京公网安备 11010802034615号
经营许可证编号:京B2-20210330
企业核心竞争力与大数据决策_数据分析师培训
在很多有关企业核心竞争力的研究中,企业决策能力被放在首要位置。中国很多企业,决策集中在一些少数人手中,更多的一些私人企业老板,相信自己直觉和经验。在过去直觉和经验决策,让很多企业获得成功,随着商业环境的变化,我们发现决策风险比过去大很多。直觉和经验已越来越抵抗不了环境变化带来的风险,而这些环境变化相较过去更加复杂,速度更快。
企业核心竞争力
很多有关企业核心竞争力的研究中,企业决策能力被放在首要位置。常见的直接的定义方法,用这样一个公式表示:企业核心竞争力=决策力×支持力×执行力。在“张氏”核竞争力研究中,把核心分解10个组成部分,那么第一个也是最重要的一个便是企业决策力。这种竞争力,是企业辨别发展陷阱和市场机会,对环境变化作出及时有效反应的能力。不具有这一竞争力,核心竞争力也就成了一具腐尸。决策竞争力与企业决策力是一种同一关系。决策频频失误的企业,肯定没有决策竞争力。没有决策竞争力的企业,也就是企业决策力薄弱。
决策力中的经验和大数据
经验和数据是决策的两大方式,有的人执着于以往的经验,有的人相信数据,而有的人把数据和经验结合形成更为科学的决策模式。
调查显示,更多的大陆或香港企业愿意采用数据支持,进行决策。决策模式决定决策能力,而现实中,实现数据决策并不容易。
大数据与农夫山泉终端决策
产品摆放位置一直是销售终端研究主要课题,过去人们找到更为合理摆放位置,需要人工蹬守观察。
看一个农夫山泉的例子。来自农夫山泉的业务员每天例行公事地来到这个点,拍摄10张照片:水怎么摆放、位置有什么变化、高度如何……这样的点每个业务员一天要跑15个,按照规定,下班之前150张照片就被传回了杭州总部。每个业务员,每天会产生的数据量在10M,这似乎并不是个大数字。但农夫山泉全国有10000个业务员,这样每天的数据就是100G,每月为3TB。
如果想知道:怎样摆放水堆更能促进销售?什么年龄的消费者在水堆前停留更久,他们一次购买的量多大?气温的变化让购买行为发生了哪些改变?竞争对手的新包装对销售产生了怎样的影响?不少问题目前也可以回答,但它们更多是基于经验,而不是基于数据。因为他们抱着一个金山,但没有开发,人工无法对影像进行分析,找到想要的结论。如果超市、金融公司与农夫山泉有某种渠道来分享信息,如果类似图像、视频和音频资料可以系统分析方法,所有以上通过大数据分析系统都会找到答案。
大数据应用与阿迪达斯战略转型
2008年之后,库存问题确实很严重,中国服装行业经历寒冬,不少企业出现库存危机。阿迪达斯也不例外,很多企业把降价、打折等手段作为清库存手段,然而这些手段只能制标不能制本。企业库存高企根本原因,是企业的管理模式出现问题。
阿迪达斯产品线丰富,过去,面对展厅里各式各样的产品,经销商很容易按个人偏好下订单。现在,阿迪达斯会用数据说话,帮助经销商选择最适合的产品。首先,从宏观上看,一、二线城市的消费者对品牌和时尚更为敏感,可以重点投放采用前沿科技的产品、运动经典系列的服装以及设计师合作产品系列。在低线城市,消费者更关注产品的价值与功能,诸如纯棉制品这样高性价比的产品,在这些市场会更受欢迎。其次,阿迪达斯会参照经销商的终端数据,给予更具体的产品订购建议。比如,阿迪达斯可能会告诉某低线市场的经销商,在其辖区,普通跑步鞋比添加了减震设备的跑鞋更好卖;至于颜色,比起红色,当地消费者更偏爱蓝色。
挖掘大数据,让阿迪达斯有了许多有趣的发现。同在中国南部,那里部分城市受香港风尚影响非常大;而另一些地方,消费者更愿意追随韩国潮流。同为一线城市,北京和上海消费趋势不同,气候是主要的原因。还有,高线城市消费者的消费品位和习惯更为成熟,当地消费者需要不同的服装以应对不同场合的需要,上班、吃饭、喝咖啡、去夜店,需要不同风格的多套衣服,但在低线城市,一位女性往往只要有应对上班、休闲、宴请的三种不同风格的服饰就可以。两相对比,高线城市,显然为阿迪达斯提供了更多细分市场的选择。
实际上,对大数据的运用,也顺应了阿迪达斯大中华区战略转型的需要。库存危机后,阿迪达斯从“批发型”公司转为“零售驱动型”公司,它从过去只关注把产品卖给经销商,变成了将产品卖到终端消费者手中的有力推动者。而数据收集分析,恰恰能让其更好地帮助经销商提高售罄率。
大数据应用决策例子还有很多,如何科学决策,提高决策能力,进而提高企业核心竞争力,是很多企业必须面临的问题。大数据时代到来,让过去不可能进行数据决策的,成为可能,在未来大数据在企业战略管理中也将占居越来越重要的位置。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27对数据分析从业者和学生而言,表结构数据是最基础也最核心的分析载体——CRM系统的用户表、门店的销售明细表、仓库的库存表,都 ...
2025-11-27在业务数据可视化中,热力图(Heat Map)是传递“数据密度与分布特征”的核心工具——它通过颜色深浅直观呈现数据值的高低,让“ ...
2025-11-26在企业数字化转型中,业务数据分析师是连接数据与决策的核心纽带。但“数据分析师”并非单一角色,从初级到高级,其职责边界、能 ...
2025-11-26表格结构数据以“行存样本、列储属性”的规范形态,成为CDA数据分析师最核心的工作载体。从零售门店的销售明细表到电商平台的用 ...
2025-11-26在pandas数据处理工作流中,“列标签”(Column Labels)是连接数据与操作的核心桥梁——它不仅是DataFrame数据结构的“索引标识 ...
2025-11-25Anaconda作为数据科学领域的“瑞士军刀”,集成了Python解释器、conda包管理工具及海量科学计算库,是科研人员、开发者的必备工 ...
2025-11-25在CDA(Certified Data Analyst)数据分析师的日常工作中,表格结构数据是最常接触的“数据形态”——从CRM系统导出的用户信息表 ...
2025-11-25在大数据营销从“粗放投放”向“精准运营”转型的过程中,企业常面临“数据维度繁杂,核心影响因素模糊”的困境——动辄上百个用 ...
2025-11-24当流量红利逐渐消退,“精准触达、高效转化、长效留存”成为企业营销的核心命题。大数据技术的突破,让营销从“广撒网”的粗放模 ...
2025-11-24在商业数据分析的全链路中,报告呈现是CDA(Certified Data Analyst)数据分析师传递价值的“最后一公里”,也是最容易被忽视的 ...
2025-11-24在数据可视化实践中,数据系列与数据标签的混淆是导致图表失效的高频问题——将数据标签的样式调整等同于数据系列的维度优化,或 ...
2025-11-21在数据可视化领域,“静态报表无法展现数据的时间变化与维度关联”是长期痛点——当业务人员需要分析“不同年份的区域销售趋势” ...
2025-11-21在企业战略决策的场景中,“PESTEL分析”“波特五力模型”等经典方法常被提及,但很多时候却陷入“定性描述多、数据支撑少”的困 ...
2025-11-21在企业数字化转型过程中,“业务模型”与“数据模型”常被同时提及,却也频繁被混淆——业务团队口中的“用户增长模型”聚焦“如 ...
2025-11-20在游戏行业“高获客成本、低留存率”的痛点下,“提前预测用户流失并精准召回”成为运营核心命题。而用户流失并非突发行为——从 ...
2025-11-20