實戰數據分析決策的3個理念

在過去工作經歷里，外企給人最深的印象是“數據導向”，理性和數據是跨越文化隔閡，進行平等溝通的橋梁；而在國內企業，“經驗導向”是主流，數據的作用主要是“輔助證明經驗得到的想法”。

兩者的優劣本文不展開討論，但有一點是很顯著的，在培養新人團隊方面，理性和數據的方法更容易操作。而經驗論，是所謂的“外師造化，中得心源”，模糊點撥，自己領悟，用這種“散養”方式培養藝術家是可以的，但是用來培養具備數據意識的互聯網產品運營團隊，顯然是不靠譜的。

可能讀到這里，有人會說：

剛畢業的新手理論頭頭是道，但不能獨立運用，缺了什么呢？

學校的運籌／決策學的知識，都基于一個假設：信息是相對充分和正確的。如果不太充分、不太正確呢？只能吐槽么？

本文認為，信息充分的情況下如何數據化決策應該是“極端特例”，“信息不充分情況下如何數據化決策”才是常態。

我們知道，經濟學的基礎假設是，資源是“稀缺”的，經濟學就是在資源不夠的情況下如何“do more with less”。能夠真正用于實戰的數據分析決策，也應該立足于承認和正視“信息不是充分的”。

第一個理念：嘗試量化“不充分”

常見的問題例如，由于埋點問題，數據不全，那么究竟“不全”到什么地步，是否可以量化，是否有其他數據可以互相佐證，在這些基礎上，利用已有數據已經可以做很多事情。

第二個理念：嘗試“容納誤導”

隔壁部門／合作方不愿意分享充足的信息，導致預測和實際數據結果差異很大？這也是非常常見的情況。抱怨是沒有任何意義的，影響數據的還有大量天災，相比這些來說，其實隔壁部門提供的數據，有多少偏差還更容易預知一些，畢竟那是有“目的”的，而天災是無“目的”的。

絕大部分“有目的偏差”的數據，例如活動作弊，刷優惠，客觀情況就位于“目的”兩級的中間（比如說俄羅斯和土耳其雙方的新聞，往中間歸納就比較接近真相）。

預測時就容納黑天鵝，將異常因素納入考慮，數據預測也和程序一樣，有所謂“健壯性”，能夠一定程度上容納意外情況，而“留余地”程度的多少是可以通過對比測試，不斷逼近合理值的。

第三個理念：不要找借口不思考

為什么數據分析周全的方案一再被上級否決，常見的心靈雞湯會說，因為上級看到更多的信息，因此“信息更多的一方決策比信息更少的一方要科學”，這是典型的“找借口”說法，不僅相當消極，而且容易引導人惰于思考，漸漸遠離理性，投身于追逐權力。

之前我們提過，現實生活里根本就沒有信息充分的情況，更可能的是，執行層擁有更多的信息（解釋了為什么“權力下放”的互聯網企業勝算更大），況且即使是最高層，也無法預測新的競爭對手和行業政策巨變。數據分析如果切入面獨特，邏輯完整，而且留有健壯容錯性，完全有“一沙看穿一世界”的可能，這也是玩數據在精神上最過癮的地方。

小結

本文是隨手一口氣打完，沒有太多雕琢，初衷是，如果以后想教小朋友用數據分析來解釋世界，不希望說類似“如果實際情況不滿足假設，那就隨機應變吧”，感覺這樣真的是世界上最失敗的老爸了。。。。。。。