总结经验回顾目标,循环迭代检查过程南通问题控制质量保障结果听起来似乎到这里，数据驱动决策已经做到头了。在原 理上确实如此，很多经典的管理理论都是建立在这个阶段。后续的主要进化，体现在技术方面。因为获取数据，本身是T 件非常艰难，且非常需要技术支撑的工作。因此技术手段 的高低，直接决定了管理理论能否落地，能否创新。相当多的经典管理模型，比如 AIDMA、PSM、双盲测 试（ABtest）都是建立在调研问卷的基础上的。虽然理论上 调研问卷

6、能问回来一切数据，但是调研有天生的局限：1、人记忆力有限，数据准确度不高2、人精力有限，问题不能太多，选项不能太复杂3、人有惰性，A选项永远选的最多，3分、5分的比例 永远最高受以上限制，好问卷成本高，周期长，获取数据速度贼 慢贼慢。因此，后续的管理方法进步更多是伴随着数据采集方法 的进步，越做越精细。4更精细的数据驱动流程更精细的数据驱动手段，都是技术驱动的：数据1、有了 OMS/CRM系统，可以更即使采集交易+数据1、2、有了 APP/小程序+2、3、有了丰富的数据，可以完善用户画像，可以做预测 3、4、执彳亍通过CDP/ECRM4、执彳亍有了技术支持，在管理上细节也更丰富（如下图）交于上

7、个阶段，主要增加的内容包括:1、从整体目标分解到各部门、各环节子目标，逐级落 实2、更清晰地区分指标与判断标准，引入综合评估方法3、增加了 CDP（选老办法），与ABtest（测新办法），更容易选出好办法整体过程，可以看下图的详细描述:决策前 感知问题 制定目相现状事京认却定性的描述问即，如：市场潜力不足、行业不景气、成本爵汁海据指标伟系用教据指标，定筮的描述问IL琪汁市场空间湖化，目前已发展郎诚舞据为期标准建立数据尹断标淮，定屋判断向建罡舌严重，是舌谖梭专虑数据编含评估对应考虑的若干问题曲询怙，迭出重点i可疆，或者定义先后版序数据壁化目标对重点间题建立筮化考核指标，下达任务目标结容部门决策中

8、 感如问题 制定目标目初解史解整体目标，具体到眼前.可蒲芟的f司备迭方案设计设计留选方案，格五案量化色可评估的源指标数据评估方黍j多方素对此评估，迭出亍础效果减本满茴的方素细化执行计副针对巳迷出的方案,制走落地构行的计划决策后保障执行夏措锁吩段性小目标分偎执行日标，具体到每天要制帝动作携果监源标住离监控1赠亍过程与执行靴.保证落实到位，发现执行问题问题弱观归因福执行中问题判断问瓯尸重程度,迭出需改善的点优化手段洌说利用测述*,选出合适的优化方秉.观茶改普效果数据复盘史解蹩体目标，具体到眼业可蒲实斯词这阶段最流行的就是OSM方法，通过逐级分解/量化 指标，推动决策落地（如下图）Objective

9、；全密程转化率用户操作步骤业务策略St rat egywtwMeasureaent-用户登录人数用户操作步骤业务策略St rat egywtwMeasureaent-用户登录人数优惠券派送贝面布局优t精选产品,支付渠道优化.限时折扣未村款提51，领券人数页面跳出率券使用率页面转化率短信提醒*信息push1切浦衡量指标，指的是：衡量每一个策略行动的指标。衡量掘示与大目标之间有联系，往往是基于 大目标拆解出来的过程指标。这样基于商最指标，能观察过程进度，能在复盘时回顾效果注意：想实现驱动效果，需要的是在决策过程每个环节， 配置合适的数据工具，分别发挥作用。是一套工具的组合，而非一个超厉害的模型或者

10、公式，计算出超厉害结果。在整 个工作过程中，技术上最大难点在于数据采集，要保障高质 量、多维度的数据收集且不拖项目整体进度，是个非常麻烦的事。业务上的最大难点，在于共识。如何避免争吵，争取 认可是关键（如下图）n决策的贵目标现决策的贵目标现状事实认钮射据1旨标佐系数据判断标雇数据综静估数据量化目标决策中击症目标目标分解 备性方案谖汁数据评估方案细比执行计制决策后 保障推行阶段性小目标监控指标佐系向题发现归因优化手段测试数据复盘技术t度：低|教掘菜症阕1据报表技术鹿度：高专题分析，内部共识技术疽度：低专趣分析廉据建模/技术谁度；中数据报表您夜扣,技术谁麒低|教据报来业务工作技术松:低 技术难度：

11、-专题分折遍角建模技术难度；中数据报表技术淮度，保数据报表技术难度：低1掘采集凰据报表技术谁度：高专题分析隆朋模型檄据报表技术潮度，中蝠评合幽据报表技术难度七高专题分析议共识技术鹿度：低业务难度】中业务难度：低业务做S业务难斑高业务谁房低业务箍度：彳氐业新1度：-业务难度：中业务难度；低业务唯度：低业务难度：帽业务做低业务做低业务雄度：高到这里就介绍完了。但是肯定有人好奇：这管理理论看起来也不复杂呀，为啥我在现实中就看不到呢？那是因为理 论和现实总有差距，具体到企业里，各种奇葩人和事层出不 穷。为什么你感受不到数据驱动决策，问题1：人/制度/系统落后相当多的企业不重视数据建设，特别是数据采集与

12、流程规范。相当多的企业制度还停留在原始阶段，大干快上。相当多的企业领导还在用野蛮管理方法。时代变了，人/制度/系统不变，一切还是不会变。I问题2:私心太重，刻意扭曲数据很多领导也就是嘴上喊喊数字驱动，实际上只是拿数据 当牌坊，好看的数字多写，不好看的数字变着法改好看，实 在不行就甩锅给“我司没有人工智能大数据 分析能力，这 样铁定实现不了数据驱动，而是在玩数字游戏。I问题3:盲目迷信人工智能大数据注意：从数据驱动的演化过程可以看出，想实现数据驱动，需要的是前中后期的分工，是报表,管理模型、算法模型.测试平台,专题分析的相互配合，不是一个“超牛逼智 能模型 Duang !一声就模出来的。然而总有人不信，总有 人以为电脑里住着一个无所不知的“模型能一模定乾坤， 最后自然各种悲剧收场。I问题4:过于重视指标，购标准建设。这是数据分析师们常犯的问题。一讲分析，张嘴就是几 十个数据指标，可到底哪个是主指标，哪个是副指标，哪个 是参考指标。至U底哪几个指标组合起来看，到底指标数值是 多少算好，多少算差。没有清晰的标准，没有和业务共识。