数据化管理（一）---什么是数据化管理

一、什么是数据化管理

1.1 “聪明”的销售人员

  喜欢赚差价的艾米：艾米是一家服装公司的普通店长，每月工资收入4,000 ~ 5,000元，而实际上每月她还能从这个店铺赚到5,000~10,000元外快。她每月的外快来自于两部分：会员顾客差价和 促销活动差价。艾米的店铺是在一个大型购物中心内，所有款项都是店铺自己收，这为她的行为提供了便利。

会员每次购买正价服装都可以享受88折，对于那些非会员且用现金支付的顾客购买的商品，每次艾米都用自己偷偷办的会员卡结账，这样她可以赚到12%的差价。
每个月店铺都会有几天打折销售，一般是8折。在打折促销活动期间，艾米会把之前顾客正价且现金购买的衣服先做退货处理(退全款)，再按照促销价开单(8折结算)，这样她又可以赚到20%的差价。

  危害性：企业绩效考核失效，顾客管理失效，销售数据失真。策略：利用数据建立一项监控制度，设定预警条件，定期筛选有问题的店铺，然后再辅以其他抽查等监控手段。如：区域一个月退货率为多少？退货率最高的店铺是哪些？最近一个月VIP顾客销售额占比是多少？VIP销售额占比最高的店铺是哪些？
  永远争第一的妮可：妮可是一个服装店铺的普通店员，从她第一个月来店铺的时候就是第一名。但是，有一天这个店铺的店长离职了，换了一个新的店长，从此以后妮可的销售业绩下滑得非常厉害。销售主管和城市经理也分别找她了解过原因，还曾把她调到其他店铺工作，但是效果都不好。原因：排班问题。同样是上一天的班，在周一上和在周六上效果不一样，周六的9:00-15:00和15:00-21:00上效果也不一样?
  危害性：伤害团队凝聚力，影响店铺的销售。策略：搭建数据化排班表，表的功能：自动分析排班是否符合销售规律；自动分析排班的公平性。

1.2 数据化管理的概念

  定义：数据化管理是指运用分析工具对客观、真实的数据进行科学分析，并将分析结果运用到生产营运、销售等各个环节中去的一种管理方法，根据管理层次可分为业务指导管理、营运分析管理、经营策略管理、战略规划管理四个由低到高的层次。根据业务逻辑还可以分为销售中的数据化管理、商品中的数据化管理、财务中的数据化管理、人事中的数据化管理、生产中的数据化管理、物流中的数据化管理等。
  作用：监控：可以通过数据及对应的分析指标监控到业务的各个层面；预警：提前预测销售、客流、访问量、盈亏等数据，业务层面可提前做出反应，从而制定对应的策略；支撑：为新产品、新策略、新政策的制定提供数据支持；企业管理的核心：通过数据驱动决策，实现精细化管理和智能化运营，提高企业竞争力和可持续发展能力。

1.3 数据化管理的意义

  量化管理：无论是传统零售还是电子商务，大部分管理工作都是可以量化的。绩效KPI就是对日常业务的一种量化管理。
  最大化销售业绩、最大化生产效率：数据分析本身不能带来最大化的业绩或者效率，只有将正确的分析结果用最实际的方式应用到业务层面才能产生效益，只有持续不断地产生效益才能称之为数据化管理。
  有效地节约企业各项成本和费用：每个业务中心都可以建立独立的数据化管理体系，建立自己部门的追踪及预警机制，从而达到节约成本和费用的目的。
  组织管理、部门协调的工具：同样一个指标，不同的部门提供的数据可能不一致，这既浪费资源，又不利于标准化管理。日常和数据有关的信息传递尽量按如下的原则来做，这样会大大提高组织及部门间的效率。

• 提供正确且有效的数据给对方
• 不仅提供数据，还尽可能提供数据结论
• 对结论进行必要的补充说明，将你的论证逻辑告诉对方
• 建立业务管理模块共享机制

  提高企业管理者决策的速度和正确性：我们习惯给管理层扣一顶“拍脑袋”的帽子，其实，“拍脑袋”并不是一件容易的事情，它是基于经验、深思熟虑之后的一种结论，不是每个人都有资格“拍”的。当然如果管理层在“拍脑袋”决策的过程中能够参考必要数据的话，这将是极好的。

1.4 数据化管理的四个层次

1.4.1 业务指导管理

  通过数据收集、数据监控、数据追踪等手段透视业务，通过数据分析、数据挖掘等方式搭建业务管理模型来提升业务。业务指导管理的范畴包括销售、人力资源、生产、财务、客服等业务单元。主要管理模块有目标及预测管理、利润及费用管理等。

1.4.2 营运指导管理

  营运分析管理是对人、货、场、财的分析管理。包括绩效考核管理、库存分析管理、供应链分析管理、客流分析管理、资金分析管理、客户关系管理。

   业务指导管理和营运分析管理的区别是前者侧重于追踪和监控， 后者侧重于 分析和管理。

1.4.3 经营策略管理

  通过对各经营环节进行对应的数据分析来达到指定或修改策略的目的，数据化的策略管理是企业策略合理化的一个保证。包括消费者购买行为分析、会员顾客策略、商品定价策略、品牌定位策略、竞争对手策略管理、资源分配策略。

1.4.4 战略规划管理

  通过企业内部和外部数据，制定企业的长远规划的过程。包括宏观经济分析、行业环境分析、经营环境分析、内部资源分析、企业竞争力分析、战略目标规划管理、战略可操作性评估

1.5 数据化管理流程图

  数据化管理流程分为8个步骤，它和常规数据分析最大的不同就是强化应用，要求应用模板化，模板智能化。实施数据化管理之后，每个层面看到的不再是枯燥的数据，干巴巴的表格。你的受众看到的将是简洁的可视化图表，傻瓜式的业务诊断，智能化的应用提醒，高互动性的使用界面。

1.5.1 分析需求

  分析需求又包括收集需求、分析需求、明确需求三个部分，收集需求的方法主要有：和使用对象进行访谈、市场调查、走访专家等。分析需求推荐利用思维导图来整理收集的信息，思维导图的逻辑可以参考使用5W2H分析法，人货场等概念。

1.5.2 收集数据

  收集数据是根据使用者的需求，通过各种方法来获取相关数据的一个过程。数据收集途径包括公司数据库、公开出版物、市场调查、互联网、购买专业公司数据等方法。数据收集是数据分析的基础环节，在收集过程中需要不断地问自己，数据来源是否可靠？我收集的方法是否有瑕疵？我收集的数据是否有缺失？

1.5.3 整理数据

  整理数据是对收集到的数据进行预处理，使之变成可供进一步分析的标准格式的过程，需要整理的数据包括非标准格式的数据、不符合业务逻辑的数据两大类。非标准格式数据例如文本格式的日期、文本格式的数字、字段中多余的空格符合、重复数据等。在零售行业中不符合业务逻辑的数据非常多，比如为了充销售额可能会有不真实的销售数据进系统，大量虚假的会员购买记录，电子商务中虚假点击等

1.5.4 分析数据

  分析数据是指在业务逻辑的基础上，运用最简单有效的分析方法和最合理的分析工具对数据进行处理的一个过程。没有业务逻辑的数据分析是不会产生任何使用价值的，对分析师来说，熟悉业务、有业务背景是非常重要的，分析方法简单有效就可以，实用为最高准则。

1.5.5 数据可视化

  数据可视化是将分析结果用简单且视觉效果好的方式展示出来，一般运用文字、表格、图表和信息图等方式进行展示。在数据可视化过程中需要注意的事项：

• 数据图表主要作用是传递信息，不要用它们来炫技，不要舍本逐末般过分追求图表的漂亮程度。
• 不要试图在一张图中表达所有的信息，不要让图表太沉重
• 数据可视化是以业务逻辑为主线串起来的，不要随意地堆砌图表
• 不要试图用图表去骗人，否则你的结果会很惨

1.5.6 应用模板开发

  对于那些标准化程度比较高的数据以及使用频率比较高的分析文件，可以开发成一种固定的模板格式，这样的好处是标准化、程序化，并且会大大节约时间。

1.5.7 分析报告

  分析报告是数据分析师的产品，写分析报告就犹如写议论文。论文三要素：论点、论据、论证，数据分析报告也必须要有明确的论点，有严谨的论证过程和令人信服的论据。报告中不一定三者都要呈现，但论点是一定要有的。其次在写分析报告之前，一定要弄清楚你是在给谁做分析报告，对象不同，关注点自然不一样。
  写数据分析报告的注意事项：

• 一定要有重点，不要试图面面俱到，可以聚焦在关键业务以及受众的关注重点上。
• 要写成议论文，要有论点、论据、论证。不能写成记叙文，记叙文是叙事，议论文是有观点的，是有力量的。其次需要注意的是同一个主题下面的论点不能太多，建议最好不要超过三个。
• 既要关注点，还要照顾线和面。何为点、线、面？举例来说：截止到2023年8月18日成都春熙路店完成了当月销售目标的62%，这就是点。但单凭这个数据无法判断春熙路店销售完成的好坏，还需要线和面概念。简单来说线就是趋势，面就是扩大对比范围，和同类型的其他店铺对比，甚至有的时候还需要和竞争对手的店铺数据做对比。
• 有逻辑性。一是报告各部分内容之间的逻辑性，二是某一个内容的逻辑性。前者可以利用业务间的逻辑来串联，后者一般遵照发现问题、解读问题、解决问题的逻辑。
• 可读性，尽量图表化。千言万语不如一张图。
• 不要回避“不良结论”，有时候做数据分析也是一个良心工程。
• 注明数据来源、数据单位、特殊指标的计算方法等，尽量少用或不用专业性强的术语。

1.5.8 应用

  数据分析报告并不是数据化管理流程的终点，它反而是数据化管理流程的另一个起点，数据化管理的目的是为了应用，没有应用的流程是不完整的，应用就是将数据分析过程中发现的问题、机会等分解到各业务单元，并通过数据监控、关键指标预警、对趋势进行合理判断等手段来指导各部分的业务提高。

1.6 数据化管理应用模板

  一个完整的数据化管理模板应该包括如下5部分：自定义区域、数据源区域、辅助分析区域、业务分析区域、报告展示区域。它由模板开发者制作，数据维护者定期录入数据，最后提供给模板使用者进行数据化管理。
  数据分析师设计模板，将自己对商业逻辑的理解植入到分析模板中去，最后变成一个一个的产品，所以从这个角度来说数据分析师不是在做数据分析，而是在制造产品，有些产品是一次性的，这样会比较浪费，所以需要生产一些通用且实用性强的可重复利用的产品，这就是模板。小的模板可以是一个文件，一个应用程序，也可以是系统的一个组成部分，大的模板可以自成一个系统。