
大数据时代的管理者:顶尖企业的数据管理模式
精品的产生是数据化管理的结果
有人问,为什么德国能够生产出安全可靠的汽车?研究者就这个问题进行了深入的研究,结果显示其中一个重要原因是:长期以来德国汽车制造商通过大量试验,积累了大量的数据,从而不断推陈出新。汽车公司通过碰撞试验,对汽车在受到外力重击的情况下的形变进行了统计。换句话说,德国能制造世界一流的汽车是对数据管理的结果。
全世界的观众都非常喜欢好莱坞影片,很多人认为好莱坞的电影极具创造力。但殊不知,好莱坞看似各不相同的电影其实都是用相近的模子做出来的,都是用数据作为制作的标尺。
好莱坞的编剧是非常重视剧情结构的,因为剧情结构是对观众心理深入研究的产物。通过对剧情结构的研究,编剧非常清楚观众在观影的某个时刻最希望看到什么,便在那一刻通过剧情满足观众,给观众情理之中却又意料之外的惊喜,从而让观众得到最大的满足。
好莱坞大片大都严格遵循好莱坞的量化剧情结构,精确到秒。以《阿凡达》为例,开片十几分钟里交代了故事的背景,一个残疾军人如何来到潘多拉星球、潘多拉星球上有什么、阿凡达是什么、人类去潘多拉星球干什么。在好莱坞模式中,如果前十几分钟不能把故事的前因后果交代清楚,观众就会失去耐心,所以导演们基本都把这一规则作为铁律来遵守。
从德国的汽车制造到美国的好莱坞制片,这些告诉我们,精品的产生都是数据化管理的结果。
我们经常能在报纸、杂志上看到很多关于优秀国际企业的管理方法、制度等,但我们看到的这些内容,其实并不是它们最核心的成功要素。国际顶尖企业最重要的成功秘籍是这些制度建立的基础——数量化的土壤。
在这些企业里,管理者运用数据和客观方法已基本成为一种思维惯式,没有数据,管理者就不会轻易做出结论。从市场分析预测到战略的实施与评估,他们都会尝试用数量化的科学方法实施。下面,来看看著名的沃尔玛公司的管理者是如何应用数量化的方法解决实际问题的。
沃尔玛的科学数量化管理
很多人都在研究沃尔玛优秀的管理经验,比如,沃尔玛注重客户满意度,员工3米内见到客户要露出8颗牙齿,以及对员工进行充分的在职培训,等等。但很多人不知道的是,沃尔玛的核心管理经验之一是其科学的数量化管理,充分运用数据来挖掘和分析解决问题的方法。
通常人们逛超市都不会只买一种商品,而且买的商品大都具有一些关联性。比如,自己在家做饭的顾客经常会同时买蔬菜、肉、大米、鱼、油和调味品等商品,而购买日用品的顾客往往会一起购买洗衣粉、香皂、卫生纸和清洁剂等。虽然每个顾客购买商品的动机非常偶然,并且各有各的特点,但是把大量顾客的采购结果汇总后,就会发现一定的规律。沃尔玛的专家们经过长时间的数据统计,发现不同商品之间是有一定关联性的,而这些商品的销售量也会有一定的比例。在这里,以蔬菜、肉类和食用油三种商品为例,沃尔玛经过长期跟踪发现,这三种商品销售额之间的大致比例是10∶8∶1。
职业经理人常会到销售现场检查巡视,但是除了销售现场的巡视之外,他们还会非常关注相关数据的变化。大型连锁超市的收银台会随时把顾客的采购信息,传送到后台的ERP信息系统进行统计。超市早上7点开门,到了9点数据就已汇总。经理通过汇总报表观察超市各商品的比例,还是以蔬菜、肉类和食用油为例,三种商品的正常比例为10∶8∶1,如果今天的数据显示三种商品的比例是10∶4∶1,就很容易发现肉类的销售出现了异常情况。顾客选择了10单位的蔬菜,本应选择8单位的肉类,但是今天肉类的销售居然降了一半,经理会立即跑到肉类销售区去查看原因。看是价格的问题,是陈列的问题,还是质量的问题?一旦找到原因,就可以立即有针对性地进行调整。这样,问题刚出现苗头,就迅速地被控制和改善了。
如果没有数据,超市经理仅凭主观感受和观察,只会发现超市的员工都非常忙碌,顾客们都在兴致勃勃地采购,似乎一切都很顺利。超市经理虽然可以在巡视中纠正一些商品摆放不当的失误,提醒员工的服装要穿戴整齐,但他很有可能忽略掉最关键的要点。
如果根据每天的报表进行统计和分析,往往还会发现更多问题。比如,一周后的一天,超市7点开门,经理9点看到蔬菜、肉类和食用油的销售比例是8∶6∶1。这说明单项商品的销售没有出现问题,但是整体客流量降低了。经理就会马上去查看,为什么今天的客流量整体减少了。
相信数据,用数据说话,已经成为沃尔玛等国际型企业的职业经理人的思维惯式。
通用电气的模型数据管理
数量化是一把精密的机械手术刀,它最大的作用是精准切割,科学拆解,再完美地组装还原。让你明白,问题本可以更好地解决,分析本可以更透彻和深入,目标本可以更清晰和具化。它的解剖对象可以是一个员工的一次绩效评估,也可以是一个企业的战略。因为我们只需用数字体现出的结果来说话,不用去考虑中间的过程和理由,只需用结果来衡量中间过程,做到的自有其道理,做不到的则是没有付出足够的努力。
提到通用电气,很多人会想到杰克·韦尔奇,他也被称为20世纪最伟大的CEO。因为大家认为,是他通过国际化和多元化战略,把通用电气打造成了全球盈利能力第一的企业。实际上,真正把通用电气引入正轨的是杰克·韦尔奇的上一任CEO雷金纳德·琼斯。
20世纪80年代以前,企业很少依赖数据为基础的管理,但现在,随着大数据的发展,人们将数据理论运用到实践中,数据让管理变得更便捷和省力。
财务总监出身的雷金纳德·琼斯在通用电气大厦顶层通过使用模型和数据对公司进行管理,他虽然较少亲身公司基层,但对分公司的了解比各个分公司经理还要清楚。正是在琼斯的带领下,1971~1980年通用电气的收入从94亿美元翻番至240多亿美元,而净利润的增长速度更快,从4.17亿美元增至15亿美元之多。
有了雷金纳德·琼斯打下的基础,杰克·韦尔奇接班之后,把科学管理和数量化分析的理念带入其国际化、多元化的战略实施中,充分运用数据、报表,对潜在收购对象的分析极为透彻,使得每次投资都能得到更大回报。
企业的规模越来越大,管理者也越来越无法仅凭直觉和经验进行管理与决策。所以,我们需要用数据,而非用感觉来管理,因为人的感觉很可能会出现偏差,一定要运用数据,运用数量化的方法观察企业运营、进行市场预测,以及对人员进行有效的管理和评估。只有这样,我们才能把握住未来的发展机遇。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 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 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02