
来源:数据海洋
作者: 数据海洋
疫情后各行各业都在谈数字化。都希望通过数字化帮忙企业经营的更好:通过数字化来打开销售。例如:很多传统企业在疫情前大部分都是没有线上销售的,现在疫情期间很多企业开起了直播,开通了电商或者O2O的销售。
对于有些企业来说,希望通过数字化来提升企业自身的经营能力。通过数字化的建设来提升企业的经营内功。例如:商超是一个很传统的行业,在这次疫情期间相对来说受影响比较小,但是也暴露出了许多问题,有动力通过数字化来提供经营效率。
对于有些企业来说,希望通过数字化来实现战略转型,战略升级。很多活的比较好的企业,往往是缺少升级的动力。管理层可能战略思考已经很前面(领先当前业务),但是往往企业内部其它层级的利益关系很难快速去改变与挑战。
疫情让非常多的企业从战略决策层开始向企业数字化方向转变,但是关于企业的数字化话的几个问题,往往又缺少很深入是思考,导致数字化战略迟迟不能推动落地:
公司为什么需要数字化?
数字化解决公司战略层面什么问题?
数字化解决公司战术运营层面什么问题?
数字化的具体价值体现形式是什么?
如何实施数字化战略?
需要什么样的人才来实施数字化战略?
数字化的价值衡量应该是什么?
数字化要投入多大的资源?
…….
企业管理层对于相关问题没有深入思考,也说明了目前市场上非常缺少真正懂数字化的人才。数字化人才需要几个方面都懂,而且需要有深入的思考:
理解公司战略,知道经营中痛点与行业发展趋势。
例如:某商超今年的重点是进行经营效率的提升。老板提了一个战略方向,首先应该要去思考为什么公司会提出这个战略?这个战略是新提出来的?还是之前一直是公司战略?如果是历史就提出来了,为什么一直没有执行好?如何利用数字化来实战战略落地的路径。
需要知道如何用数据来分析,定位,预测经营中问题,怎么协助战略决策的制定。而且利用数据把战略决策能快速落地下来。
例如:经营效率提升转化为具体的数字KPI指标。是人效提升?还是坪效提升?如何定义这个KPI指标,更核心是要把KPI指标分解,构建相应的数据指标分析体系,寻找到驱动指标提升的驱动因素。
以提升坪效为例,如何思考
提升坪效 = 销售额/经营面积,如果要提升坪效,核心应该是提升销售额,如何提升销售额,从降低缺货率继续思考。
降低缺货率:特别是热销的商品不缺货
通过促销活动,通过商品更吸引客户,把数据与业务结合起来,利用数据分析帮助公司业务团队一起来制定落地策略,更有针对性的驱动经营因素的提升。
数据逻辑梳理好。往往需要通过技术手段来帮助经营策略落地。例如:分析需要用到的数据是如何被采集,用什么方式采集,如何被存储,如何被计算,以及通过什么样的可视化展示,如何把数据与业务系统打通。
大数据达到一定规模后的企业,一般会都会有专门的数据团队。公司往往是期望当前的数据团队能承担公司数字化转型或者数据字化落地的工作,但是对目前的大多数数据从业人员来说,往往都不具备这些能力。能有逻辑做好数据分析,把数据场景化分析做好的数据团队不多。
和企业老板与管理层交流发现,很多公司当初要组建数据团队主要原因:就是公司业务发展大了,各个岗位角色或者管理层需要看到各种数据,所以招聘了一个数据团队来做数据,做报表。方便需要数据的时候有人可以提供出来。
往往是解决的最基本的:有报表,看数据的问题。而不是组建这个团队的来解决经营问题,数据驱动公司成长的驱动者。所以导致对于这个团队的非常不清晰,非常不明确。而且往往这个团队不存在似乎也不影响整个公司的经营,最多看数据困难一点。每个月也能看到财务报表。
当疫情来了后,管理层对企业、对数字化有明确价值化,明确产出化要求的时候,很容易就暴露目前的数据团队的能力不足,往往会导致整个公司数字化战略落地受阻。从而数字化战略实施没有被执行,数据团队往往又会成为:报表团队或者取数团队。
和企业需要通过数字化来提升自己的内功一样,大数据人才也需要不断提升自己的内功能力,这个内功能力,不仅仅是技术层面,更应该还是要回到业务层面,真正懂业务后用数据来解决问题,而且往往也不需要特别高深的方法。例如:对于一家零售企业来说,通过SQL语言你就可以利用数据分析与监控这样的场景:
某个商品连续15天没有销售,通过分析该商品所归属的品类特征对比发现,该品类的商品超过90%以上如果连续15天没有销售,则该商品后续产生销售的概率小于0.1。
那可以立即告诉业务,针对该商品可以立即采购行动。是立即退货还是要降低处理,而不是一直放在货架上等到20,30天后。造成公司经营机会点流失。
所以通过基本数据指标的统计与设计,结合具体的业务场景就可以分析出很多商业机会点,真正可以实现:用数据分析结果来驱动行动,而且往往是很具体的落地执行策略。
最近一年和不少公司的管理层和老板有交流往往会有这些内容:“我们数据团队都是在做报表,而且报表还做不好,数据还经常打架!也没有给公司提供什么经营决策建议,偶尔做了几个漂亮的可视化报表,但是解决不了问题。当我真正需要数据发挥价值的时候,往往却没有感受来自于数据团队的价值。”
数据分析师,数据运营,数据产品等数据岗位需要更多走向业务,更多思考数据如何服务业务。怎么帮助公司业务人员更好做好决策,更好的做出管理。而不是提供一大堆报表,一大堆数字。
疫情之外,真正的数据人才是展现自己机会的时候。在潮水退出的时候才知道谁在裸泳。对于数据从业人员来说,这是一个非常好的机会,但也会碰到非常大的挑战。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03