數據驅動業務的七種類型，你目前在哪一種

來自專欄程序猿數據愛好者

我們總說數據驅動業務，可平時看到的，卻總是業務部門追著數據部門屁股要數據。哪裡是驅動業務了，分明是被人牽著鼻子走啊！很多同學都有類似的疑惑：到底數據分析對企業有什麼用？我的數據用到什麼地方去了。最關鍵的：如果數據都對企業沒用，我的崗位還值錢嗎？數據當然會驅動業務，只是在不同的企業發揮作用的形式不一樣。今天我們一起來看一下，數據驅動業務的七種類型。看看你們企業是哪一種。

類型一 奴隸監工

數據驅動業務，最直接的形式就是給業務下KPI。你，今年銷售要破千萬！你，今年銷售要破一個億！類似的場景我們可能早就有耳聞。下任務帶數據，在中國已經有2000年歷史了，古代的軍令狀就是最早的KPI指標承諾書。似乎帶個數據，就顯得這個命令格外有分量，就必須要完成。完成就是英雄，完不成就殺頭，也顯得格外的對業務有驅動力。

然而，下個KPI就能驅動，只是想像中的事。實際上，只是盲目的用數據下KPI，效果並不好。因為KPI指標到底怎麼來的？為什麼要做到這麼多？每個人分配多少？完全沒有一個標準。因此很容易讓下KPI變成一個假大空的事情。辦事拍腦袋，承諾拍胸脯，出事拍大腿，結局拍屁股，也成為這種只有空洞KPI的企業的常態。

總之，沒有分析過程支持的KPI，就是奴隸監控手中的鞭子。雖然看起來甩得啪啪作響，煞有威嚴，打得奴隸們不得不走。實際上卻沒有效率，常常淪為空談。這是數據驅動業務的第一階段。

類型二 賬房先生

當然，很快大家就發現空下KPI效果不好使。實際上，一個良好的KPI，是蹦一蹦可以摸得到的KPI，這樣既考慮了實際能力，又有挑戰性。於是人們開始考慮拆分KPI，尋找KPI的來源。還拿銷售數據舉例子：

如果是按團隊銷售的，就開始拆分：

• 總銷售業績=團隊數*團隊人數*人均產出
• 總銷售業績=團隊1業績+團隊2業績+……
• 團隊1業績=張三業績+李四業績+……

如果是按門店銷售的，就開始拆分：

• 總銷售業績=大區數*大區門店數*每門店產出數
• 總銷售業績=大區1業績+大區2業績+……
• 大區1業績=門店1業績+門店2業績+……

這種做法，極其類似地主家收租。地主家會雇一個賬房先生。賬房先生會先算一個總賬，看看今年是豐年還是災年，預計下地主老爺下邊的50個農戶總體能產出多少。如果遇到災年，總收入不足，就建議地主老爺趁機多兼并一些土地，把農戶總數做多，還能保住總收成。

在往下分配收租指標的時候，會考慮各個農戶勞動力多寡，生產能力，分配一下收租數。讓勞動力好的多交，差的少交。這樣看起來一舉兩得，既不會逼死農民，又能多壓榨些勞動成果。這是數據驅動業務的第二階段，姑且叫他賬房先生好了。

類型三 生意軍師

實際上，階段二仍然是知其然不知其所以然的階段。因為到底業績是怎麼來的？是賣什麼賣出來的？賣的好的業務員有什麼訣竅？還是一無所知。到頭來還是靠拍腦袋：你連續三年都做得好，今年也做的好吧。

然而這種假設不一定成立，只有真的洞察到業績的來源，才能分析出到底能做到多少。還拿銷售數據舉例，在總銷售業績=大區數*大區門店數*每門店產出數的公式中，只有破解了每門店產出數到底是怎麼來的，才能正確的估計，到底這個門店能做多少

隨著商業模式的進化與數據系統的強大，於是銷售解析的公式開始越來越複雜。即使只有最簡單的POS機訂單，我們也能把門店業績，拆成如下：

• 門店業績=訂單數*訂單單價
• 門店業績=訂單數*（件單價*連帶率）

這裡，訂單數意味著客流的好壞，件單價代表了產品檔次，連帶率意味著交叉銷售水平。從這三個指標加上其他一些對比，就可以初步解讀出：我們是要多做引流還是力推高端商品，是要考慮降價吸客還是推組合銷售（具體解讀過程太過複雜，單獨有文章介紹）。

有了會員卡+電商平台以後，就可以進一步拆解指標：

• 門店業績=（全體用戶*付費比例*人均訂單）*（件單價*連帶率）
• 門店業績=（全體用戶*活躍率*付費比例*人均訂單）*（件單價*連帶率）

到這裡，是不是分析公式，已經和目前電商常見的AARRR模型很像了。有了會員卡（會員ID）我們就可以區分用戶等級，用戶價值；有了網站，我們可以記錄用戶成交以前的活躍行為。這使得我們可以深入解讀：為什麼用戶會購買，從而能極大的豐富對業績來源的分析方式，從而合理的指導業務進行工作。除了調整商品價格，品類搭配以外，還多了更多針對用戶需求的信息推送動作，而且使得業務行動越發科學。

到這一步，數據已經成為業務放的生意參謀。不僅僅是在一旁吆喝著：你要出業績！而是能幫忙出謀劃策：你做XX產品組合銷售，針對XX客群做推送，可以更好地出業績。這是數據驅動業務的第三階段，這個階段做的好的公司，業務部門會把數據分析師當作顧問和軍師，真的認真聽取他們的意見。

類型四 監控探頭

第三階段寫的內容很多，是因為大部分的分析方法，都是在階段三應用的，展開來寫n篇文章都不夠。但是階段三仍有兩個問題。問題一，分析過程太長，都是事後的結果，沒法在過程中即使調整。問題二，軍師嗎，都是說話給主公聽的，前線的統軍大將，不是「將在外軍令有所不受「的驕兵悍將，就是「末將糊塗請主公明示」的蝦兵蟹將，數據分析結果出不了市場部，前線難以應用。

更好的狀態，當然是能上通下達。然而這需要技術與業務的雙向支持。在技術上，需要有簡單易懂的前端工具，讓一線更方便，更清晰的看到數據；需要有強大的後台系統能支持實時計算，縮短數據反饋的時間。在業務上，要麼需要老闆強力往下推動，要麼需要數據部門自己有手段，通過拉一派打一派，樹立數據權威（這裡展開寫又是n篇篇幅，回來慢慢介紹）。

類型五 智能打手

除了直接買賣數據外。數據能自己創造業績嗎？當然可以，數據也可以代替銷售們下場賣貨！充當打手直接衝鋒陷陣，斬獲業績。當然，這是有前提的。

第一：既然是打手，得能夠直接打到人才行。因此不需要導購、業務員參與的電商模式，就更容易發揮數據作用。比如電商網站、搜索網站的推薦系統，就能通過演算法，提供有效信息給用戶，提高成交率。

第二，打手想打出成績，得能打的動痛點才行。在消費者對產品有鑒別力的行業更容易生效。類似醫療保健美容家裝，這些存在巨大信息不對稱，存在大量非理性消費的領域，銷售、導購還是起著巨大作用。

第三，智能打手之所以智能而不是瞎打，得有大量數據支持。意味著在推薦系統上線前需要有足夠數量數據及足夠數量的用戶。這兩點恰恰是很多平台的缺陷。有可能平台本身不是淘寶微信這種超級應用，用戶少、數據記錄少，就更難發揮作用。

同時湊成這三點相對困難。因此所謂精準營銷，智能推薦，目前成功案例及可應用的範圍均較少。但隨著消費者本身使用移動互聯網越來越多，阿里/騰訊開發部分數據及研究資源，未來類似的系統可以發揮更大作用。這是數據驅動業務第五階段，也是最高級階段。數據在這裡直接就是生產力。

類型六 大內密探

自有數據以後，數據就開始成為間諜們交易的籌碼。數據驅動業績自然也有了大內密探這種模式。然而，數據的黑市交易始終被法律所禁止。所以大內密探型的數據驅動，開始轉向一些可以公開採集的正當手段，比如財報分析，同業交流，市場調查，爬蟲。通過收集競爭對手的信息，為我們設計戰術提供支持。但始終，大內密探們只是躲在暗影中的少數異類，這一類數據驅動業務也不是主流模式。

類型七 家裡老媽

家裡老媽老是嘮叨你：「回家先洗手才吃飯「」有女朋友了沒？「」天冷了加條秋褲「……你聽嗎？當然不咋聽，不但不聽還嫌老媽嘮叨呢。」俺又不是小孩子「」鄰居結婚關我屁事「。有數據部門是這種狀態嗎，當然有；有數據分析師是這種角色嗎，當然有。不信大家可以統計下自己發出的日周月報打開率，有多少能去到15%以上的。數據驅動業務？驅動個屁，這也是一個狀態哈。

當然還有一個類型是車夫型，就是開篇講的天天被業務方呼來喝去跑數據，跑完了還要嫌棄數據不準，提供太慢，分析不深的。但這種已經是被業務方吆喝著滿地跑了，不在「數據驅動業務「的範疇內哈，

所以，各位親，你們現在的「數據驅動業務「驅到哪一步了呢？

作者介紹：陳老師，在諮詢行業打拚了9年，在如何診斷經營問題、建立分析體系、解決專項問題上有超過30個大型項目積累與實戰，天善智能特邀專家。

數據分析職場路上有困擾嗎？不妨到《數據分析師八大能力培養課程》https://edu.hellobi.com/course/272 里聊聊！

視頻課程特色：

從真實數據分析工作場景出發，訓練實戰能力

啟發式教學+大量實際操練，培養屬於自己的能力

不依賴於某個具體技術，也適合對數據分析感興趣的學生、業務部門人士學習

推薦閱讀：