实战数据分析决策的 3 个理念
刚毕业的新手理论头头是道,但不能独立运用,缺了什么呢?
在过去工作经历里,外企给人最深的印象是“数据导向”,理性和数据是跨越文化隔阂,进行平等沟通的桥梁;而在国内企业,“经验导向”是主流,数据的作用主要是“辅助证明经验得到的想法”。
两者的优劣本文不展开讨论,但有一点是很显著的,在培养新人团队方面,理性和数据的方法更容易操作。而经验论,是所谓的“外师造化,中得心源”,模糊点拨,自己领悟,用这种“散养”方式培养艺术家是可以的,但是用来培养具备数据意识的互联网产品运营团队,显然是不靠谱的。
可能读到这里,有人会说:
刚毕业的新手理论头头是道,但不能独立运用,缺了什么呢?
学校的运筹/决策学的知识,都基于一个假设:信息是相对充分和正确的。如果不太充分、不太正确呢?只能吐槽么?
本文认为,信息充分的情况下如何数据化决策应该是“极端特例”,“信息不充分情况下如何数据化决策”才是常态。
我们知道,经济学的基础假设是,资源是“稀缺”的,经济学就是在资源不够的情况下如何“do more with less”。能够真正用于实战的数据分析决策,也应该立足于承认和正视“信息不是充分的”。
第一个理念:尝试量化“不充分”
常见的问题例如,由于埋点问题,数据不全,那么究竟“不全”到什么地步,是否可以量化,是否有其他数据可以互相佐证,在这些基础上,利用已有数据已经可以做很多事情。
第二个理念:尝试“容纳误导”
隔壁部门/合作方不愿意分享充足的信息,导致预测和实际数据结果差异很大?这也是非常常见的情况。抱怨是没有任何意义的,影响数据的还有大量天灾,相比这些来说,其实隔壁部门提供的数据,有多少偏差还更容易预知一些,毕竟那是有“目的”的,而天灾是无“目的”的。
绝大部分“有目的偏差”的数据,例如活动作弊,刷优惠,客观情况就位于“目的”两级的中间(比如说俄罗斯和土耳其双方的新闻,往中间归纳就比较接近真相)。
预测时就容纳黑天鹅,将异常因素纳入考虑,数据预测也和程序一样,有所谓“健壮性”,能够一定程度上容纳意外情况,而“留余地”程度的多少是可以通过对比测试,不断逼近合理值的。
第三个理念:不要找借口不思考
为什么数据分析周全的方案一再被上级否决,常见的心灵鸡汤会说,因为上级看到更多的信息,因此“信息更多的一方决策比信息更少的一方要科学”,这是典型的“找借口”说法,不仅相当消极,而且容易引导人惰于思考,渐渐远离理性,投身于追逐权力。
之前我们提过,现实生活里根本就没有信息充分的情况,更可能的是,执行层拥有更多的信息(解释了为什么“权力下放”的互联网企业胜算更大),况且即使是最高层,也无法预测新的竞争对手和行业政策巨变。数据分析如果切入面独特,逻辑完整,而且留有健壮容错性,完全有“一沙看穿一世界”的可能,这也是玩数据在精神上最过瘾的地方。
小结
本文是随手一口气打完,没有太多雕琢,初衷是,如果以后想教小朋友用数据分析来解释世界,不希望说类似“如果实际情况不满足假设,那就随机应变吧”,感觉这样真的是世界上最失败的老爸了。。。。。。。
文/scvhuang 微信公众号:scv小黄(scv_huang)
关键字:数据分析, 产品经理, 数据
版权声明
本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!