京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据不是公司管理万能药_数据分析师培训
“嗯,为了证明,人们不惜编造数据。14%的人都知道这一点。”――《辛普森一家》霍默•辛普森语 电脑天才们宣称,大数据时代已经来临。 电脑已经强大到可以收集、汇总数以兆兆字节计的信息来回答各种问题,从如何安排员工薪酬待遇,到某支抵押贷款债券的风险有多大,无所不包。 虽然数据不会说谎,但人们使用数据的方式却极为主观。量化分析在2007年的金融危机中起到了推波助澜的作用,但是如果企业只是简单地认为,光靠一屋子摆弄数据的分析师就可以解决问题,那么结果不仅会对他们的资产损益造成损害,同时也会损害他们的企业文化和员工的福利。 企业执行委员会(Corporate Executive Board)的执行理事施维坦克•沙表示:“数据可以帮助人们做出决策,但如果觉得所有重要的决策都可以交给电脑那就错了。”企业执行委员会最近出版了一份调查报告,名为《超越洞察力赤字:大数据时代的大判断》(Overcoming the Insight Deficit: Big Judgment in an Era of Big Data.)。报告指出,认为只要有10个分析师,就能解决公司所有数据问题的想法是错误的。
未来那些最擅于利用数据分析来引导决策的企业将获得许多竞争优势,对于这一点没什么人会表示怀疑。不过施维坦克•沙表示,仅仅拥有数据是不够的。根据企业执行委员会,在一份针对4,941人进行的调查中,只有38%的员工称得上是“消息灵通的怀疑主义者”,他们依赖数据,但并不盲从,既不害怕置疑数据分析的结果,也敢于从他人那里索要反馈。43%的员工对数据坚信不疑。还有19%的员工很少相信数据分析,喜欢凭直觉做事。 施维坦克•沙认为:“我们必须面对这样一个事实:我们的教育系统没有教会我们如何有效地分析数据。
我们向受访者展示了一些图表,问他们这些图表代表什么意思。结果就连那些从常青藤名校毕业的学生也很难搞清这些数据究竟代表了什么。”这种教育的缺失并非没有办法弥补。该研究显示,仅仅向学生提供培训,教给他们分析工具和软件的使用方法还不够,更重要的是教会他们如何与数据互动。换句话说,就是如何批判性地思考。 要想让员工成为“消息灵通的怀疑主义者”,企业可以建立一种数据导向型的文化(但并不是成为数据的奴隶),从CEO开始自上而下地推广。
如果CEO身体力行,其他员工也很可能参与进来。 施坦维克•沙表示,另一种有效的方法就是在雇佣数据分析师的时候,不仅要考虑他们的分析能力,还要考虑他们是否有能力和意愿去向其他人解释这些数据代表了什么意思。“招聘分析师时还得考虑指导技能,”他说。“每一个分析师都能改善几十、甚至几百个人的决策能力。” 葛兰素史克制药公司(GlaxoSmithKline)正在用数据分析来挑战一些人们认为无可辩驳的常理。该公司北美制药部的IT高级副总裁乔•托伊介绍道,葛兰素史克正在利用数据分析来重新设计销售运作,把这项过去完全依赖人脉的业务转变成一项依赖数据的业务。 托伊称:“决定销售人员的薪酬时,我们在使用哪些数据、不使用哪些数据的问题上做出了艰难的决定,由此树立了良好的声誉。”
自从20世纪80年代初开始,制药公司就习惯使用从厂商那里获得的医生处方数据来决定销售人员的薪酬。医生开出的处方越多,销售人员的提成就越高。因此,医生吃回扣的现象也屡见不鲜,许多医生都被请去吃免费的饭,拿免费球票。因此制药公司的这种提成制度造成了一种医生和医疗代表之间暗藏猫腻的关系,也使一些病人怀疑为什么医生要开这种药,而不是那种药。 从去年七月开始,葛兰素史克公司废止了这种提成模式。现在公司主要依赖对医生和管理人员的调查,以及对产品知识和业务敏锐度的考核来决定销售人员的奖金 。
最高管理层的支持、透明的激励系统,以及消费者的正面反应降低了在销售部门中推行这种新机制的难度。托伊表示:“现在销售人员和医生的关系变得不那么重要了,更重要的是事实和科学。” 葛兰素史克公司在与政府和保险公司的谈判中也奉行了以数据为指导的策略。葛兰素史克与默克(Merck)和辉瑞(Pfizer)等公司竞争着一块非常有限的市场蛋糕,不过托伊表示,数据分析正在为葛兰素史克带来某种优势。 北卡罗来纳州蓝十字与蓝盾协会(Blue Cross and Blue Shield of North Carolina)信息管理与分析服务副总裁苏珊•海默•穆塔夫指出:医疗保健市场瞬息万变,有效的数据分析如果得到正确使用,就可以节约许多渠道成本。 “节约成本的唯一方法就是检验信息,进行分析,”穆塔夫说。“成本是从什么地方产生的?哪些疗法是有效的?它是在哪交付的?”
去年,北卡罗来纳蓝十字与蓝盾协会把许多来自不同部门的分析师集中在同一个部门里,以方便他们进行协作。同时该公司也希望雇佣一些不仅能够分析数据、还能用其它人能够理解和接受的方式提交数据的分析师。 后来该公司的管理层意识到,让一群统计学博士花时间获取数据是很荒唐的,于是他们投入大量资金建立了一个卓越中心(Center of Excellence),卓越中心的分析师以发现问题、解答问题为主,而不是四处寻找数据并检验它们的准确性。 穆塔夫表示,这些变革导致公司的成本出现显著下降,并且提高了客户的满意度水平。卓越中心的建立已使公司节省的医疗开支达到了初始开支的将近19倍。
尽管以数据为中心的做法已经使北卡罗来纳州蓝十字与蓝盾协会获得了不小的成功,但该公司仍有一些员工至今不相信数据分析是公司未来成功的关键。要说服这些员工也是个不小的挑战。 穆塔夫说道:“我们需要让人们理解,今天的工作环境已经和三四年前不同了。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14