数字化转型:让数据创造最大价值四步落方法

dtmoban1年前数据决策684

编辑搜图

请点击输入图片描述(最多18字)

数字化与信息的最大区别就是对于数据的应用,让数据创造价值。

目前最常见到的就是各大互联网平台无孔不入的内容推荐、广告推荐。但是这些方法对刚刚开始做数字化转型的企业来说并不适用,数据推荐的应用基础是拥有大量的数据,大量的用户,只适用于互联网大平台。

一般企业的收集的数据主要是公司的经营、业务数据,数据量都比较小;在推荐算法上的应用收益小,主要的应用场景还是在通过数据分析支持公司的决策,提升工作效率。

企业的数据应用场景有哪些?

一、决策支持

通过数据报表、透视、下钻、串联等方法分析经营中存在的各种问题,使企业能及时调整策略。

传统企业的决策主要是决策者根据有限的大概数据,通过自己的历史经验和见识来决策;决策依据和准确性无法保证。

例如:公司业绩增长下滑、利润未达逾期;在没有具体的数据分析支持下一把手可能会做出如下应对策略:

1.扩大销售人员规模,从而获取更多的新客户;

原因:从销售团队得到的反馈是人手不够

2.增加广告投放预算,增加品牌和产品曝光率;

原因:从运营团队得到的反馈是营销投入不够

3.给供应商施压,降低采购成本;

原因:从供应链团队得到的反馈是成本增加了,或者销售卖的价格低了。

4.扩展价格更低供应渠道

原因:同上

5.进一步压低产品销售价格,获取更多的客户

原因:历史经验告诉决策者这是一个行之有效的好办法

6.执行更加严格的团队绩效和薪资制度

原因:从人效团队得到的反馈是浑水摸鱼的人太多

7.更换部门团队负责人,招聘更加专业的团队负责人

原因:业务不好,肯定是团队老大不行

8.裁员,降低成本

原因:没有更好的办法了,不得以而为之

以上应对策略,可能见效,可能不见效;成功率取决决策者对公司各方面业务以及市场行情的了解情况,以及下属的汇报是否客观真实。

对此老高是打个问号,企业已经在走下坡路,那说明决策者已经缺乏对企业、市场的有效掌握,通过下属获取到的信息也并不一定真实。所以此时做出的决策大概率可能是无效的。

而通过数据分析,找出企业真正根本性原因,然后做出对应的应对策略;就可以有效避免上面的胡乱决策。

二、目标绩效管理

传统的目标绩效管理主要是靠人来考核,同时缺乏有效的过程跟踪。到了考核周期时,该出的问题已经出了,只能在下一个周期改进。

这次没做好,下次改正,正次还没做好,再下次;如此往复,企业慢慢在这种消耗中平庸。

数字化的目标管理和绩效考核能做到实时监听,暴露问题,在问题刚发生未扩大化之前就解决掉。

三、用户行为分析

通过数据分析用户的采买习惯,向用户提供更优质合适的服务。

C端用户可以根据他的行喜好,推荐相应的产品或方案。

B端用户根据历史采买记录,以及从第三方获取的信息;在为用户提供产品的同时还能提供其它的衍生服务。

用户行为分析目前数字化市场都做得比较成熟了,咨询公司、数据公司最擅长。

四、工作提效

工作提效的应用范围每个岗位都可以应用到,最基础的就是代替人数据统计分析工作;数据结合业务系统减少人的一些判断,对财务、人效部门的提效最直接。

例如:仓库场景,数据分析出呆滞物料,然后通知运营部门及时对物料进行促销、或调拨到其它畅销地区。如果靠人来完成这部分工作分析耗时耗力,成本高。

五、风险监控

比较常见的应用场景,在金融行业应用最为广泛。

风险监控涵盖企业的方方面面,可以让企业及时的避免各种损失。

数据分析平台如何搭建,确保产生价值?

准备做、正在做数字化转型的企业,大家都意识到了数据的价值,但是数据怎么应用;数据分析平台如何搭建大家都没有行之有效的办法,都在不断的走弯路,最后搭建出来的平台也没有产生项目刚开始时的期望价值。老高也是走了不少弯路后,探索出一条稍微可行的路,下面分享给大家,希望帮到各位企业BOSS。

step1. 先梳理企业经营指标体系

相信很多企业数据一块是交给第三方公司来做的,现在的第三方公司主要擅长的是技术,或者不做技术的咨询公司。

这些人最根本的问题就是所谓数据专家从来没有做过传统企业的经营管理,都是从书本上学习的理论知识,或者从客户那获取到的零星碎片化的知识。

这些第三方公司专注于业务的有指标概念,专注于技术的比较欠缺。或者他们对指标的认知比较书面化,大伙不信看看各种对指标解释的书本里,文章里洋洋洒洒的让普通人难以理解。

通俗的讲指标就是企业经营管理过程中每个人关注的点:

例:

销售人员每天打了个多个电话(电话量),拜访了多个客户(拜访量),报了多少次价(报价数),成交了多个客户(成交数)、.......

这种就是最基础的原始指标,不需要通过多个原始指标计算就能得出的。

往上一点就是电话率,拜访率,报价转化率,成交转化率;

同类数据中衍生出来有各种占比、环比、同比、达成率等等。

各种指标大家需要了解详情可以找那些知名的数据中台、报表产品的官网学习。具体到每个企业的指标都不一样,只能是参考,不能照搬人家的。企业经营管理中需要用到什么我们就建什么指标体系。

建指标时大家注意一下,要有体系化的来建。指标是有上下级关系,旁系串联关系的。

指标体系一般最少分类三级:

一级指标为公司关注的指标,如利润、现金额,销售额,毛利率。

二级指标为部门关注的指标,不同职能的部门有不同的指标。

三级及以上的指标为个人或到具体的业务流的指标。

下级指标与上级指标的关系是:

下级指标是上级指标的数据来源,下级指标影响上级指标的达成。

:毛利率指标,指标数据来源为销售额-退货额-采购/生产成本;影响毛利率达成的指标有销售价格下滑比,成本价格的增长比,客户流失率,新增客户同比下滑等等。

数据来源的指标为基础下级指标;影响上级达成的指标为可配置指标,公司不同的发展阶段,影响上级达成的下级指标是不一样的,所以需要支持灵活配置,随时可以根据影响的重要程序来配置下级指标。

------------------------------------------------------

其实不管企业做不做数字化转型,有没有系统;都应该有一套自己的指标体系,指标体系不仅仅只是用在系统里面;我们的日常工作也要按照指标体系来开展。指标体系可以指导企业每个岗位,每个职位应该关注的重点,而不是眉毛胡子一把抓,或是看见啥就抓啥。

指标体系同时是企业管理者的抓手,是目标制定、目标分解,过程跟踪,绩效考核的基础。

例:作为一家企业一把手,应该关注的一二三四等几个最重要的数据就是你的指标,影响这个指标达成的下级指标五六七八,影响五六七八达成的九十JQ;这样层层往下抓,工作就变得有重心,下级管理者也会有重心。

如果发现抓了某个指标后,企业经营没有变好,那么要么是一把手的战略错了,要么是目标没分解好,要么指标抓错了。

所以在梳理指标体系,以及确定指标重心时一定要和当前公司的经营目标挂钩,不要看别人家BOSS抓什么、或者管理培训班的老师告诉你抓什么就抓什么。

梳理指标体系时,要企业一把手带头,各层级管理者共同参与,专业数据产品经理执行。

彻记:指标体系抄不来作业,不能拿来主义,要和你的企业目标、商业模式、经营管理密接挂钩。 指标体系统不只涵盖企业内部的管理,也包括企业的上下游;一切管理皆是指标。

step2. 根据企业能投入的预算、数据量选择合适的技术体系

指标体系梳理好后,接下来就是技术实现。使用什么样的技术来实现企业需要根据自己的数据量,应用场景,投资预算来决定。

以下是我的几点建议:

  1. 数据量小,系统少,主要应用在企业内部的公司可以直接使用BI工具从业务数据库拿数据做报表即可。不需要建数据仓库,数据中台,最多使用只读从库来读取数据。

  2. 系统多,数据分布在不同的系统里,但数据量在1TB内的,每日新增在几十M的企业;可以使用mysql,搭建一个轻度的数据仓库,分ODS层和DWD层即可。然后使用BI工具,从DWD层取数。

    ODS层是来源各个系统的原始数据,DWD是将这些数据关联起来。这种体量没必要上大数据那一套;Hadoop生态的成本太高,运行速度慢,小量数据时并没有优势。

    离线报表的话用数据同步工具定时同步增量数据,实时报表可以直接从业务库用api接口抽取。

  3. 系统多,数据多,数据又杂乱;这时候是必须上数据仓库了,没有研发实力的建议采购第三方的数据中台产品,现在的中台产品基本都是只要会SQL,有一个懂数据治理的人带着一班写SQL的人即可干活。

    有研发实力的最好还是自己研发;一般企业不需要建实时数仓,hadoop+hive的离线数仓即可。  实时数仓使用Kafka+flink+HBase技术体系即可。

    最终报表呈现我建议有实力最好是自己研发前台展现系统,现在的BI工具与自己系统的融合性不强,缺少指标体系。达不到数据挖掘,深度分析的效果。

    :数据湖要不要建,取决于企业的数据类型,如果都是结构化的数据是不需要的。

    数据湖唯一的作用就是存储数据,各种结构化的,非结构化,如图片,视频,日志,各种各样的文件。互联网平台有这个需要吧,数字化转型的企业我认为是没有必要的,非结构化的数据一般的企业根本就没有分析的能力。把业务数据分析好就已经很成功了。

step3. 围绕指标体系优先级治理数据

数治理的目的就是把企业散落在各个系统的数据关联起来,不需要的数据抛弃掉。

业务系统中的数据很多字段值为业务系统的程序服务的,还有在业务系迭代中产生的历史字段值,对于数据分析来说是没有价值的,这部分要抛掉。尤其是采购第三方系统的,为了满足不同行业的客户需求,数据库表中有很多冗余字段。

例如:业务系统的订单表中只会记录销售人员的账号,数据治理时需要把销售人员的组织架构信息关联进来。

数据治理时一定要围绕企业的指标体系来做,不要大包大揽一步到位。围绕指标来做一是研发团队有目标性,二是可以快速见成效。

大包大揽初期数据治理阶段耗时耗力,但是老板和业务部门只关注数据分析报表;时间一长大家失去耐心,说不定等不到您的数据分析报表面世负责人就被离职了。

另外围绕指标来做,数据建模时也更简单;在没有明确报表需求的情况下,要建一个通吃所有的分析模型很难,经常会出现在报表展现时推倒重做。

在有结构化的指标体系指导下,不用担心以倒推的方式做数仓会把把数仓做得乱七八遭。如果没有指标体系指导,确实会建得乱七八遭,老高就犯过这错误。


step4. 搭建有体系有结构的数据分析报表系统

大多企业在做报表时是根据业务部门的需求来做的,最终做了几百上千张报表后会发现这些报表是散列的,报表之间缺乏关联关系。当看到某个报表看板上的数据有问题时,是需要我们再去找对应的报表来分析。

企业管理者/员工在看数据时,主要有以下几个目的:

1. 目标是否在进度上

2. 企业运营是否健康

3. 各个下属团队表现如何

4. 我所负责的客户/供应商表现如何

5. 我负责订单/项目是否在交期上

6. xxxxxxx

总之不论是管理者还是普通工,看报表一定是有目的,数据健康时大部分人不会去分析原因;数据不健康时一定会去找原因。如果这时我们的报表是散列的,就对看数据的人要求挺高,知道影响这个不健康数据的因由,然后找到对应的数据看板分析。

有体系结构的报表会自动将这些看板关联起来,不需要看报表的人有专业的分析能力,只要通过点击报表数字就能进入下级看板,下下级看板;直至最终的明细数据。

报表之间的体系结构就靠我们的指标体系链接,同时也要求我们的报表分析平台要足够智能,支持自由配置报表之间的关系。

例:可能A的某个指标的三级看板是B的一级看板,A的一级看板又是B的二级看板。

报表的结构关联默认是按我们的指标体系关联,也要支持用户的增删操作。

如:xx指标A一直以来都做得挺好,不需要关注;他就可以不用看这个指标。重要的指标A做得挺好了,他这时候可以自己配置关注一些周边的指标。

总结:

以上四步执行到位,企业在管理和决策上会更加轻松,更加准确。

但是这这只最基础的应用数据,要让数据发挥更大的价值,还需要结合更多的体系;如目标管理系统,任务管理系统,决策系统,风险预警系统。

只有把数据融入业务过程、融入决策过程,不需要特意搭建专门的数据分析报表平台时才算成功。对这方面有研究,有兴趣的小伙伴可以关注我私聊探讨。




发表评论    

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。