数据化决策如何更靠谱？来自唯品会的分享

作者为唯品会运营副总裁魏燕翔，本文根据魏燕翔在阿里巴巴3月7日举办的西湖品学大数据峰会上的演讲整理而成，未经演讲者审阅。

数据化决策对任何一个企业来讲，带来的都是全新的痛苦的变革。其实说大数据，数据用来做什么？数据首先是用来做决策的。

人在做很多决策的时候，总是会面对理智跟非理智不同的情形跟场景。我们在做电子商务运营中会收集很多数据，做模型分析、数据分析，我们往往假定用户从这一步到这一步背后有一个必然的过程，背后有一定的逻辑关系。但是在购物过程当中，尤其是女性购物者在网上购物往往是非理性的冲动的决定。那么，数据团队或者业务团队怎么可能用完全理性的逻辑的分析判断用户行为？数据还原过程丢失了很多环节或者盲点的话，就会带来偏差和误导。

数据决策可能带来的偏差

所以这是我们面临的第一个挑战：人的决策不见得都是理性的，但我们通过数据去推演做了很多的假定和判断，至少在现在很多企业做决策的时候，更多的是强调理性，做假定所有的决定都是理性的，但是事实上现实生活中原非如此。

就算说数据反映的用户行为决策都是理性的，也还有问题。谈到数据来供我们做决策的时候，不仅仅量化的，还有一些语意化的东西。所以很多公司谈到数据的时候，很多公司把数据指标跟KPI捆绑在一起，这样就往往忘记了最初的商业目标，导致了偏离。所以当我们真正关注的时候，即使都是理性的，我们还是要区分出我们到底关注的是数据还是数字？我们不要被数字的假象所迷惑，很多数字是不会告诉我们所有的真相的。

另外一个，我们的决策方法论也可能有错误。丹尼尔卡门（音译）教授有一句话，叫目光所及便是一切，指是我们人类经常会犯的一种错误，有人说这叫聚光灯效应，当我们在下面作为观众看着台上演出的时候，聚光灯打在舞台上，你会发现在聚光灯下的所有一切你看得清清楚楚，但是在背景在暗处的东西往往被你忽略掉了。我们依赖于最容易获得的信息，以及说我们对信息的解读，认为说这是我们可以作出决策的所有的信息或者必要信心。但是恰恰这些最容易获得的信息，以及我们对这些信息的解读，往往不是能够做出好决策的所必须的所有的信息。

其实在决策过程中，我们还常常受到一些人类本身的局限。

第一个局限，尤其我觉得在我们中国人的决策一般都是选择题，可选的往往没有宽广的范围，而是“是”或者“否”。在我们商业环境下，我们通常会限制自己的选择方位，没有打开我们的思路，没有让更多的东西进入到我们的视野，这是我们第一个常容易犯的决先。

第二个在做决策的过程当中我往往去寻求一些依据，但我们倾向于去寻找一些支持我们观点的证据。每个人在接受信息都会有自动的过滤，在这个过滤过程中，总是会倾向于选择自己听起来比较舒服或者是比较认同的，而自己不认同会把他放弃掉。实际上在商业环境下，管理者常常是有自己的一个判断。有了判断之后，他第一件事是说，数据团队你去帮我找数据证明这个观点，数据团队往往会倾向于绞尽脑汁从各种维度去找一个数据来证明老大的观点。在这个过程中，其实我们还会受到情绪的影响。我们的开心或者说我们的愤怒往往会导致我们更快或者是更慢作出一个决定。

因此，一个好的决策者，即使有了数据的支持他也常常需要给自己更多的一点时间去思考去判定。而有了数据的支持和帮助，我们做决策还可能受到情绪的影响、自信心的影响，所以，这些其实都是在数据决策过程中我们会面临的一些挑战或困扰。

关于建立数据文化与数据化决策的几点分享与建议

第一个英文里面叫Hippo，意思是河马，指的是公司里面最高的决策层。在数据化决策里面首先要改变的就是管理者本身、机制的本身。这个过程中，决策者要有一个谦虚的心态去学习，要能够尽可能的谨慎的发表有个人倾向的意见，鼓励下面的团队尤其是数据团队去构建更扎实的基础、更好的决策流程。这是一个管理者对数据化决策的进程推进能起到最大的作用，而不是他亲自上手去指挥去设定一些项目或者目标，然后让下面快速去执行。

第二个是构建数据文化。对电商企业来说，可能包含下面几点思考。

1，数据本身不会告诉我们全部的真相，尊重数据、认识数据，但不迷信数据。我们往往会在构建所谓的数据文化的时候，不是把数据当做信仰，而是把数据变成一种迷信。这个可能是要去调整的。对于业务团队而言的话，与其说依赖数据团队或者是BI团队，不如说走到消费者中间，了解你客户的真实的需求，可能你一个电话或者是你一个调研的话，你得到的洞察远远超过数据团队花上多少时间给你的一份报告来得更加直接有效。

2， 需要构建的是，在各个业务部门有共识的指标体系。大家能在这个层面上去讨论数据，而不是都是以自身各自的，站在各自部门或者各自的经验的角度上的理解去谈这些数据。这是最起码的对数据的尊重。经常我们看到当数据团队做假设或者模型或者分析的时候，早早就被业务团队或者管理团队给打断了。他没有理解说数据团队在分析过程中做的一些简化和嘉定，也没有克服情绪化去尊重数据。

3， 数据团队也要深入业务，需要理解数据背后的业务逻辑。他们要天天跟业务部门在一起，了解业务部门的痛点，了解业务部门真正要去改变的方向和目标。如果只是站在他们象牙塔里面是不会提出革命性颠覆性的做法来真正改善业务部门决策的。

第三，数据跟数据工具不是特权，数据要的是安全而不是监管。事实上在很多企业里面，我们都用了安全名义做了数据分析的事情。不能被一线扣动扳机的人使用，那是数据团队的失败。如果我提出需求，数据团队一个星期去开发然后给出结果，事实上过了那个场景，你作出的数据已经没有办法去改善当时真正要达到的目标了。

所以数据是应该有一个合理权限的、安全的管理。但是不能因为这样的管理，使得一线部门没有办法介入到数据里去，他们只能介入到BI团队做的一些报表。实际上我们在很多情形下不能说这些报表没有用处，但是仅仅做到这一点是远远不够的。

今天很多团队都说数据安全问题、企业竞争问题，认为我们要关注数据隐私。这些都对，但同时我也感觉的，这把数据都变成了一个一个孤岛，每一个企业的数据和每一个企业的数据都没有打通，甚至企业部门之间的数据都是无法打通的，商品的团队只能看到商品的团队，市场的团队只能看到流量的数据。

但是其实如果不能把这些数据打通的话，每个部门只从KPI角度关注自己的一些数据指标，是很难发生协同效应，很难推进业务真正持之有效的改善。

数据有时效性和场景化。像今天唯品会的特卖限时抢购模式，如果我拿到一个客户或者一组客户在这一周的行为数据，想在下一周基于这个数据做一些精准营销，实际上，我已经错过了上一周那个场景、那个时间点了。你已经很难说那是一个精准的，只不过在历史的某一个时刻你拍了一个快照，对快照里面的场景做了一个分析和判断，然后试图说服自己说，把这个东西应用在今天的场景下，应该也可以成功。也许这样真的能成功，恭喜你很厉害。但是在大多数情况下，在运营端，我们更需要数据的实时性时效性。我记得去年双十一的时候，车老师（阿里巴巴大数据业务负责人）的团队在阿里做了很大的实时数据展示的屏幕。事实上在业务层面，有多少的业务人员是希望在做大的活动中能够每分钟或者每五分钟就能够看到实时的结果，能够对结果作出一些响应。而不是说等到几天甚至一个星期之后，我拿到一份总结报告，告诉我们说这就是事实，但是我们已经无法追溯说我们还有什么地方可以做得更好。

第四，数据的颗粒度和管理成本有关。其实在很多数据团队在开始起步阶段，都会追求说把颗粒做得越细越好，当然在现在的商业环境下，颗粒度做得越细，越能更好的发现或更建立洞察，但数据颗粒度越细也代表管理成本越高。在商业环境下我们寻求的是一个权衡，我们可能寻求是每次比前一次更优的一个选择。

第五，在数据化决策的过程中，流程比分析更重要。有很多一流的分析师或者是BI团队作出了非常有洞见的一个结果，但是缺乏一个有效的决策流程的话，可能会毁了这一切。事实上，在一个企业里面，我认为建立数据化决策的流程，远远重要过我们现在有一个多么强大的数据系统和数据分析团队。事实上我看到很多情形，无论那个数据师做了多少努力，最终的决定永远是Hippo在做决定。所以在这个过程中，需要组织的力量构建有效的流程，去约束在这个决策环节上所有的参与者，才能够帮助这个企业在数据化决策的过程中，不断的成熟，不断的进步。
金融工程, 数学算法, 数据, 决策

                                                    风险提示及免责条款

市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！