一句话介绍什么是数据驱动
最近不少出海团队和传统企业的数字化团队向我提问：
“可否用一句话介绍什么是数据驱动？”
“我发现尽管我们在内部有了数据库、有了报表分析软件，但产品团队似乎并不太容易从中发现机会，对数据的使用也常常从BI里导数据到excel里自己人肉在搞。”
一句话介绍什么是数据驱动
首先先来谈谈第一个问题：
如果用一句话介绍什么是数据驱动决策，可以这样来说：
“企业通过顶层设计，通过业务流程软件化、自动化获得业务全链路数据，利用数据产品，通过数据治理和价值挖掘持续发现决策变量，结合业务实践的定性认知，实现业务的全局最优决策“。
有人说了，您这一句话太长了。
我另外给一个版本：
“企业可以建设一个全自动的整套数据流水线，用业务认知和AB测试排除明显错误的数据结论，其余的交给这条流水线”。
那还有人说了，那么人的作用在哪里呢？
人的作用就在于发挥创意，比如产品创新、营销创意、人性的理解上啊。
如果你看过我最近有关Google Marketing Live 2022年的视频，Google在Adwords投放上的技术迭代，在自动投放出价管理上已经几乎快做到极致了（基本就是一个闭环的数据驱动流水线），而且还决然地提供了一个AB测试的功能，公开让广告主和自己的投放能力进行对比。
所以一旦我们在谈数据驱动的时候，必须意识到这个世界的变化，就是不断在去除“劳动力”，以及赋予新的“劳动内容”。
另外一个方面，我们看到国内轰轰烈烈在做的数据驱动也好，数字化转型也好，数智化也好，反正大词中国人发明了一大堆。
再来看这些年，营销行业和数据分析行业也是不断有大词：
见我之前的一篇关于私域这个误区的文章。
加上这些系统；
-
CRM -
CDP -
数据中台 -
DMP -
标签平台 -
BI -
AB测试 -
数据仓库 -
报表系统 -
画像系统 -
营销自动化 -
广告投放平台 -
网站分析 -
APP分析 -
小程序分析
然后问题就来了：
-
如果每个系统都要上一套，财务部们问业务价值如何体现？怎么回答？ -
如果在资源调配上，进行选择，到底先上哪个？用谁的预算？谁为最终的上线效果买单？
在这个问题上，财务的问题应当被转化为一个战略决策问题：
“我们这个企业是否必须通过彻底转变经营管理模式来达到产能倍增？”
如果终极目标不是产能倍增，用一个MYSQL+excel+若干数学系毕业生就可以了，毕竟只要有数据，有懂数据建模的人，业务给出分析需求就可以了。
但如果终极目标就是产能倍增，且需要不断有跳跃式倍增的能力，那就必须在这个事实上每个企业都拥有大量数据的前提下，遵循以下几条大数据时代的决策建议：
-
数据收集应当采用全数据，应当以结果为导向，选择相关系数高的变量作为决策变量。 -
在数据指标作为依据的情况下，目标是可以被拆分的，由选择单个转为多个指标总和 -
根据第1条的目标，在一价定律下寻找被低估价值的项目、人才、投资，运用大数据获得更准确的估值。 -
随着时间序列的改变，应当用大数据估计更准确的决策变量，从而为第3条服务。
这四点中，管理团队和分析团队的作用是在（3）和（4）的过程中，发挥人对业务的理解认知，剔除有问题的结论就可以了，其余的就主动交给算法和代码去自动化。
如何实现数据驱动？
另一个题给我的问题是：
“我发现尽管我们在内部有了数据库、有了报表分析软件，但产品团队似乎并不太容易从中发现机会，对数据的使用也常常从BI里导数据到excel里自己人肉在搞。”
这个问题自然地就让我联想到一个案例。
我们曾经指导过一个出海的团队，他们一路发展顺利，在北美市场里找到了早期的流量红利，并且很早就先通过验证海外市场的付费意愿，迅速完成了获取用户到付费变现的闭环，然后他们进入了国内同样领域的市场，发展的迅速似乎是一件美妙的事情，但是瓶颈来了。
一个产品，一个业务一旦验证了市场，进入增长期，特别是业务变得开始复杂，渠道变得多样，小团队开始变为一定规模团队，目标就开始变得模糊了。
比如他们遇到一个比较头疼的问题就是：“当用户收入和用户活跃冲突的时候，这个复杂系统，很难掰扯清楚”。
你看，只要开始一个企业开始建立以KPI为导向的管理流程时，自然就不得不陷入指标拆分、目标预测、收入预测的“痛苦”思辨中。
但这个过程其实只要分析团队放下手头的报表制作工作（其实占用了可能近70-80%的有效产出时间），和业务团队一起通过我们建议的指标体系设计方法将量化关系合理重新计算后即可。
在这个时候，使用哪个报表软件或者可视化展现方式，虽然也很重要，但不是最关键的部分。
最关键的还是要可以给出类似望远镜的方向判断标准。
这类线上产品或者线上营销策略上通过指标的发现，一般会以指数这类可以比较大小的形态给出，有助于我们去判断机会在哪里。
如果对指标体系的模型计算方法和落地实践有疑问，可以文末与我们联系。
数据驱动需要的基础设施
实际上，产品团队和业务增长团队充分利用指标计算（其实可以类比阀门调节）的合理设计，在如下图这样的数据自动化流水线支持下，获得遵循“大数据时代的决策建议”的洞察发现。
但是我们看到很多企业不是在这样整体性来规划，而是分段规划而导致始终不能实现倍速增量。
这里我想起黄一能前一段时间也提过的一些观点，还是很有价值：
1）很多企业觉得所谓的数字化转型无非就是数据参与决策经营，所以他们招了很多的数据分析师，组建了数据分析团队（首先就违背了排斥劳动）。期盼这帮团队给出正确的分析和答案，但实际情况是在数字化的整个流水线中，人工数据分析团队只是个附加组件，他们更多的是在排除错误答案，而无法给出正确答案。
2）为了能让分析团队正常工作，需要统一化历史数据的沉淀，清洗，整理，整合。需要自动化的工具，可以对数据进行计算，特征化，可视配合科学的指标度量衡标准，将业务过程抽象化成数据工程过程，自动化实验给出判断。
3）产品和增长等业务运营团队需要专心发挥创意，发现可能性放进这个流水线中自动处理。这个流水线中就包含了数仓，BI，AI，模型算法，指标工具，标签工具，AB实验平等软硬件，但绝对不是人（分析师），这些都必须完整，并且可以自动化链接协同工作，才能带来最终的产能倍增，这是个质变反应，无法线性达成。
4）很多企业都指望一部分一部分做，每一部分都能体现业务价值，而流水线的意义是全流程自动化，每个模块实际很难独立存在，企业这些能力的链接都需要人工实现，能力还缺胳膊少腿，那谈什么数据化转型。
5）这是个标准化的木桶效应，现在根本不是短板的问题，而是缺板和缺箍桶的那个圈，整个桶四处漏水，无数的人靠人肉在堵各个缝隙和木板的缺失。本来做这个“桶”是为了业务运营运水更快，现在光维持这个桶的人力就很恐怖，关键还在漏水。那直接让这些人用手装水得了，这种桶不要也罢。
这几点实际也代表了大量追求数据驱动转型的企业在实践中的误区。
回到文章开头我回答“一句话介绍什么是数据驱动”的答案：
“企业通过顶层设计，通过业务流程软件化、自动化获得业务全链路数据，利用数据产品，通过数据治理和价值挖掘持续发现决策变量，结合业务实践的定性认知，实现业务的全局最优决策“。
你再品品？
从顶层设计开始，如果一个企业，无论是传统还是互联网创业团队，只要是为资本的最大效率去实现目标，如果不能在理性层面（数学模型）上可以拿出一个可以度量企业经营效率的方法，那么这个企业必然是有悖于资本的本质逻辑。