文 | 帆軟數據應用研究院 李向川 大數據分析和數據分析是有區別和聯繫的。這裡重點關注兩者的是技術要求、使用場景、業務範圍等方面的區別和聯繫。重點要區分理論研究和實際應用兩方面區別和聯繫。 什麼是數據分析？ 數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，未提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。 數據分析包含「數據」和「分析」兩個方面一方面包括手機、加工和整理數據，另一方面也包括分析數據，從中提取有價值的信息並形成對業務有幫助的結論。 數據分析的成果通常以分析報告的形式呈現。對於數據分析報告，分析就是論點，數據就是論據，兩者缺一不可。 傳統數據分析與大數據分析的三方面異同： 第一，在分析方法上，兩者並沒有本質不同。 數據分析的核心工作是人對數據指標的分析、思考和解讀，人腦所能承載的數據量是極其有限的。所以，無論是「傳統數據分析」，還是「大數據分析」，均需要將原始數據按照分析思路進行統計處理，得到概要性的統計結果供人分析。兩者在這個過程中是類似的，區別只是原始數據量大小所導致處理方式的不同。 第二，在對統計學知識的使用重心上，兩者存在較大的不同。 「傳統數據分析」使用的知識主要圍繞「能否通過少量的抽樣數據來推測真實世界」的主題展開。「大數據分析」主要是利用各種類型的全量數據（不是抽樣數據），設計統計方案，得到兼具細緻和置信的統計結論。 第三，與機器學習模型的關係上，兩者有著本質差別。 「傳統數據分析」在大部分時候，知識將機器學習模型當黑盒工具來輔助分析數據。而「大數據分析」，更多時候是兩者的緊密結合，大數據分析產出的不僅是一份分析效果測評，後續基於此來升級產品。在大數據分析的場景中，數據分析往往是數據加墨的前奏，數據建模是數據分析的成果。

帆軟數據應用研究院 李向川 「大數據」這個詞，從2012年開始，成了時髦、高端、創新的代名詞，一直火到2015年初。2015年開始，「大數據」一邊被人耳熟能詳，一邊又成了讓人嗤之以鼻的辭彙。如果業內人士，關注 Gartner 的技術成熟度報告的朋友，會有清晰的了解，2015年正是「大數據技術」的泡沫破裂期。從2016年到現在的2017年，廠商和相關技術供應商不斷完善自己的產品，加上用戶需求的明確，產品在設計和使用場景上趨於成熟，「大數據技術」正在穩步爬升。那麼「企業大數據」和「大數據」到底有什麼關係？「「企業大數據」它從哪裡來，這裡，我們從這兩方面聊一聊「企業大數據」。 1 企業大數據，你到底是什麼 1.1我們先來看看主流的大數據概念。 IBM提出大數據的5V特點：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性）。 麥肯錫全球研究所給出的定義是：一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統資料庫軟體工具能力範圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特徵。 「大數據」（Big data）研究機構Gartner給出了這樣的定義。「大數據」是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產。 由我們帆軟研究院總結來說，大數據一般指數據量級非常大，常規數據處理、數據存儲和數據分析能力無法滿足要求的數據。同時，「大數據」的「數據處理能力」是相對的，是不斷提高的，隨著大數據處理技術的發展，今天的大數據會成為明天的小數據。 1.2 我們的企業大數據，是個什麼概念 前面提到的這些大數據，對大多數企業來說，都是外部大數據。當前大家所說的「利用大數據來做某某事」，一般都指的是利用外部大數據。從帆軟研究院的經驗來看，當前的大數據應用更多在「富數據」行業：互聯網企業、電信企業、電子商務、金融服務業。而廣大非超大型的大中小型企業，並不一定擁有這樣的「富數據」的業務機會。但針對企業外部的大數據，有些開放的數據我們還是可以通過技術手段獲取和使用的。 每個企業日常經營和管理中都產生數據。比如考勤數據、銷售數據、銷售行為數據、生產數據、財務數據、採購數據、人力資源數據等等。企業大數據是指全面記錄企業經營和管理活動的數據。 我們這個定義，是從企業實踐應用角度出發的，不過分強調數據量，即使數據不多，依然是企業大數據的一個組織部分。我們主要重視數據設計範圍的全面性。在企業數據化經營和管理中，只有全面的、相互關聯的數據才能發揮作用。 1.3 再談談數據的價值密度概念 在 IBM 對於大數據的定義「5V」中，有個Value（低價值密度）,外部大數據數據量和信息量非常大，但內容不聚焦，對單個企業來講，價值含量低。而我們的企業大數據每一條記錄都和企業高度相關，都可能蘊含巨大信息量，價值密度高，需要企業更加重視。從另一方面來說，企業大數據是我們當前能快速挖掘利用，能高效分析，支撐決策管理的數據；而外部讀數據，或許更適合我們發現商機和商業模式，對於企業經營管理，效果不一定可觀，甚至難以支撐經營管理決策。 2 企業大數據，你從哪來 2.1 企業大數據主要來自日常工作活動。 企業管理資訊系統里，各個崗位管理者都有數據清單。下面是常見部門崗位數據清單舉例。我們看到人力資源管理、財務管理、銷售管理等業務相關的部門，都有這類數據清單。如果企業不能快速提供這些數據，那就說明這個企業的數據化管理存在嚴重的數據源管理不足。 2.2 企業數據源頭管理需要系統化 同行或者潛在市場的相關數據，比如競品信息、競爭對手活動信息、潛在客戶名單、客戶內部決策流程等，需要銷售人員主動去外部採集。數據的質量和數量完全依賴於銷售人員的積極性和主動性。 企業需要建立管理制度，落實管理流程，來確保相關人員採集數據的積極性和準確性。比如一定程度上關聯KPI，或者進行獎勵性措施。為什麼企業大數據管理不能僅僅依賴於個人的積極性和主動性呢？因為不同的員工基於不同的資源和個人利益，會帶來不同的結果。企業要想構建比較完善的企業大數據，必須要系統化地管理。 企業建立相關管理制度，一方面落實到人，讓數據負責人對自己所負責的數據有質量意識；另一方面，在內部管理上，要建立不斷完善的活動與數據更新的聯動機制。這些需要在內部管理制度、崗位要求、任務說明、流程要求等方面作數據管理的規範性要求。 一般來說，企業可以先自行建立簡略的數據管理的的相關管理制度，也可以諮詢帆軟數據應用研究院等專業的數據化管理研究機構，提供方法支持和可借鑒的標準化模板，以及借鑒其他成功的數據化管理項目實施案例。 2.3 企業大數據的分類 企業大數據更多關注的是企業內部的數據，是指企業自主擁有的，具有「自主產權」的數據，包括企業主動合法採集的、外部採購的、第三方合作的，以及政府等機構公開的、無償使用的。 我們從數據所描述的「主體」上，把企業大數據分成兩大類。 第一類，是資源信息數據。資源信息數據是「靜態數據」，記錄企業相關內外部資源主體的相關信息。企業的資源包括人、財、物和信息四大類資源。舉2個資源信息數據的例子。 第二類，是資源活動記錄數據，指得是公司經營管理活動所必然牽動的數據。比如，考勤數據、銷售交易數據，這些都是資源活動，具有極強的時效性，我們稱之為「動態數據」。舉2個資源活動記錄數據的例子。 2.4 企業大數據的六大主要來源 為了企業構築更加完整、全面的數據源頭，我們從數據描述對象與企業的關係角度，以及動態和靜態信息來進行分類，企業大數據的來源主要有六大類。 企業資源的信息數據（靜態數據）； 企業資源活動的記錄數據（動態數據）； 企業經營活動所接觸外部資源的信息數據（靜態數據）； 企業觀測到相關資源活動的記錄數據（動態數據）； 企業主動採集或者採購的外部數據（靜態+動態數據 ）； 外部開放數據和公共數據資源（靜態+動態數據）。 如果企業能夠堅持3~5年持續收集、處理數據，甚至主動採集市場上的調研數據，那麼企業就能不斷感知公司內部和外部市場的變化，隨時調整公司內部管理，以及產品線、銷售策略，品牌策略，讓大企業有具有敏銳的感知力和高效的行動力，做到「春江水暖鴨先知」。 有一類重要的企業大數據來源，不是來自企業經營管理活動，帆軟研究院稱之為「外部公共開放數據資源」。外部公共開放數據資源，包括政府公布的人口數據、經濟數據以及權威機構發布的研究數據等。 企業制定戰略、研究投資等方面是，需要考慮深度分析這些數據。這些數據一般都有固定的開放平台，包括國家統計局網站、權威數據機構網站、官方媒體等。比如，人口數據對於大多數公司制定發展戰略、確定年度目標有重要參考意義。 外部公共開放數據雖然在逐年增加，大基本保持平穩，統計方法基本不變。企業如果需要，應該積極主動的去利用這些數據。 3 […]

有人問我，隨著大數據，人工智慧AI的到來，新的數據管理團隊應該如何組成的？比如崗位職責、配置及人員數量等等。這個問題不好回答，因為不同企業的實際情況不同，這裡給出筆者的一些思考，希望於你有益。 有企業很早就提到IT資訊要成為業務的使能者，由此可以套用到大數據上。對於大數據來講，早期的使能者是大數據平台，隨著業務的深入，大數據的支撐就要逐步過渡到軟硬兼顧，這個時候，數據管理能力就變得舉足輕重，其對上要支撐好業務，對下要承接好平台，將是未來大數據運營的發動機。 大數據時代的數據管理團隊建設對於傳統企業是比較難的，為什麼？ 首先，雖然很多傳統企業都想往大數據轉型，但其數據管理團隊的職責主要還是報表取數，其數據支撐的特點是需求導向，要求準確、快速及穩定，而大數據運營則特彆強調創新和價值挖掘，在新老交替期間，如果一隻團隊要兼顧兩套使命，的確是有挑戰的。 其次，兩者的具體工作內容也有所不同，雖然在數據運維、數據質量、元數據管理等方面的工作是雷同的，但一般的報表取數團隊定位主要是數據平台的使用者，而新的數據管理團隊則不僅是使用者，更是數據中台的建設者，因為大數據對於數據、模型及平台方面的要求較以往有很大不同，很多數據管理工作需要推倒重來，數據管理團隊迎來新的建設期。 比如要進行非結構數據的採集了、要求元數據、數據質量管理平台能同步對接各類大數據技術組件了，又比如原來的數據倉庫模型支撐報表取數就可以了，現在要支撐價值變現了，這對建模提出了新的要求，也許自頂向下的關係模型方法不再適應新的要求，也許內容、位置、社群建模等將成為新的建模重點，諸如此類很多。 最後，從技能的角度講，雖然兩者有相通性，比如都包括數據分析、數據運維，數據管理等等，但內涵和範圍也有了很大不同，在建模技能、探勘技能、管理技能、平台技能要求方面已經不可同日日語，特別是諸如人工智慧等方面，當前很多企業數據管理團隊在這方面的儲備是不夠的。 大數據時代，數據管理團隊要與時俱進，新的生產力需要新的生產關係來適配。 新時期理想的數據管理團隊該如何組成呢？ 這裡，筆者給出一種團隊框架，列出以下六個核心職責： 其實跟足球的後位，中場及前鋒配置還有點類似，後衛即數據運維，要保證數據穩定，質量可靠，這是根本，中場包括資產管理、技術研發和培訓體系三個方面，這是能力，以往企業對於這塊是不太重視的，因此數據管理往往缺乏後勁，前鋒包括內外部運營，這是產出，也是評估數據管理成效的唯一標準，特彆強調要形成閉環，當然不同的企業所處的大數據階段不同，需要靈活調整，要注意的是，這裡未將基礎平台建設納入，主要是考慮到諸如私有雲等平台建設非常重，很多企業往往單獨設置部門，因此不再列出。 數據運維 筆者在《大數據運維的思考》中有過詳細的闡述，其與傳統的數據運維有傳承也有改進，畢竟平台不同了，技術要求也不一樣，以前是在DB2，ORACLE上，現在是在hadoop、MPP及流處理之上，同時數據量與複雜度大幅提升，規範性要求其實更高，比如上線時候增加一個欄位都可能帶來巨大的潛在影響，因此，運維對於工具的依賴將進一步增大，數據運維機器換人的趨勢越加明顯，大數據時代靠事務驅動進行人肉數據保障的方式將越來越不可靠，其甚至要兼顧優化建設。 術業有專攻，大數據平台技術和數據管理技術其實是兩大分支，現在很多企業平台的管理部門與數據管理部門並不是一個團隊，比如阿里雲的建設運維部門肯定跟事業部的數據團隊是兩撥人，因此，雙方要做好溝通銜接。 資產管理 數據資產管理很多工作可以納入運維的職能，但筆者還是建議獨立設置職責，因為數據運維趨向於做短期的事物，而資產管理則側重長遠，側重管控及建設。 筆者這裡列出了數據，模型和標籤三類數據實體的資產管理職能，它們到底管什麼呢？ 第一， 管數據體系的建設，即傳統數據倉庫數據採集、數據建模這層，你可以認為是數據架構，這個工作建議企業自己員工做，因為中台的東西是核心競爭力，牽一髮而動全身，而標籤則可以提倡百花齊放，因為其與應用相關，可以藉助更多的外力。 第二， 管數據規範的落地，一個就是制定數據管理規範，數據目錄怎麼做，標籤目錄怎麼做，如何形成閉環，都應該定義清楚，這要有專人管理，另一個就是將數據規範的東西落到系統和流程上，比如採集一個數據放到哪個目錄需要納入上線評審的環節，否則資產目錄會亂套，規範管理要事無巨細。 第三， 管理平台的建設，筆者以前在《為什麼數據管理工作很難成功？》、《六把武器？ 談談DT時代的大數據資產管理》等文章中多次提到，無論是數據質量管理還是元數據管理，一定要從傳統的後向管理走到前向管理，一定要建設一個與大數據平台配套的數據管理平台，任何管理規範的落地都需要依賴於系統才能變得可靠，比如生產建表必須前台控制，不允許後台寫腳本，這樣可以確保數據字典的完整性，又比如在視覺化的開發中提供程式碼質量自動審核能力，不要太依賴開發人員的自覺性，緊急的時候什麼都可以不顧的。 Finereport動態報表與BI商業智慧工具 數據決策系統 技術研發 如果說前面兩個團隊的使命是穩定和規範，技術研發團隊的使命就是搞數據創新，因為企業各類前端應用中存在著大量的數據要求，比如更好的數據和模型，這些東西在一個獨立的前端項目中往往是難以短期解決的，數據管理團隊一定要能末雨綢繆，提前儲備能力，為前端應用的差異化競爭力提供支援。 技術研發一般有三個方面的工作。 一是做數據的專項研究，從企業的數據中找出新的價值點，提供給上層使用，比如運營商對於DPI上網數據的解析，對於黃頁知識庫的研究等等。 二是做演算法的應用研究，無論是傳統的機器學習，或是深度學習，或是專有演算法，都希望通過創造好的探勘模型來為企業的大數據應用提供支撐，比如運營商的未來數據應用肯定離不開精準位置、智慧推薦、自然語言處理等技術，因此需要提前儲備能力. 三是做應用的探索，數據管理團隊離數據最近，做「重數據」的任何應用都是有其天然優勢的，比如自助取數、自助報表、多維分析、標籤庫等等，數據管理團隊除了對外提供數據能力，也要能通過應用的建設直接創造價值。 培訓體系 有人會問培訓體系不是公司人力資源部的職能嗎？的確是的，這是針對企業的某個階段特意設立的，在大數據分析平台建立之初，企業很重要的一件事情就是平台的普及推廣，這個離不開培訓，但這類培訓不是通常意義上的充一下電，而是需要企業的人員能將培訓的東西直接應用於生產的，是一個體系化的工作，雖然企業的部分培訓可以依賴外部講師，但還是遠遠不夠的。 企業的數據管理團隊需要承擔起這個使命，無論是新增一個數據、模型或功能，都應該能培訓到位，企業需要打造自己的師資力量，這在筆者的《我們需要什麼樣的大數據培訓？》 、《從「千人計劃」說起，傳統企業要培養自己的大數據人才》中有詳細的闡述。 人的能力始終是第一位的，這也是筆者將培訓放在中場的原因，數據管理團隊不僅自身要硬，也要能走出去，為公司整體賦能。 對內運營 應該來講，企業的大數據運營涉及面很廣，不僅僅包括報表取數，也包括精確行銷等等，這些工作牽扯企業的方方面面，其實不是數據管理團隊能獨立承擔的，但要相信星星之火可以燎原，數據管理團隊作為企業內最接近數據的組織，要讓數據和模型發揮出價值，一定要做好與業務人員的銜接，如果聽不到一線的炮聲，沒有充分的反饋迭代，數據管理團隊絕無成功的可能，這些教訓已經很多了。 至於怎麼運營則是一門大的學問，筆者也走在路上，以後會專門撰文談談看法，但有一點是肯定的，沒有閉環的運營是不大可能成功的，而要形成閉環，則要形成一套適用於企業自身的方法，這個挑戰很大。 對外變現 大數據對內對外其實都是服務客戶，兩者相輔相成，對內的東西做好了，就可以開放出來讓價值最大化，其實大數據如果對內做不好，很難說對外就能成功，阿里在這方面就做得較好，其很多產品經過內部的檢驗後開放出來，成熟度相對會高些，這是個良性循環。 筆者也鼓勵走出去，通過對外變現不僅可以學習到行業的新東西，從而反輔主業，而且可以讓團隊經受住更嚴苛的考驗，因為外部的客戶不會給「面子」。 雖然對外變現業績可能不跟數據管理團隊直接掛鉤，但數據管理團隊的支撐能力實際決定了企業變現的底蘊，畢竟無論是搞了多少次策劃、做了怎樣炫目的產品、創新了多少種商業模式，最終客戶看重的始終是通過產品反應出來的數據能力，從這個角度講，企業的數據管理團隊一定要能配合前端主動出擊，承擔起使能者這個角色，外部客戶是否滿意是檢驗數據管理團隊合格的唯一標準。 大數據時代，新的數據管理團隊將被賦予新的使命，筆者提的數據管理團隊六個職責，也只是個邏輯的概念，不同的企業可以基於自身實際將其分配到不同的團隊或部門，甚至一個團隊可以兼多項職責，其實形式不重要，關鍵是企業是否意識到了這些方面的要求，是否做好了改變的準備。 文：傅一平 來源：與數據同行

文 | 帆軟數據應用研究院 李向川 大數據的出現，正在徹底改變很多企業的運作模式，新的商業機會層出不窮，舊的市場格局正在被強烈錘擊，有些格局已經打破。隨著數據技術的發展，大數據分析水平的提高，企業面臨的外部環境更加複雜，內部管理也將挑戰更大。如何迅速轉變思維模式，用數據化思維來管理企業，保持自身在商業競爭中的主動、優勢位置呢？筆者通過和多位IT高層的交流以及趙興峰先生《企業數據化管理變革》的拜讀，分享一些自己的經驗觀點。 培養企業管理者的數據化思維，可以分五步走。 第一步：自上而下的改革； 第二步：營造數據驅動的文化； 第三步：先複製，後創新；先有形，後有神； 第四步：循序漸進的培訓模式； 第五步：分析競爭對手，向標杆企業學習。 自上而下的變革 培養管理者的數據思維是一項長期而艱巨的任務。因為形成數據思維不僅僅是行為習慣的變化，還是思維模式的變化。改變一個人的行為比較容易，而改變一個人的思維模式則是非常艱難的。 企業在導入數據化管理的過程中，對管理者的數據思維培養是一項必要的工作。管理者沒有數據思維，企業的數據化管理將是空的，數據會被管理者放置到一邊，而無法起到應有的作用。 數據化管理是企業的管理變革。自上而下的改變叫變革，自下而上的改變叫革命。如果沒有高層的推動，企業的數據化變革就不可能實現。所以高層首先要建立數據思維。在研討目標、商議工作、布置任務的時候，都要用數據去量化。開會的時候問數據、聽數據、分析數據，提出戰略目標的時候用數據去說明目標。 管理學上有個高效原則是「向上取悅」。商業社會中，資本為王，老闆是資本方的代表。上級決定下級的任務，評價下級的工作績效。員工為了在企業中生存，需要滿足上級的要求，以獲得上級的賞識和認可。所以在企業中，自然而然地形成了「向上取悅」的管理方式，這種向上取悅執行得越到位，企業的執行力越高。 數據驅動的文化 培養管理者的數據思維，需要以企業文化作為基礎。數據化管理變革必然帶來企業文化的變革。數據講求的是量化、科學、實事求是，企業在管理中也必須重事實、講數據。 先複製，後創新；先有形，後有神 一種有效的方法「先複製，後創新；先有形，後有神」。開始培養數據思維的時候，光靠大量的會議討論是不行的，需要藉助具體的工作工具。 為每個崗位設計標準化的工作表格，為每個管理者設計標準化的數據分析模板。通過培訓，教會每個人都使用這些表格和模板。在日常工作中，隨時檢查相關數據的表格是否嚴格填寫，並在使用過程中，允許並鼓勵員工提出改善意見和建議。對於好的建議積極採用，並及時更新原有的表格和模板。 經過一段時間磨合，員工就能夠適應這種數據化的管理方式，並逐步內化到日常的工作當中。這就是先有數據表格的「形」，然後再追求數據思維的「神」。 初期設定表格和模板，不需要過度追求完美，表格和模板在實踐中不斷修訂和完善，逐步形成適合企業的數據表格規範和數據分析模板。 不要因為追求完美而遲遲不推動企業數據化建設。更早開始，更容易取得成功。 循序漸進的培訓過程 要改變一個人的行為習慣和思維模式，培訓非常重要。兩方面原因，一方面要樹立變革的動機，說服個人做出改變；另一方便，要為改變提供工具，培訓說明工具的使用方法，完成變革期的順利渡過。 企業可以指定變革時間表，按照時間表設定培訓內容和培訓計劃，為不同層級的管理者指定不同的培訓內容，包括技能的培訓和動機的培訓。動機培訓是要告訴所有參與人員，公司為什麼要做出變革，而技能培訓則是提高參與變革的管理者適應新方式的能力。 培訓的時候，高層最好親自出席，並強調相關內容，傳達變革的決心。每個層級必須給下一層級做培訓，按照層級遞推。並由相關的部門進行跟蹤檢查，並對每次培訓進行打分。培訓結束後，可要求每個參與培訓的員工填寫相關的反饋問卷，必要的時候進行培訓效果測試。 本·霍洛維茨《創業維艱》指出，作為一個 CEO，能夠驅動員工的有效工具只有兩個：激勵和培訓。企業在推動管理變革的時候，一定要多多開展培訓。 分析競爭對手，像標杆企業學習 商業上的競爭是非常殘酷的，每個企業都要遵守一定的遊戲規則，而這個遊戲規則有強者制定。強者，就是我們的標杆。 標杆，就是值得他人學習的榜樣。企業可以根據標杆企業的做法，照貓畫虎，學習他們的成功經驗。變高企業的變革歷程提供了一個方向和道路，企業照著這個路子走下去就好。從理論到實際，企業的實踐還有很長的路要走，經驗的探索需要付出很多的代價，而對標杆的學習和模仿是最簡捷的方法。 閱讀參考： [1] 趙興峰. 企業數據化管理變革[M]. 電子工業出版社, 2016.

文 | 帆軟數據應用研究院 李培鑫 在現代社會，人力資源是組織中最有能動性的資源，如何吸引到優秀人才，如何使組織現有人力資源發揮更大的效用，支援組織戰略目標的實現，是每一個領導者都必須認真考慮的問題，這也正是為什麼企業的最高領導越來越多來源於人力資源領域的一個原因。 可以通過模塊劃分的方式對企業人力資源管理工作所涵蓋的內容進行總結。一般可分為：人力資源規劃、招聘與配置、培訓與開發、績效考核、薪酬福利管理、員工關係管理。大數據時代的到來，讓人力資源管理飛躍到一個新的階段，通過數據分析優化人力資源管理，開發人資報表，不但能夠提高基礎的企業人資狀況分析的效率，更為高層的企業人力資源戰略規劃提供重要依據。 開發人力資源數據分析報表的目的： 1、得到和保持一定數量具備特定技能、知識結構和能力的人員。 2、充分利用現有人力資源。 3、能夠預測企業組織中潛在的人員過剩或人力不足。 4、建設一支訓練有素，運作靈活的勞動力隊伍，增強企業適應未知環境的能力。 5、減少企業在關鍵技術環節對外部招聘的依賴性。 今天筆者結合企業實踐和大家介紹如何做人力資源的數據化管理，一步一步從基礎指標到企業戰略層面。（文中圖片來自於FineReport報表軟體開發的人力資源報表） 人力資源指標體系框架模型 以製造業為例，基於工業企業規模不斷擴大，提高決策科學性和合理性的需要，根據公司做精做細的經營方針，建立與之相適應的人力資源分析體系。分析主要從管理和財務角度進行，以指標形式予以體現。 人力資源規劃報表：員工構成分析 人力資源結構也就是對企業現有的人力資源的調查和審核，只有對企業現有的人力資源有充分的了解和有效的運用，人力資源的各項計劃才有意義。通過製作人資管理報表，可實時掌握員工的相關資料。人資管理報表可將人數分布分析圖、學歷分布分析圖、年齡結構分析圖、合同期限分析圖、民族狀況分析圖等，通過窗體控制項的切換，在一張圖表中動態展現，使報表界面直觀、簡潔。 大部分製造企業的人員都可以分成五大類：管理人員、技術人員、市場人員、生產人員和服務人員（後勤人員），管理人員又包含人力資源管理、財務管理、研發管理、工藝管理、質量管理、生產管理以及其他管理人員；技術人員又包含研發人員、工程人員、中試人員、質檢人員、工藝人員，市場人員包括銷售人員、行銷人員、市場技術支援人員、客服人員；生產人員包括基本生產工人和輔助生產工人；後勤人員指招待員、清潔工、司機等等。通過以每年年終的數據分析報表，觀察不同類別人員的變化以及同類職群不同級別人員的變化，可以得到組織人才結構性的變化，如，高級專業員工的短缺報表。 數據來源：HR資料庫 分析維度 人員數量衡量報表 期初人數期末人數統計期平均人數員工增長率新員工入職人數新員工轉正人數 員工人數流動報表 人力資源流動率淨人力資源流動率人力資源離職率非自僱性員工離職率自僱性員工離職率關鍵崗位員工離職率內部變動率員工晉升率 人力資源結構報表 人員崗位分佈人員學歷分布人員年齡工齡分佈新增職位數量某職位人員更換頻率 招聘與配置 根據人力資源規劃和工作分析的要求，尋找、吸引那些有能力又有興趣到本組織任職，並從中選出適宜人員予以錄用。根據BI系統的人事變動分析，按照企業經營戰略規劃的要求，把優秀、合適的人才招聘進企業，把合適的人放在合適的崗位，做到人力資源利用最大化。如下圖：人力變動表。 分析維度 招聘成本評估報表 招聘總成本單位招聘成本 錄用人員評估報表 應聘者比率員工錄用比率招聘完成率員工到位率同批僱員留存率同批僱員損失率 招聘渠道分析報表 填補職位空缺時間分析報表 培訓與開發報表：員工培訓分析 培訓與開發：組織通過學習、訓導的手段，提高員工的工作能力、知識水平和潛能發揮，最大限度的使員工的個人素質與工作需求相匹配，進行促進員工的工作績效的提高。 報表開發主要目的： 1、提高工作績效水平，提高員工的工作能力。 2、增強組織或個人的應變和適應能力。 3、提高和增強組織企業員工對組織的認同和歸屬。 按照利用培訓資源的不同，某公司的培訓可以分為內部培訓和外出培訓。所謂內部培訓就是在企業內部進行，所用資源包括培訓講師、場地、講義、教具等等，都使用內部資源；相反，外出培訓僅僅指脫產外出接受培訓。其中請外部培訓師來公司授課，或者參與某公司公司的培訓也所歸入內部培訓。 分析維度 培訓人員數量分析報表 培訓費用報表 培訓費用統計人均培訓費用崗前培訓費用崗位培訓費用脫產培訓費用培訓費用占薪資比內外部培訓費用比例 培訓效果分析報表 平均培訓滿意度培訓測試通過率 績效考核報表 績效考核報表主要包括績效工資比例和績效考核結果分佈。各個公司都需要對員工進行績效考核，採用不同的員工模型對員工進行綜合評價。評價的結果將作為次年的崗位晉陞，薪資調整起到指導作用。大多公司都在推行績效的數據化，通過數據來反饋員工工作成果。績效的數據化管理是對目前狀況的反思和展望，反思現有績效體系下遇到的問題，並對績效體系進行優化，它反應的不僅是一個結果，更是對過程的監控。好的績效考核管理，能夠發揮激勵效應，該獎勵的獎勵、該處罰的處罰，充分調動員工的積極性。績效管理企業整體目標的正確預估和實現的保證。 薪酬福利管理報表 薪酬福利是每個員工都關注的問題，也是提升員工滿意度的關鍵因素之一。如果企業只把員工看做是成本，那麼企業更多關注的是他的薪酬成本，由員工帶來的各種成本投入，企業肯定會設法縮減，但如果企業把員工看成是資本或者資源，企業就會希望通過「經營」使資本能夠增值，實際就會有更多的關注放在企業的投入帶來的資本的升值，從而讓這些資源更有效的為企業發揮價值，更看重員工和企業的共同發展。特別在激烈的競爭環境下，企業人性化管理對於人才的保留、吸引和激勵的重要性不言而喻。 假設企業工資設定合理的情況下，通過對每個部門，每個崗位，每個員工的整體薪酬福利水平，來了解掌控企業整體人力資源分布情況，準確判斷出企業的核心資源，制定相應薪酬福利制度，從而更好地吸引、保留人才，更好的激勵人才為企業服務。 分析維度 內部薪酬報表 […]

以數據驅動，通過數據分析來輔助進行決策應該是當下的熱點，但是顯然不可能在任何場景下都依賴數據，很多場景下並不適用： 1、當數據模型不完善時，大作手李佛摩爾可以通過紙帶數據進行股票操作，但作為當時其他交易人員在缺乏技能的情況下跟進這種方式恐怕很難獲利； 2、當數據積累尚不充分時，比如某用戶幫助他人購買了一瓶酒，但其實他本人並不飲酒，這時僅僅通過通過他這次的購買數據推送酒類就對用戶的體驗造成了負面影響； 3、當涉及行業、行為有相關因素掣肘，比如數據顯示我國吸毒人口上升，但是我們不能因此就進入毒品行業； 4、當數據本身可靠性精準性達不到要求時。   這就引發一個問題的思考，什麼才真正的數據驅動？ 怎樣才能真正做到數據驅動？ 1.數據驅動的前提 數據驅動的應用有三個前提條件： 可以找到表達業務訴求的核心數據 可以找到影響核心數據的關鍵性數據 可以找到改變關鍵性數據的抓手   1.1可以找到表達業務訴求的核心數據 第一點很好理解，你的業務目標是什麼，能否有一個指標衡量你的目標。被吐槽很多的信息流，如果你的目標是提升點擊率，沒有問題，通過數據分析和演算法完全可以提升你的點擊率。但是如果你的目標是提升調性，那就有問題了，什麼是調性，誰來定義調性，什麼是有調性，什麼是沒有調性。如果非有老闆覺得自己看到覺得好就是有調性，自己覺得不好就是沒有調性，且無法將自己的理解清晰的表達，那麼這個業務是無法通過數據驅動，因為沒有一個可以量化的核心數據。 而一般而言，常規業務都是可以定義出來一兩個核心指標的。用轉化率來衡量用戶流量效率，用新客7日留存來衡量渠道質量，用NPS來衡量用戶體驗，用服務滿意度來衡量服務質量。這裡最大的困難是讓整個團隊認可這個核心指標，尤其是高管團隊和業務團隊必須認可。   1.2可以找到影響核心數據的關鍵性數據 找到核心數據只是第一步，如果只有核心數據，那麼數據驅動也是無法執行的，因為孤立的數據沒什麼意義。核心數據必須要可以拆分成很多個緯度。比如如果只知道DAU，但是無法區分不同渠道的DAU。比如我們知道銷售數據的好壞，但是沒有分析這些商品有哪些緯度上的區別。一個數據的表現，一定是由多個因素決定的。之後這些因素都可以量化或者定性描述的情況下，才有可能分析出一些真正的結論。   1.3找到可以改變關鍵性數據的抓手 數據驅動的核心不是分析數據，而是用數據驅動業務，這就要求數據驅動的當數據產生變化的時候，我們可以做什麼。比如我們發現用戶喜歡的商品都是應季品，那麼就應該後續多採購上線應季品，這個就是有抓手。比如我們發現年輕的社交產品周末活躍度高平時活躍度低，最後定位到原因是因為上課不能玩手機，那麼這個就是沒有抓手，無法改變。   2.數據驅動的場景 如果團隊都有數據意識的話，其實幾乎所有的場景都應該數據驅動，除非這個事情的收益不值得花費太多的時間分析。 即使是面對未來做決策，拍腦袋絕對是最壞的業務發展方式。比如美團在百團大戰的時候，就提前測算哪些城市是燒錢是有價值的，哪些城市是暫時沒有價值的。這個判斷本身可以是直接拍腦袋，也可以是把拍腦袋的邏輯拆出來。我們有哪些事實上的數據，做了哪些假設，這些假設裡面的數據是通過什麼方式得到的，最終通過完整的邏輯鏈我得到了什麼結果。 雖然我是產品經理，但是我最不能相信的就是所謂的產品感。某個人說了一個事情，就因為他有產品感，所以不需要給出數據給出邏輯來討論，顯然是沒有道理的。 數據驅動的數據，可以來自於真實數據，也可以來自於經驗數據。但是一定要去儘力收集數據。退一步講，即使是最難量化的用戶體驗，也還可以發問卷和做訪談啊。   3.數據驅動的局限 數據驅動的局限主要還是團隊的數據分析能力和邏輯能力。 很多時候看似是數據驅動的方法不適用，其實是因為團隊用錯了方法。比如因為錯把A和B兩個因素的相關性當做了因果性，對因素A調節發現沒有改變因素B。比如數據抽樣有問題，導致結論失效。比如誤把一個影響因子當做了全部。這些本質上不是數據驅動本身的問題，而是使用錯了方法。 有些看似無法數據驅動的問題，往往是因為沒有掌握正確的方法。比如用戶體驗看似沒有辦法評估，可以用NPS，很多人未必知道NPS可以這麼用。再比如說，如果我知道三千個上線商品的CTR，並且知道這些商品的屬性、風格、是否應季、分類、業務線、折扣力度等信息。有的人會覺得無法提取出關鍵信息，但是用邏輯回歸或者決策樹知道哪些因素是關鍵點。 有些需要快速決策的部分或者價值比較小的事情也許不需要用太複雜的數據去決策，但是一旦牽扯到關鍵性業務和關鍵性決策，那麼一定要用數據去決策，即使這個數據來自於估算。默認數據驅動有局限，而不把業務決策邏輯理清楚，相比於使用估算的數據列出完整的邏輯鏈，反而是更有害的。   文 | 潘一鳴（PM/THU） 源 | 知乎

很多數據分析的書籍和課程都是從統計學知識入門的，但大多數的同學可能是非專業出身，在被一堆概念洗腦之後，反而不知道該如何入手。 在實踐中學習是最快的成長路徑，假設你已半路出家或者正在做分析項目，在此過程中遇到的難題，就是你成為分析師所需要具備的能力。 做數據分析師十之八九都會面臨以下情景： 「我們有一堆數，你分析分析吧，看看能有什麼結果。」 有經驗的分析師因為經驗老道，會清楚地知道從什麼角度分析，可以解決哪些問題，適用於哪些場景，預計產生什麼結果，會將業務問題轉化為數據分析問題。因此數據分析師要具備用數據分析思路和方法，具備分析思維來考慮問題的能力。 那作為小白，在沒有項目經驗時候，可以充分利用模仿技能，參考他人優秀的分析思路和方法。實際業務分析的大多數問題都是有前車之鑒可以學習的。很多分析已經是成熟的分析方法，例如客戶畫像，行銷提升，網站運營，信用卡評分，欺詐作弊等等。 學習領會他人的分析思路，轉化為自己的知識，是邁出分析的第一步。 業務知識重要性 所有數據分析師都會告訴後來人「業務知識很重要」，因為大家在踩了坑之後才恍然大悟分析中遇到的很多難題問題都源於對業務的不了解。數據分析可以說是一門通用的技術，可以運用於各行各業，但是想在行業中成功則需要結合行業知識。 例如，同樣是對客戶進行分析，互聯網電商的客戶與保險客戶具有明顯區別，前者重視來源，活躍度，購買率，流失率，後者關注渠道，報價，理賠風險，投訴。業務知識包括這種大方向的行業知識，也包括公司內部特殊情況，了解得越詳細可以避免繞很多彎路。 例如，有些行為是內部人員參與的造成的數據異常要提前做處理，有些業務開展是帶地區特性的，分析時候要區分對待等。 惡補專業知識 當模仿別人的分析思路和方法時候，分析大方向已經確定了，具體部分需要結合自己的項目情況進行細化。如果只是簡單的數據匯總就能解決的問題就可以直接進入實操階段，但是如果發現需要運營一些複雜的分析方法，則不得不惡補專業知識。 例如做行銷提升，看到多數分析思路中都提到了產品關聯分析。什麼是產品關聯分析，需要具備哪些數據，用什麼演算法，結果怎麼應用，產品關聯分析適不適合你目前的場景，這些問題需要惡補分析知識才能回答出來。 眼花繚亂的分析工具 真正做分析時候，你會發現市面上有太多的分析工具，需要掌握的實在是太多了，其實不必糾結於此，依據個人能力，配合當前的數據分析環境，適用的工具自然會被選出。 數據分析過來人都會說80％的時間都在做數據處理工作，所以數據處理能力是必須的，簡單工具有Excel、SQL，複雜的有R，Python，Java。商業工具的報表FineReport報表製作軟體，SASS。 finereport finereport finereport 然後分析建模的能力，鑒於目前有豐富的演算法與成熟的模型調用機制包括商業軟體，開源工具等，多數時候僅需要懂得演算法原理，然後在實際中調用工具實現即可，不必驚慌。最後是分析結果展示能力，如果是報告或報表則需要運用圖表，有效表達分析觀點，使分析結果一目了然。圖形的選擇、版式的設計、顏色的搭配等等，需要掌握一定技巧。如果是線上應用則需要掌握部署的能力，利用介面調用連接分析與業務。 啰嗦了很多，總結一下數據分析師應該從思維開始，以業務與專業知識為助力，以實際動手操為入口，開啟新征程～ 如果你領導你同事是數據分析大師的話，不要猶豫，趕緊買兩斤大閘蟹膜拜吧！

曾經跟某位CEO這樣說過：「你有沒有覺得你像個瞎子，像是被關在一個小黑屋裡。當你想知道任何有關公司的經營狀況，都是你下面的負責人把小黑屋的窗打開，告訴你內容與細節。你才明白，哦~公司經營是這樣的。每一個部門的負責人都跟你這樣說一遍。我覺得你挺可憐的，當你想手伸長一點挖掘業務真相的時候，你手上沒有任何工具。而數據可以作為你管理公司的工具之一。」 管理者可能希望是這樣的….. 每天醒來： 1、清晰了解昨天公司的經營狀況； 2、如果願意，可以了解每一筆業務的每一筆細節； 3、清晰了解公司發生的問題，能夠督促和監督關鍵問題的解決； 4、每個指令都「對症下藥」，對於即將下達的指令充滿信心； 5、能夠有效的監控政令下達的執行情況； 6、能夠快速、準確了解政令下達後公司業務的變化細節，以決定是否還要繼續調整； 7、準確客觀的評估各個團隊的工作，並進行獎懲； 8、公司每個人員都清晰了解自己的工作目標，並知道管理者始終關注著他們。 簡而言之，管理者能夠像掌控身體一樣掌控公司？ 「令海內之勢如身之使臂，臂之使指，莫不制從」-《漢書·賈誼傳》 作為「大腦」，數據能夠讓管理者如臂使指的掌控公司這個「軀體」 1、公司業務的數據化； 2、業務聯動的數據化； 3、員工操作的數據化； 4、異常監控的數據化； 5、業務場景的數據化 6、…… 當你掌握整個公司的數據之後，你下達的政令就立馬傳達到每一個包括最底層的人員手中， 大腦動一動，你的手指頭立馬能感應到，就像掌控手臂一樣輕鬆。 「凡治眾如治寡，分數是也；斗眾如斗寡，刑名是也」-《孫子兵法》 A.當一個公司做大之後，會在全國各地開很多分公司或者子公司。CEO發現旗下一個分公司有問題的時候，想自己查明真相的時候。他可以去這個分公司呆幾天，看看大家有沒有按照規矩來，或許大家都會在CEO在的這段期間很老實做事。但是當擁有二三十個分公司的時候，CEO不可能分身到每個分公司裡面。 B.我的前公司大boss，他擁有多家上市公司，他管理公司的方式就是每天早上雷打不動看四十張報表，發現問題就開會或郵件督促改正，沒有問題就和朋友打打高爾夫喝喝茶，從不在公司呆著。 其實B就是A很好的解決方案，通過同一類型的管理對象指標化和數據化，能夠大大簡化企業的管理成本， 管理一個對象與管理多個對象其實付出的成本幾乎是一樣的，「治眾如治寡」。 清晰明了的DashBoard會是管理者強大的公司管理工具。 （文中報表都來自於FineReport報表製作與BI商業智慧工具） 「治大國，若烹小鮮」-《道德經》 作為底層人員是否胡發現一個公司的決策層的決策老是變？ 作為公司的戰略決策，頻繁變動絕非善事。 治理國家或公司，就如同烹飪一鍋魚，你一直翻來覆去的攪動，到最後，魚只會被攪碎。 錯誤決策帶來不良後果，是大量的人力、財力、時間的損失。 所以當一個決策變化前，需要以數據為基礎，能夠幫助高層管理者找到變更依據。 並通過數據推演驗證變更效果，避免盲目、妄動的戰略變更讓企業更加穩定高效。 「天下武功，無堅不破，唯快不破」-《功夫》 曾經我問過高層一個問題：如果按年、季、月、日、時、分、秒，你覺得你做決策的響應速度在哪裡？ 有人回答我是月，有人回答我是季，有人回答我是周。 普遍都在月這個環節，比如一個銷售老大基本上會看完上個月銷售數據，再做下一個月銷售策略安排。如果上月中間發生一些問題，當你拿到銷售數據的時候，你無法扭轉時局，事情可能發生一周之前或者半個月之前了。黃花菜都涼了 如果你的企業的的響應速度是在「月」，也就是說企業一年最多12次的決策機會。 這樣的企業在未來是無法快速發展，跟上時代步伐，市場競爭力會慢慢削弱。 一個企業的響應速度是至關重要的，如下： 快速發現問題； 快速分析原因； 快速制定策略； 快速執行方案； 快速取得反饋； 快速分析結果。 基於數據分析和處理可以使得企業快速響應成為可能，這將極大的提升企業的市場競爭力。 以上是以數據為切入點的公司治理。讓老闆覺得數據分析重要，首先讓老闆覺得數據很重要。 數據能作為他的眼睛，他的手，他的大腦動一動，整個公司都在他掌控之中。

現在的社會已經進入了大數據時代，在國家政策的激勵以及各地政府的帶頭作用啟發下，越來越多的企業開始關注數據化管理。但仍然有很多企業家或者中高層管理者對「大數據」有懷疑，認為是新一輪的泡沫，對待大數據，內心有著懷疑、觀望和等待的態度。我們該如何真實地看待大數據給我們帶來的紅利？如何讓越來越多的企業家開始擁抱數據紅利，享受數據紅利帶給我們企業經營效益的提升和實際利潤的增長呢？ 這一篇，我們將詳細探討資訊系統與數據系統的差異，以及未來的數據BI系統平台將是什麼樣子，為準備推進資訊系統整合和建設數據分析系統的企業提供一些啟發。 資訊系統是封閉系統，而數據系統是開放系統 資訊系統是基於企業組織或者企業內部職能部門的需求建立的，具有天然的封閉性。這體現在兩個方面，一方面在企業內部，各職能部門相互獨立和封閉的資訊系統建設；另外一方面，產業鏈內各企業間的相互獨立而造成的資訊系統獨立性和封閉性。 企業內部資訊系統的封閉性 在企業中，職能部門的架構一般是基於科層制的，是在專業分工的基礎上構建的以專業技術為核心的部門分工。財務部門擅長會計記賬和財務核算；人力資源部門擅長組織建設、人才發展，以及內部各種制度、流程的建設等；生產部門擅長生產管理、品質控制以及工程技術；採購部門掌握了更多供應市場的信息，擅長對供應商的高效和專業的管理；研發部門則是技術大牛，擅長將技術變現成產品的功能，並通過產品和服務的設計轉化技術為商業價值；行銷和銷售部門則擅長將產品傳播到市場中，轉化成客戶的購買慾望，促成公司產品和服務的變現。 早期的資訊系統在建設的時候，往往以職能部門發起，引入專業資訊系統公司，實施基於職能部門需求的資訊系統。財務部門引入財務軟體，從而簡化會計記賬和財務核算工作，將人工記賬、人工統計核算交由計算機系統來實現，從而大幅度提升了生產效率；人力資源部門基於人力資源管理需求，引入服務於業務流程和審批流程的OA系統和服務於人力資源招聘、培訓、業績考核、目標管理、人事檔案管理、薪酬核算與管理的HRM平台；生產部門則基於生產管理需要，引入了服務於生產管理、物料計劃管理、BOM（Bill of Materials物料配方）管理、生產計劃管理和生產訂單跟蹤等的生產管理系統MES或者MRP系統。 雖然企業內部基於職能部門需求引入了很多資訊系統，但這些系統是相互獨立的，甚至是運行在完全無法通信的伺服器中的，資訊系統記錄的信息各自為政，相互獨立，甚至是相互保密的。因此形成了信息割裂和數據孤島。生產部部門可能不知道財務部門的信息和數據，不知道我們的產品賣出去多少，收回了多少資金；銷售部門不知道我們賺了多少利潤，我們產品的價格還有多少降價空間應對市場的競爭；採購部門也不知道生產需要多少原材料，未來一段時期內還需要採購什麼樣的產品。 為了解決上述煩惱，一個希望整合內部各個職能資訊系統數據，實現信息關聯的企業資源規劃系統，即ERP出現了。最初的ERP系統是希望整合各個職能需求，建立一個滿足各個職能需要的資訊系統，從而讓數據集間能夠關聯起來，消除數據孤島。然而，願望是美好的，現實是骨感的，在ERP系統實施過程中，你會發現仍然是按照模塊化建設實施的。財務模塊由財務部門負責，而生產模塊則由生產部門負責，財務部門不懂生產需求，生產部門不懂財務需要，因此，貌似統一的ERP系統仍然處在一個部門割裂的狀態，數據仍然呈現孤島狀態，通過口令的限制，除了老總能夠看到各個口徑的數據之外，人力資源賬戶無法訪問財務信息，財務無法訪問人力資源的信息模塊。 基於這種現狀，現在的ERP系統，雖然名義上使用一個系統平台，但仍然未能消除數據孤島現象。這就像幾家人在一個海灘野營，各自畫了個圈圈，每一家人在自己劃定的勢力圈子裡吃喝玩樂，雖然他們都在同一個海灘上，但並不是一個整體。企業家朋友可以去反思一下自家的ERP系統是不是這樣。換句話說，雖然企業引進了一個看似整合的ERP系統，但實質上只是一次性採購了多個資訊系統而已，雖然這個系統比原來孤立的系統距離我們希望建立的數據分析平台系統更近了一步，但仍然不能稱為真正的數據系統。 企業資訊系統的外部獨立性 前面我們闡述了企業內部不同職能部門之間資訊系統的獨立性和封閉性，在不同的企業之間，同樣存在類似的問題。每個企業都上線自己的資訊系統，自己採購，自己建設，自己維護，自己管理，相互之間是井水不犯河水，甚至是相互保密的。這個是大家都容易理解，也是約定成俗的。即使大家都使用的是用友的U8系統，或者SAP系統、Oracle系統、微軟的系統，各自間也都是獨自原型，不會有任何交集。 這種企業間資訊系統的獨立造成數據共享的困難。在大數據時代，企業間並不是孤立的，而企業間信息的封閉性容易導致市場自我調控的失效。銷售環節、生產環節和供應環節的企業各自做出自己的計劃和對市場的判斷，當市場需求增長的時候，每個企業都看到了市場機會，所以都加大投資、加大生產，最後導致市場產能過剩，產品滯銷，很多賣不出去的產品變成了積壓在倉庫中的庫存，跑得快的企業虧損減倉，逃出市場，跑不快的企業，看著堆滿的倉庫流淚，直至被庫存拖死。 一個有序的市場中，信息必須是透明的，誰在加大開工生產，誰在加大投資建設，市場需求是多少，各自的佔有率如何，誰的生產成本高，誰的生產成本低，這些信息可以由行業協會、市場信息企業、市場研究公司提供，從而讓企業的投資和生產計劃更加理性，供需平衡。基於這種需求，現在也湧現了很多市場信息提供者，成為一個賺錢的機會，也是一個賺錢的行業。在快速消費品行業，有像ACNielson這樣零售研究公司、在汽車行業，有JDPower這樣的銷售檢測企業，在耐用消費品和家用電器行業，有gfk這樣的市場研究公司。這些企業為市場信息透明和市場的有序發展做出了積極的貢獻，避免了更多市場失效的情況發生。 各個企業間的信息封閉，導致產業鏈的上下游也無法共享信息，形成整個產業鏈的阻塞。採購供應和生產銷售間是孤立的，相互保密的，你無法知道你的渠道商、零售商賣出去了多少產品，還有多少的庫存，你的產品在終端什麼時間被賣出，哪些產品被賣出，貨架上還有多少你的產品，倉庫中還有多少產品已經成為「大日期」的產品，你的供應商也不知道你什麼時候會加大生產，什麼時候會減少生產，他們在等著你下了訂單他們才開始開動機器為你生產，在沒有獲得訂單之前，你也不敢開動機器來生產，這就導致終端銷售斷貨了，你才開始給供應商下訂單，供應商經過幾周的生產交付了你的訂單，你再花費幾周的時間生產完成後，交付給終端，這個時候暢銷期已經過去。這種長供應周期模式是因為產業鏈上下游相互之間無法實現信息共享導致的，這種現象在快速消費品行業、服裝行業尤其明顯，這是非常可怕的。特別是在流行趨勢變化非常快的服裝行業，這些年被庫存給拖垮的企業比比皆是。產品的生命周期越短，這種傷害就越大，更加需要市場信息的快速流動和即時的信息交互。 橫向市場信息的共享需要建立，縱向供應鏈的數據對接也急需實現 在大數據時代，數據的重要性日益凸顯，目前這種橫向市場內和縱向產業鏈內的信息割裂，數據孤島現象需要被打破，從而實現數據的共享，讓社會生產能夠有序、穩健並高效率運作，讓經濟更加繁榮。大數據時代需要建立這種局面，從而重構整個商業社會的運行規則。 現在已經有越來越多的企業意識到數據互聯互通的重要性，開始加入產業聯盟，共享自己的數據和信息，甚至有的企業在積極推動產業鏈信息共享和數據整合的工作。未來，一個基於產業鏈和全市場的ERP系統有望建立，並為整個市場和產業鏈服務。現在ERP系統的升級，除了消除內部的信息割裂和數據孤島外，非常重要的工作就是要構建橫向市場信息的共享機制和基於產業鏈上下游的數據共享機制，從而構建一個完善的數據體系，利用大數據技術服務產業生態。 早在2000年我在寶潔公司任職時，寶潔公司的信息部門就在積極謀求產業鏈上下游資訊系統的整合工作，同大的供應商、大的渠道上和大客戶的資訊系統對接，以實現產業鏈上的信息整合和數據共享。 當時，寶潔公司的資訊系統項目中希望同大客戶，比如說沃爾瑪、家樂福等連鎖集團的資訊系統實現通信，當寶潔公司的產品在收銀台被賣出後，寶潔公司的資訊系統就能夠知道產品賣出去了多少，貨架上還有多少，倉庫中還有多少，哪些地方的庫存已經出現斷貨風險，哪裡的產品有積壓現象，並能夠根據這些信息及時做出產品的生產計劃和供應計劃，並在這個時候將信息共享給前端的大供應商，告訴他們什麼時候將需要採購什麼樣的原材料，以便供應商能夠提前做好生產計劃。 這個項目，在寶潔是非常具有前瞻性的項目，在當時也是一個非常具有理想主義精神的項目，寶潔經過十多年的努力，現在基本已經實現大供應商和大客戶之間的資訊系統對接。寶潔公司的成功背後有其邏輯，我們不得不佩服其對未來的把控能力。 要想實現企業內部信息的開放和共享，需要數據中心部門 相對應企業間以及產業鏈上的信息共享，企業內部的信息割裂和數據孤島相對比較容易實現，但打破各個職能部門間信息的保密也是非常難的事情，內部的信息共享同樣是有阻力的。以採購部門為例，他們不希望自己的數據和信息暴露在公司其它職能部門的眼前，就如不想脫掉衣服裸體暴露於其他人面前一樣，那樣的話有些灰色地帶可能就沒有操作的空間了。每個部門都不希望其它部門的人來對自己進行監督，至少他們把資訊系統的數據公開、共享的時候是有這個感覺的。因為每個部門內部都有可能存在一些管理問題，而數據一旦開放和共享，這些原本屬於部門內部的問題就會暴露在整個公司面前，自然會引發相關部門的一系列抵制。 因此，要想實現職能部門間的信息公開、數據共享，企業必須建立一個數據統合的部門，即數據中心，該部門有權利調動各部門的數據，負責數據的集中管理，並根據需要進行有效的分發，以實現數據的共享，並在數據共享的時候實施必要的加密或保密措施，比如說設置職能許可權，什麼人看什麼報表，什麼部門看什麼數據。對一些敏感信息且數據需求部門並不需要的情況下對數據進行脫敏處理，當數據需求部門需要敏感信息的時候，數據中心部門可以採取一些保安和保全的控制措施。 通常數據的展現形式是各種報表，在選擇這類工具的時候也要選擇支援多向數據源的，可開發有報表許可權管理的，比如業內的帆軟finereport。還有一種情況是，業務部門傾向於自己進行數據分析，主需要信息部門提供清理好的數據，這時候適合一些諸如FineBI的敏捷類BI系統。 文 | 趙興峰 源 | 韓兆億數據分析

零售業所面臨的最具挑戰的競爭，就是顧客和市場需求的紛繁複雜及其飄忽不定的變化。而零售企業成功乃至存活的關鍵，就是如何採取靈活多變且機智的應對行動，這就要求管理者要能夠順應市場的變化、快速發現並處理問題，並且及時的制定解決方案和抓住市場機會。因此，基於數據和事實，質量更高、速度更快、成本更低的決策顯現了前所未有的重要性。 零售企業經歷了十幾年的E化高度發展歷程，也積攢了大量的寶貴數據，但面對這個「金礦」，各家企業由於經營模式、管理風格、重視程度、資金投入等不同，對於這個「金礦」的挖掘程度有極大的不同，零售大數據的分析應用均處在不同的階段，甚至出現的「兩極分化」的局面。 下面就是筆者在日常和零售企業接觸的過程所總結出來的零售大數據分析應用的四個階段，希望能夠給大家指明方向。 第一階段丨集成展示 有句話說的好「銷售額首先是追蹤出來的，其次才是分析出來的」。 ERP普及進程已經有了10多年歷史，沒有ERP的企業可謂越來越少。零售企業利用ERP可以搜集和整合整個企業的數據，形成一個完整的數據流，把企業內不同來源的數據資料集中到單一的一個倉庫中來，使各個職能在自己需要的時間和地點通過圖表看板、計分板的形式看到自己所需要的數據，並且展現出決策者最為關注的運營要素—關鍵績效指標如銷售額、坪效、利潤率、客單價、進店率、轉化率、目標完成率、同比增長率等等，這些都可以以「商業報告」的形式出現，該報告的主題緊緊圍繞著「過去發生了什麼」以及「正在發生什麼」而展開，這也是大多數BI系統和數據中心平台的核心功能。 譬如下圖用FineReport搭建的某零售企業的數據中心平台，從門店-商品-銷售-活動-會員-採購，做了全集團的數據梳理和分析。 這一階段的最大的困難為數據的集成和整合，每個零售企業都有數十個大大小小的部門系統，而這些系統都是一個獨立的數據源，他們都有自己的定義、標準和側重，而對這些來源不同數據進行合并、清理、轉換和簡化，最終建立一致性的數據是非常有挑戰性的。不僅需要清晰嚴謹的指標定義，統一口徑，也需要平台工具能很好的打通系統間的數據壁壘，為分析提供捷徑，這就需要工具具有很好的開放性，易開發易操作，最終前前後後花了三個月的選型，選擇了帆軟FineReport報表製作與BI軟體。 第二階段丨分析判斷 在第一階段整合了數據來源後，零售業決策者關心的重點發生了轉移，從「發生了什麼」轉向「為什麼發生」。分析判斷數據的目的是了解數據報表、商業報告的背後的含義，以及這些過往行為發生的動機和原因，這就需要對更加詳細的數據進行多維度的分析。這種分析判斷更多的是建立在對於零售業務邏輯的理解之上，一般會採用簡單有效的分析方法和簡便的分析工具對數據進行處理。 該階段數據分析師這一角色開始真正出現，數據分析師需要非常熟悉業務，最好有實際業務操作的背景，能夠用業務的語言和邏輯把運營異常解釋的通順，此階段不要求對演算法、模型和工具的應用非常高深，而對於快速將數據分析結果進行落地，贏取各個業務部門的信任的要求非常高。 例如一個服裝品牌的一款裙裝銷售好的超出預期，那就要找從「人、貨、場」三個核心來找原因分析判斷火爆原因： 是否有什麼買贈、打折、捆綁、支付等促銷活動，店員對該商品是否有特殊的推薦等； 該商品的陳列、包裝、設計、款式等是否有特色、是否是限量銷售、限時特價等等； 以及顧客購買此商品的動機是什麼，是否要釋放壓力、還是從眾心理、攀比心態等； 此外，還要考慮競爭對手是否有斷貨問題、大型企業客戶是否有團購等因素，甚至出現了在排除各種原因之後才知道，這款裙裝和當時熱播電視劇中某個明星穿的比較相似，因電視劇熱播而帶動了該款裙子的熱銷，雖然在該款衣服上所投入過多的市場資源其實並不多。 零售行業分析體系 第三階段丨預測未來 企業在有了前兩個階段的基礎之後，關注點會進一步超越當前，開始思考更貼近經營上的問題：「將來會發生什麼」。 從本質上說預測就是根據零售企業所過去發生的事件以及當前實時的影響因素，對於銷售額、利潤率、成本等未來的取值做出自動化和智慧化的估計。簡單的分析對於估算暢銷概率的作用有限，在大多數複雜的應用中，需要建立數學模型來還原零售的業務規律。 例如建立銷售預測模型來量化銷量的影響因素及各因素之間的交互影響、建立定價優化模型來還原價格與銷量之間的關係並找到最科學的價格以實現經營目標。而建立模型的目的就是將之前各個角落裡的經驗用數學的形式表現出來，雖然並不是十全十美，但會無限逼近真實情況。 要建立數學模型要解決三個問題，首先是數據的量要達到一定的規模和質量；其實是用什麼樣的演算法，如用時間序列還是回歸或是 演算法；第三是「數據+演算法」可以圍繞什麼業務場景，建立什麼樣的模型及參數。 例如某工程師從眾多關於流感的關鍵片語合中，挑出45個重要檢索詞條作為特徵，訓練了一個線性回歸模型來預測2007年和2008年流感傳播的趨勢、時間和地點，該模型預測結果的準確率最後高達97%，而該模型完全可以和關於流感的商品如口罩、營養食品、非處方藥品等銷售建立起聯繫，構建「流感商品銷售指數」，來指導這些商品在特定時間、地點的具體銷售數量。 再例如7-Eleven零售門店通過衛星雲圖了解到兩天後氣溫將上升兩度，會提前訂購比平常銷量多30%的礦泉水。 第四階段丨指導決策 這一階段側重於對業務、營運、經營、戰略的決策的指導，回答的問題其實就是：「筆者應該做什麼」才能達到最佳的狀態。前三個階段都不是終極目的，例如銷售預測不是為了預測而預測，預測準確率達到100%又如何，關鍵是做了預測以後能給企業的決策行為帶來什麼樣的幫助，對於零售企業而言，銷售預測以後緊接著的行為就是補貨，補貨過程中就會涉及到多級庫存管理。 而補貨行為又驅動了後續的採購、生產、物流、倉儲等行為，同時企業的決策層可以根據未來的預測來做出是否要開設渠道、建立工廠、購買倉庫等重要戰略決策，這些行為的決策都是建立在前三個階段之上的。同時決策模擬也是這個階段的重要應用，針對零售流程中的隨機因素，引入各種約束條件，構建出若干個相互關聯的場景模型來全真模擬真實情景，從而事先預知各種決策可能的結果，提高決策準確性。 大數據時代已經悄然來臨，不懂大數據就做不了大生意，未來甚至做不了生意。 筆者所接觸的不少零售企業對於大數據的分析應用都處在第一或者第二階段，也有少數企業如京東、華為處在第三甚至初步進入第四階段，雖然不少企業所處的階段還比較低，但是至少有兩點讓筆者看到了希望：很多企業的數據基礎都很不錯，積攢了大量的數據，同時很多零售企業對於大數據應用的意願和興趣都非常強烈和熱切。 這些企業對於自身的業務也非常的精通，只是受制於演算法、人才、技術等對於如何把業務和數據結合在一起產生價值還不甚清楚，但是這些未來都不會成為零售企業對於大數據孜孜追求的障礙，因為未來一定會出現大量的第三方公司來提供專業的數據分析、建模和優化服務，幫助企業早日邁入數據驅動決策階段。