二、数据在工作中的四类作用

那么，如何让数据做好“镜子”，帮助企业更幸运呢？

数据分析在日常工作中可以起到四类关键作用，也代表了四个循序渐进的步骤，分别是：反映客观真相、准确量化评估、定期优化迭代和驱动业务发展。

1.反映客观真相

这一点听起来像是一句废话，实际上是最重要，又极其容易被误判的一点。

数据固然具有呈现事实真相的能力，但这需要采集数据的人不带着主观经验和态度去收集。我们要收集的数据与信息，是让企业了解自己真正的样子，而不是“你经验中的样子”“你想象中的样子”“你期望中的样子”。

不知道你之前在做一些关键性决策的时候，是都认真进行了情况分析，基于客观事实来做思考的，还是只是简单整理了一下思路，就开始依靠经验或灵感做了判断？

只有基于客观的、正确的事实前提，后面的分析判断才能“有据可依”。很多我们耳熟能详的调查主题，都是源自这个出发点，比如“北京市‘90后’薪酬情况调研”“二线城市未婚人士结婚意愿调查”等，都是为了快速了解事实真相所进行的数据采集。

如果一个人，现在需要做一份年度传播计划。但对于品牌的影响力现状，企业的用户基数，用户对品牌的认知情况、好感度和购买情况全都不太了解，或者只是简单了解，就开始写方案，就算他再才华横溢，方案也是不敢用的。因为没有调查就没有发言权。

2.准确量化评估

基于客观真相，接下来就可以进行量化评估了。也就是判断一下：之前发现的这些事实，比如企业的影响力、用户的基数、产品的销量等，真实效果怎么样，做得好不好。

也就是，了解自己的位置。

这是一个对比分析的过程，选择“评价的标准”很重要，也就是“和谁去对比”。可以选择和上年同期自己的成绩对比、和核心竞争对手对比，也可以选择和行业平均水平对比，等等。

“评估的维度”也很重要，即选择哪些核心指标来进行评估。例如，评估一个线上营销活动的效果，在维度上可以使用“活动的网络曝光总量”“参与用户的数量”“活动的互动数量”“产品的销量”“目标用户的营销覆盖率”“每千人曝光背后的营销成本”等多个维度。那么，选择什么样的维度最能反映真实的效果，并且还能对业务的改进有帮助呢？这都是需要认真思考的。很多的行业乱现象，比如购买假粉丝、假曝光等，固然有急功近利之人钻空子、挣黑心钱的原因，但也有评估方法上的问题。当企业设置的评估维度片面潦草、不合理、不科学的时候，执行方也会被KPI压得疲于奔命，而丧失了原本做事的初衷。

举个极端一点的例子，某企业做了一个小红书账号，目标是提升品牌对一线城市高端用户的影响力，给的评估维度是：粉丝数量一年增长1000万个。

按照这个评估目标，执行团队人人都是营销鬼才，且运气特别好，还得预算管够才行。因为高端用户人数本身就远低于普通用户，小红书平台的运营算法又是内容至上，平台上面拥有几十万粉丝的账号，就已经是影响力不错的了。在这样一个“魔鬼目标”的鞭策下，如果再加上“完不成就不给付尾款”，你再去看“购买假粉丝”这种数据造假行为，是不是又觉得水军公司也就没有那么“可恨”了？

其实里面最大的问题，还是营销团队。因为他们没有在项目开始的时候，想明白怎么评估是科学合理的。没有在企业负责人提出这个“拍脑门”目标的时候，坚定地拒绝并给出理由和解决建议。

关于量化评估到底怎么做，KPI怎么制定才科学这个主题，我会在后面第三章详细展开。但要说明的是，量化评估不仅是用来判断关键性工作或项目的成果，日常的工作中也时常需要用到。比如，广告公司出了两个版本的平面广告，哪个实际投放的效果好呢？可以先做小规模的测试，评估相对的成绩，选一个测试结果好的广告进行大面积的市场投放。再如，企业内部组织员工培训，结束之后给大家发了一个满意度调查问卷，以了解大家的真实感受及培训的效果。

3.定期优化迭代

优化迭代，也是前面做评估的目的。基于事实真相，和对过往工作的准确评估，你可以进一步思考和找到下一步发展可以改进和优化的空间。

这个价值点在很多部门的实际工作中都很受重视，无论你是在运营部、产品部，还是市场营销部，可能都遇到过基于数据来做优化的工作。比如，通过产品的运营数据和产品满意度调研来优化调整产品和服务的内容。或者通过监测一个传播活动实际在市场上取得的反响，也就是“传播效果监测”，来调整下一步的传播计划等。

听起来很简单，在实际工作中，却常会发现知易行难：明明仔细分析了运营数据，也认真做了用户满意度调查，等到做优化建议的时候却提不出什么有效的见解。

究其原因，有可能是分析水平尚需磨炼，也有可能是前两个步骤没有做到位：事实呈现得不够全面真实，或者评估得并不周到准确。比如，小王为了给产品做优化，认真做了用户访谈，收集大家的建议。但访谈对象大多是企业内部其他各部门的领导或自己的亲朋好友，真正的用户样本很少，而且这群人里还有一些没用过这款产品的，对产品有着想当然的理解。就算“认真”做了访谈，结合了这些信息去进行优化，也势必会有偏差，因为调研样本本身是有问题的。

所以无论是信息收集还是评估，都需要一步一个脚印地稳扎稳打，这是精准优化的前提。

最后提醒一下，优化迭代是需要定期进行的。产品上市之后或者营销活动开展的过程中，企业需要定期了解工作的进展并快速作出调整和反馈。在传统媒体时代，由于传播渠道有限和信息收集困难，大家无法很频繁地做出优化迭代。这些限制在今天早已不存在了，而且由于信息化环境的升级，面对复杂多变的市场环境，不快速高频地进行优化迭代，很容易跟不上市场的“节奏”。

4.驱动业务发展

数据分析最重要的价值体现——对关键性的战略决策作出洞察，并且驱动业务的发展，这是基于前面三步的深化和落地。

当企业持续一段时间收集数据、评测、进行优化并收集策略的市场反馈之后，手中累积的高价值信息资产越来越多。这些数据信息在制定下一阶段的市场战略、用户策略，产品创新或品牌定位提升等层面都至关重要。

除了使用数据来进行上述关键性决策，如果企业拥有的数据足够丰富，甚至可以通过建模来直接驱动业务。这两者的区别在于，做决策的是人还是数据本身。

前者很好理解，后者我举一个例子。起步于支付宝的蚂蚁金服集团，旗下有一条业务线，主要是为有需要的线上小微企业提供金融服务，比如贷款。

传统银行在做企业贷款的时候，流程是这样的：

（1）接到一个贷款需求；

（2）银行收集该企业的相关数据以作评估；

（3）评估通过；

（4）发放贷款。

在评估的时候，如果企业规模不大，线上信息有限，有的时候银行甚至需要派专人去企业实体店铺蹲点来进行数据的采集。比如，一家美甲店向银行申请贷款，银行会派一个信贷员到那家店铺里，收集相关的关键性信息，如日客流量、产品种类、日交易额、服务评价等。随后，银行会根据这些数据的评估来进一步判断是否贷款、贷多少。

这个过程里，数据固然重要，但决策还是由人来进行的。

但蚂蚁金服这个产品的贷款业务不是这样的流程。他们先是发现很多网店店主是有贷款需求的，但去找银行贷款又很困难。因为他们的规模太小，融资的额度又低，还没有抵押品，很难通过银行风控这一关。可是这些店铺的很多关键性数据，在淘宝平台上是都有的，而且十分丰富，完全可以通过这些数据来判断店铺业务的健康程度。

于是，他们最先通过自己的理解去给部分店铺发放贷款，然后进一步收集数据，跟踪和分析贷款行为给店铺带来的影响，研究一些关键数据和还款违约率之间的关系，不断优化放贷逻辑。很快，他们就拥有了成熟的贷款模型，从而可以由数据后台自主决策。在这个案例里，前期还是由人来做决策，但伴随着模型越来越成熟，就变成了数据决策。

无论是人决策，还是数据决策，收集和分析数据都是为了让商业决策更准确和高效。每个人其实都在各种数据中生活和工作，你可能已经把它当成空气一样对其习以为常了。如何发掘背后的价值呢？

我们要先从了解日常可获取的数据类型和方式开始。