黄一能：企业数据驱动的死胡同

最近和一些企业的管理层聊到如何建立企业自己的数据化驱动流程，形成有效的以数据为依据的决策。防止出现“反复试错，次次都错”的结果。恰巧又看到一篇名为“为什么美国没有运营岗位”的热文。觉得其中的一些观点与我之前提及的不谋而合，同时也给了我少新的启发。

其中人才的匮乏以及成本的高昂是一个共同的认知。以至于很多企业希望通过5倍与数据团队的运营人员来不断试错，也不愿意搭建一个自己的数据团队。从表面来看5倍的人力产能更足。毕竟说起来100人的运营团队和20人的数据团队，显然前者更有震撼力。

给予我启发的是说国内互联网的用户需求多样和用户人群的层次更丰富。以至于不便于快速找到一个模型能够通用，使得这个问题会相当复杂。大家不要误解，对于“千人千面”一定是机器更有优势。这里提到的这个问题主要是出现在初创企业或者产品在成长期的时候，通常这种时候，企业自己的业务数据都没有梳理清楚，报表都做不对。自然要形成赋能产品增长的数据决策自然比登天还难。

其实我个人的经验告诉我，还有个更为重要的问题，就是公司的流程和职能不匹配（文化问题）。出现流程断层，比如我看过一个公司运营业务直接对接到数据挖掘团队（这么对接不一定有问题），当专业的建模人员得出结论后，运营没有人去实施，没人敢去实施，不知道怎么去实施。然后反馈的问题是，无法沟通，挖掘人员能力不足等等结论，很是无奈。实际是流程和职能的缺失。运营团队觉得结论没用或者没法实施，数据团队的人觉得没有话语权，无法实现价值。

如何改善这些问题，我个人建议如下：

1. 尝试使用新毕业的专业人才

这些刚毕业的专业毕业人才，价格相对便宜，但专业能力并不差，甚至比很多半路出家的挖掘人员更优秀。缺少的只是工作经验。

2. 抛弃因果，拥抱相关

相关与因果一直是一对相爱相杀的存在，而经验结论通常都是因果关系。拥抱相关能变相削弱新人的劣势，甚至在有些时候会变成优势。相关意味着可以流程化，自动化的进行决策工作，而流程化，自动化就意味的高效。

比如尿布与啤酒，口红经济，短裙经济，得到如此类似的相关性结论的时候。企业通常会问“为什么”，寻求的是一个因果作为主导的理由。毕竟这个理由要能够说的通，可执行。但实际上这种结论太主观了，很容易一个反例就驳倒。在群体样本下，尤其是数据量较多的情况下，为了达到全局的最优，相关才是最值得被使用的结论。

因为企业大部分的问题都很明确，但问题总是模糊的。与其不断脑暴寻求因果，不如找到和问题最相关的因素，通过这些因素挖掘可能出问题的用户，通过观察和干预达成目的。再结合访谈和问卷等方式形成Persona来定性其中的因果驱动关系才更为有效。

我们需要通过这些能够流程化，自动化的方法去帮助增长，而不是通过大量的堆砌人力。我相信一句话叫做：所有职能的最终目的应该是为了使自己失业而努力的，通过解决一个又一个的问题，从中提炼出一套泛华的，有效的方法论，能够自动化的，流程化的被实施，以使得自己的职能不再被需要。这些方法论才是企业在这个行业能够得以生存，形成壁垒的终极手段。

我会出席2018年DTalk 北京“智能驱动业务增长实践大会”，并会在智能驱动实践分享项目驱动，产品驱动，业务驱动…不同的驱动方式，需求不同的职能及工作流模式。不同模式改变的不是职能地位，而是决策的流程。而数据驱动实则隐含在各种驱动模式下如何读懂数据，放大数据价值，提高业务效率。

黄一能

DTalk联合创办人，前Tutorabc大数据产品负责人

9+年技术型互联网数据产品及分析专家，擅长网站和APP产品的开发，数据采集，数据挖掘分析。曾担任Tutorabc大数据产品负责人，专心于数据驱动的业务创新优化及大数据平台的搭建。

2018年10月13-14日，DTalk将举办北京站活动。此次大会我们邀请了以下平均在互联网、大数据和人工智能行业从业超过十年的专家云集北京，共同探讨“智能驱动业务增长实践相关内容，将有来自DTalk、百度、HashData、宜人贷、搜狗、吆喝科技、网易等各大公司此方面领域的专家分享工作中的实战经验。

大会和集训报名方式

长按扫描上方二维码可快速购票

活动一

“DTalk智能驱动业务增长实践大会”

活动二

“DTalk数据和用户画像驱动产品运营集训营北京站”

大会活动咨询：