数据驱动决策：如何用数据分析推动业务增长
B2B公司现在可以访问比以往更多的数据。但是，这些数据发生了什么，是随着时间的推移而降低其性能，还是使用它来推动业务增长？
对于利用数据来推动决策的公司而言，它们可以获得竞争优势，降低了业务成本并增加了利润。但是是怎么做到的呢？
到现在为止，每个人每秒产生的新信息将达到1.7兆字节。考虑到地球上有超过77亿人口，每秒产生的新信息的数量相当于25,000多小时的录像带。
我们所有的数字行为都被记录下来。但是对于许多公司而言，这些数据位于仪表板和数据库中，永远不会使用。好消息是，你可以将其用于业务的增长策略，以制定更好的决策，而不必让数据降级浪费。
在本文中，我们将分享什么是数据驱动型决策，你的企业如何从使用数据驱动决策中受益，并包括五步过程，你可以使用这些过程创建更明智的业务决策。
一、什么是数据驱动的决策？以数据为依据的决策不是使用你认为最好的策略，而是使用数据为业务决策提供信息的策略。
通常将其称为DDDM或基于信息的决策，你将历史信息组合在一起以分析趋势并根据过去的工作做出未来的决策，而不是根据直觉，观点或经验进行决策。
包含DDDM位置数据的公司是他们做出的每个决策的核心。
二、如何从以数据为依据的决策中受益？在业务中，总是存在风险因素，但是以数据为依据的决策使您不易受到风险决策出错的影响。
例如，假设你正在为SaaS公司计划进入市场的战略。与其从头开始，并希望采用新的策略，不如看一下先前的产品功能发布。什么有效？不要实施任何无效的方法。
简而言之，根据收集的数据做出更明智的业务决策，多做点有用的事，少做可能不做的事。
研究也支持此模型。
利用大数据业务经历了8-10％的利润增长，并在总成本降低10％。
如果你仍然不确定，请考虑以下事项：
虽然91％的公司表示数据驱动的决策对他们的业务增长很重要，但是只有57％的公司表示他们的业务决策基于数据。
以数据为依据的决策是获得竞争优势，增加利润和降低成本的好方法！
三、我可以将数据用于哪些业务决策？现在你知道了如何从数据驱动的决策中受益，下一步是确定组织如何使用数据来制定如何发展业务的决策。
例如，可以使用数据来找出：
财务：雇用新员工最经济有效的方法是什么，或者推广新产品最便宜的方法是什么？成长：可以做哪些活动来防止流失？如何提高客户忠诚度？计划的新功能可能会影响的业务目标吗？市场营销和销售：哪个广告渠道可获得最佳的投资回报率？哪些销售活动产生最多的线索？客户服务：处理支持票的最经济有效的方法是什么？哪些渠道可以改善响应时间？四、如何使用数据制定业务决策在分析公司的仪表盘之前，最好先制定一个行动计划，该计划详细说明如何找到所需的数据，更重要的是，解释数据以做出正确的业务决策。
可以使用以下五步过程开始进行数据驱动的决策。
1.查看目标并确定优先级做出的任何决定都必须以业务目标为核心。
因此，首先要问自己：你想提高哪些目标？
在做出决策时，从最重要的开始。
例如，假设你希望在有更多的人订阅SaaS工具。在这种情况下，生成更多注册量是主要优先事项。但是，在研究阶段，可能会发现75％的高级订阅来自北京，但不到10％来自杭州或上海。
因此，目标是“增加杭州和上海的SaaS付费会员”。一旦确定，你将需要数据来支持它。
2.查找并提供相关数据确定了要解决的问题和要做出的决定后，就可以查找并提供相关数据了。
需要强调的是，“相关”一词在这里很关键。
你不想花费数小时来分析不会对你的最终决定有任何影响的数据，因此，请保持数据相关性，并仅收集与你的目标相关的数据。
你可以在以下来源中找到相关数据：
网站分析CRM软件商业智能平台社交聆听工具客户的反馈最后一点尤为重要，因为60％的公司表示，将客户反馈作为决策过程的一部分，对他们最成功的项目做出了贡献。
回到我们的SaaS订阅示例，你可以询问用户为什么购买产皮，是什么使他们选择我们的产品而不是竞争对手的产品，这些见解将帮助你向杭州和上海用户传达更引人注目的信息。
即使你的目标与获得客户无关，例如“我们可以采取什么措施来防止流失？”，你仍然可以找到相关数据。
3.从这些数据得出结论查看收集的历史数据，并尝试确定模式或趋势。
如果我们使用上面的“减少流失率”示例，则可以考虑重写电子邮件，以查看这种改进是否会极大地影响流失率。
对于数据驱动的决策机构，这意味着查看其历史数据以查看是否有任何迹象表明重写会很好地执行。
在整个过程中，你可能会发现：
以更轻松，更幽默的语气共享的社交媒体帖子获得了更多的参与度；访问支持中心的大多数人都是现有客户等。现在将其与非数据驱动的决策示例进行比较。
几个星期过去了，客户流失率没有差异；因此，你可以确定问题不是电子邮件的问题，而是其他原因。
4.制定策略找到了要改进的目标，并分析了数据，以决定是否要采取新的策略。
接下来，需要创建一个行动计划以将决定付诸实践。
此阶段的关键是要明确定义要完成的目标，以及需要做什么，何时，由谁，为什么要做以及期望的结果是什么，而不是制定模糊的目标，即“需要在完成任务之前先完成任务——年底”。
5.衡量成功并重复决定已经制定，结果已经完成，但这并不意味着您的决策过程已经结束。
查看最初收集的数据，并基于你的最初决定。然后，一旦达到目标的最后期限，就将历史数据与收集的新数据进行比较，并问自己：数据驱动决策是否对您的业务产生了积极的增长影响？
如果成功，那么恭喜您！
如果失败，那也没关系。当然，决定可能不会立即产生影响，但是至少现在你知道什么不起作用了。有时，这与了解有效的方法同样重要。
正如托马斯·爱迪生（ThomasEdison）在谈到电灯泡的发明时所说的那样：“我没有失败，我发现了10,000种不起作用的方法”。
五、结论《经济学人》称数据为“世界上最有价值的资源”，而不是石油并且有充分的理由。
组织拥有的数据越多，他们就越了解你的购买习惯以及你将如何响应不同的消息。
并引用《蜘蛛侠》漫画中的一句话：“能力强大，责任重大”。
数据驱动决策的三个层级，你在哪一级
[[437858]]
本文转载自微信公众号「接地气学堂」，作者接地气的陈老师 。转载本文请联系接地气学堂公众号。
很多同学总好奇：“数据分析要怎么做，才能驱动决策?”天天总听人说：数据驱动，可现实中没见过，只见过自己写的报告石沉大海……
今天结合一个具体案例讲解一下，到底如何做。话不多说，直接上场景。
问题场景：某二手交易平台，其中旧货回收环节，需要人工话务员进行转化。现在计划引入智能机器人承接转化流程，领导要求把人工话务员数量砍到80%以下，问：该如何做分析?
思考一分钟
01没有数据驱动，会咋样很多人一看题目，说这要啥数据驱动呀。不就是砍人吗，领导都要求砍80%了，直接派HR去宣读辞退要求，搞掂!
这么干行不行?理论上行。但很有可能在砍完以后发现：这机器人不中用呀!电话接不住，转化率刷刷往下掉。最后导致平台供给出现问题，直接拉低GMV。
这就是数据驱动的直观作用：验证方案可行性，避免重大损失。
02初级数据驱动既然要验证方案可行性，那么最直观的做法，就是做测试。那么怎么测试砍多少人合理呢?最简单的方法是：先砍10%，看看机器人能接住不;再砍10%，再砍10%……这样逐步砍满80%为止。这是数据驱动的直观做法。
看起来，似乎很合理，但是隐藏一个问题：砍10%，从谁砍起?如果好死不死，砍到了转化最好的话务员，那根本进不了下一轮测试，就会发现货又缺了，GMV又崩了……
因此，做事后验证，只是一种方式;事先分析，提前扫雷，也很重要。
03中级数据驱动要排砍人顺序，理论上应该从最差的砍起。但这么做也有个前提：真的有人做得更好，不同层级的话务员，转化数量有明显差异。因此可以先做分层，根据分层结果，决定砍人策略(如下图)。
但是，只考虑短期(比如一个月)的表现，并不公平，很有可能一个话务员一直表现很好，只是最近一个月没有表现好。所以做分层的同时，还要加入行为分析，判断：话务员是持续好、一开始好、越来越好，还是真的随机好(如下图)。
那么，考虑到这里足够了吗?
还不够，因为只考虑了最后转化成果，并没有考虑转化率。到底话务员是怎么做出这个成果的，很重要!如果转化好，仅仅是靠大力出奇迹，疯狂打电话获得的，那照样可以用机器人代替人工话务，机器人不是更大力吗，哈哈。
但是如果真的有话务技巧，可以慢工出细活，就得考虑：到底机器人能不能达成人工的效果(如下图)。
那么，考虑到这里足够了吗?
还不够，因为并没有考虑线索类型。如果不同种类的线索，转化率差不多，那自然可以直接替换。
如果有些线索就是天然的转化好，有些怎么做都不行，那么就得考虑：天然好，是因为线索本身就容易转化，还是话务员服务很得心应手。到底机器人能不能承接住这些线索。(如下图)
经过这么多层分析，可以探索出：到底影响转化率的原因是什么?
1、是话务员个人素质?
2、是话务员熟练程度?
3、是话务员拼命拨号?
4、是线索本身质量优秀?
这样的区分，对于解释为什么机器人替代人工以后，转化率不会掉，有重大帮助。从而避免了在测试的时候，只看到结果涨涨跌跌，无法解释原因的。这样利用多维度综合分析，在事前能清晰评估形式，从而避免盲目测试。
04高级数据驱动假设在事前分析中，已经能锁定：和话务员个人素质/熟练程度没关系，主要看线索本身的质量。此时可以推动下一步测试。因为机器人转化效果未知，因此可以从好线索/坏线索中，各自抽样本做ABtest，测试机器人替代人工的效果(如下图)。
注意：不同的测试结果，会影响进一步的策略
如果真的是机器人全面占优，自然可以直接替代(甚至连20%都不用留)
如果机器人全面占下风，则说明算法还需改进，只能暂缓计划
如果机器人对优质线索转化差，对普通线索转化好，则可以分工合作，人工做优质线索，机器人做差线索。由于原本转化差的线索由机器人接手，机器人是不知疲倦的，因此完全可以搞“机海战术”，通过大量的机器人接单，提升需求响应速度，靠走量取胜。
如果机器人更适合转化优质线索，转化普通线索更差，则完全是另外的局面：因为压缩人工是势在必行的，不可能通过添人手来转化普通线索。
因此，此时的策略，是调整算法训练方向。针对特定来源/商品类型/交易金额的普通线索，提升转化率。有可能的话，单独开发一套算法，以最终实现降低人工工作(如下图)。
之所以称之为：“高级”驱动，是在此时，后续策略已经完全由数据表现而决定。即使大家有各种想法，最后以数据为准绳，根据数据变化做判断，已经实现了数据驱动最高级阶段，不必再做事后诸葛亮。
05小结通过数据驱动决策，靠的是体系化的分析，而不是一个神威无敌大将军模型，摸一下摸出100%精准结果。事前预判、事中监控、事后复盘，缺一不可。
并且，决策依据，是可量化的数据结果，而不是“我以为……”“他就是……”“老夫从业十年……“我看别人都这么干”“我在大厂的时候都是这么干的……”我们设定好量化的判断准则，根据数据结果优化决策。
只是，实现这套方法论，不但需要数据分析师有耐心，做细致的工作，更需要业务方积极配合，有足够的耐心和活跃的思路，尝试多种可能性(而不是简单地一刀切)，这样共同努力，才能实现最好的效果。
并非每个厂子都有这么好的氛围，所以大家能保底做到的，就是事先分析的时候多做一些尝试，试着接近真相，这样才能提升个人分析能力，与大家共勉。
数据化决策 (豆瓣)
你还在依赖直觉和经验艰难地作出决策吗？这本书让你定量决策：
可口可乐动用2000名调研员，对19万人进行口味测试后，如何作出最终决策？
如何衡量并未开口抱怨的顾客对服务或产品质量的不满意度？
如何通过数学公式找到最适合你的另一半？
数据无孔不入，大数据时代，谁掌握了数据，谁就能把握成功。“一切皆可量化”，道格拉斯这个大胆的宣言是解决诸多生活和商业问题的关键所在。
无论你的问题看起来多么不可量化，如健康、幸福感、顾客满意度、IT安全、投资风险、品牌价值、组织灵活性等，在本书中都可以找到量化的办法。作者在本书中：
专注于量化不确定性、风险和数据价值；
提供了令人拍案惊奇的测算无形之物的简便方法，让你仅仅基于已知数据就能准确决策；
展示了丰富而精彩的量化案例，让身边的数据唾手可得。
本书兼具实用性、可读性与趣味性，甚至让反感数据的人也能发现它的亲切。