如何打造以数据驱动的企业决策与运营流程

首页 > 关于我们 > 媒体报道 > 文章详情

如何打造以数据驱动的企业决策与运营流程

2018-12-10

随着企业业务逐渐转向以创新驱动的精细化增长，数据已经成为大多数企业最重要的资产之一，世界各地的顶级公司都使用数据来支撑其业务决策。数据统计显示，排名在前 40% 之前的企业，其大部分业务决策（约70%）是基于数据驱动的，也就是说，通过数据驱动业务决策的的组织比那些由经验、本能驱动的企业更容易达到行业的顶端。

但与此同时，大量企业对于数据的利用仍然停留于浅层，无法充分发挥数据对于科学决策的价值。那么，应该如何基于数据驱动力，对于企业的决策流程进行重构呢？以下是几点建议：

构建敏捷直观的数据分析与可视化系统

为了让数据能够更好的辅助企业决策，企业在内部开始推行数据分析工具的使用，例如，大多数企业都会按照产品、区域、时间、人员、部门等维度来统计销售数据，并且根据这些数据的波动来判断企业业务的变动情况；在研发方面，很多企业则会对于产品的故障率、研发进度、访问速度、客户满意度等关键指标进行统计，以指导产品的持续创新与完善。

企业往往会通过Excel等传统的工具软件来对这些数据进行整理、分析，或是生成相应的数据图表，但随着业务数据的不断增长以及市场环境变动的速率在不断加快，这种传统的数据分析模式由于往往只能反映过期数据、只支持固定维度的数据展示、消耗数据分析人员大量的工作时间等方面的缺陷，已经显著滞后于市场需求了。对于决策者来说，其需要的是真正敏捷的数据洞察能力。

DataHunter 高级数据分析师许双六表示：“对于决策者来说，其关注的不应该是数据分析的底层，也无需在数据分析方面浪费时间与精力，而是应该随时都能从直观的数据可视化图表中，灵活的调取不同维度的数据信息。为了支撑敏捷数据决策的需求，我们推出了数据分析与可视化解决方案，通过整合所有相关业务数据，并基于探索式分析，支持智能推荐图形、图表协同过滤、全维度数据钻取，让数据分析从繁琐的‘体力劳动’变成可以自动化完成一项轻松工作。”

对于金融、能源、运营商等大中型行业用户来说，其内部往往已经引入了大数据、深度学习等应用来对结构化或是非结构化的数据进行价值挖掘，以支撑业务洞察，但是这并不意味着其数据决策流程不需要继续进化。事实上，大部分大数据或者深度学习应用所生成的数据洞察更加偏向信贷风控、销量预测、个性化推荐等业务底层，而非展示。对于想要全局性了解企业运行状态的决策者来说，其仍然需要通过 DataHunter 等敏捷的数据分析与可视化方案来进行辅助。

制定清晰的数据运营与决策流程

拥有敏捷的数据分析与可视化解决方案并非一劳永逸，而只是数据运营与决策战略的开始。要想保证数据真正的为业务增长与企业管理贡献力量，企业可以从以下步骤出发，建立起一套符合企业需求、清晰的数据运营与决策流程：

第一步，明晰数据运营与决策的目标：企业首先应该清晰的界定自己想要从数据之中获得什么，并选择聚焦的数据类型，如按照产品、时间、区域、人员等维度划分的销售数据，按照姓名、性别、薪酬、在岗状态等维度划分的员工数据，并明晰界定这些数据的细粒度。

第二步，对于数据源进行梳理：数字化技术的应用带来了业务类型与数量的广泛增长，同时也让数据源变得更加的多变与复杂。企业可以利用的数据源将不仅仅包括业务系统产生的相关数据，也包括第三方互联网数据、公共数据服务平台等多源数据。确定哪些数据源可以被获取并使用，对于企业的数据运营与决策流程无疑有很大意义。

第三步，清洗并分析数据：在确定数据源之后，企业应该在这些数据源（特别是内部数据源）中对于数据进行清洗、分析，这一步骤就需要引入 Data Analytics等敏捷的数据可视化分析平台，通过自动的分析流程来生成直观的数据可视化图表。

第四步，将数据洞察运用到业务与管理实践中：数据运营与决策的最终目标在于指导业务与管理实践，因此，在得到数据分析结果之后，企业最后要做的就是思考如何将数据洞察落地。例如，当某月数据分析平台的告警系统提升某区域销售额突降之后，企业需要结合数据钻取等功能找准问题的所在（如经销商变动、人员变动、政策变动等），并进行相应的改善。

降低员工的数据分析应用门槛

数据运营与决策并非仅仅是提供给管理层的工具，而是应该下沉到业务运营的各个层次，帮助不同部门、层级的人员都能从其中获得数据洞察。这也是BI领域自服务分析盛行的主要原因之一，在过去，数据分析的主要模式还是IT人员在做数据建模和数据分析，再推送给管理或业务人员，由此耗费的大量时间与精力不可能允许每名员工都能获得自己需要的数据分析结果，而在敏捷、自助式BI工具应用之后，任何一名员工都可以通过数据的自由组合与分析，来获得自己想要的结果。

从另外一个方面来说，企业对于员工的数据分析培训也是非常必要的，企业需要教会员工如何使用数据可视化分析工具，如何使用这一工具来指导自己的工作实践，同时避免用户的错误操作、集中应用等行为给平台带来巨大冲击，影响平台的整体可用性。

上一篇：超级大片背后的数据可视化

下一篇：DataHunter囊括大数据行业三项大奖

Data Analytics

Data MAX