八张图，看懂数据分析如何驱动决策思维导图

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）：

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）：

然而，这并不是真正意义上的科学管理，因为太粗糙了；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。

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，数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：

决策中：

决策后：

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：

通过循环迭代，确保目标落地，逐步提升质量（如下图）：

后续的主要进化，体现在技术方面；因为获取数据，本身是一件非常艰难，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。

受以上限制，好问卷成本高，周期长，获取数据速度贼慢贼慢。

更精细的数据驱动手段，都是技术驱动的：

有了技术支持，在管理上细节也更丰富（如下图）：

交于上个阶段，主要增加的内容包括：

整体过程，可以看下图的详细描述：

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）：

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。

到这里就介绍完了，但是肯定有同学好奇：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。

时代变了，人/制度/系统不变，一切还是不会变。

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。

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。

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；到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，最后只知道罗列数据，无法下判断结论。

这是数据分析师们常犯的问题。每天就知道盯着GMV，流量，DAU，MAU，转化率几个指标，对业务流程一窍不通，对不同业务手段的效果没有观察积累；最后除了翻来覆去啰嗦几个指标，就只会说：要搞高，要保持，全是废话，更无法驱动决策。

数据驱动决策,需要的是业务流程与数据紧密配合，领导层参与推动，才能实现的事。

数据驱动决策，从来都不是一个神机妙算的世外高人，拿着数据口念咒语：“妈咪妈咪轰”就轰出来一个惊天地泣鬼神的结论，这是基本常识。

落后的人、落后的系统、落后的流程，都会让数据浮于表面；因此即使短时间内看不到成果也不要失去信心，这些落后的人和事，最后都会被淘汰在历史里。

作为从业者，我们要多锻炼的是自己的能力，才有机会加入更好的平台，做出更好的项目，与大家共勉。