谷维：快手如何提升数据化管理效率｜DataFunTalk

随着大数据时代的到来，数据对于每个企业，每个人来说都是极其重要的，淘宝通过数据可以给每个客户精准推荐商品，抖音通过数据可以记录每个用户的使用习惯。但同时，数据时代的到来，也让众多企业领导者开始思考，面对数以亿计的数据，如何才能通过数据化管理提升工作效率？这成为了困扰企业管理者的一大难题。

今天的分享会围绕下面四点展开：

• 一个用户的困扰
• 为什么管理需要数据
• 如何提升数据化管理效率
• 应用案例

01
一个用户的困扰

如果你是一位数据分析师，想必你一定遇到过这种情况，当你把分析报告交给领导时，领导会说：“你怎么这个时候才给我，不就是取个数嘛？”“这个数据应该不对吧，这是你取错了吧？”辛辛苦苦做出来的数据，最终换来的却是领导各种的抱怨。作为一个数据人，你可能会跟领导解释说：“老板，这个指标是通过数据仓库加工处理完后汇总统计的，提出异常数据，更加科学有效。其次，报告中月度指标统计周期是近30日，用于趋势分析。与OKR考核的自然月指标统计周期不同，因此会有差异。”你会花费大量时间沟通，以此打消领导的疑虑。当领导了解后，可能会说：“嗯，这个报告很用心，但不是我想要的。看完报告，我不知道接下来要怎么做。”于是你便去了解业务，最终发现，大多数业务同学看到数据后不会结合业务动作解读数据，也不太熟悉产品的功能应该如何去使用。

诸如此类现象，是做为数据小弟、小妹们在工作中不得不面对和解决的问题。很多时候，我们心中都会发起疑问“管理真的需要数据吗？我们的价值是什么？”

02
为什么管理需要数据

管理的意义在于有效开展企业或业务活动、满足客户需求，提高效率。数据就是通过量化管理的方式为管理的效果和效率提供一个科学判断的依据。也就是说数据是一个量化的标准。通过这种量化的标准，给更多的人去使用，让更多的人通过这种方式和方法，提升他们的工作效率。所以管理需要数据作为工具。

03
如何提升数据化管理效率

数据分析和数据产品是提升管理效率的两个重要的能力。接下来，从数据分析和数据产品两个角度介绍一下，如何提升数据化管理效率？

数据分析：要从业务中来，到业务中去

首先，刚才提到的数据分析师的例子中，其实反馈出一个问题，就是最终得到的结果并不是用户所需要的，对于这个问题的原因，其实并不是用了什么样的分析方法，是业务用户不能接受的，而是说没有真正的站在业务的角度去理解业务的目标是什么，为了这个业务目标，业务用户是怎么去做的，分几个步骤，每个步骤具体要怎么去执行，以及业务做完后的效果是怎样的。只有将业务目标进行拆解，数据量化才会更贴近业务，分析结论对业务也会更具指导性。量化管理的过程，就是业务理解、业务拆解，最终判断业务的结果是好还是坏的过程。

好坏评估的标准就是根据业务的动作核心，拆解出来的指标，通过不同的维度交叉分析，找到业务做的好与不好的原因，并最终为了更好的开展接下来的工作，提供可以落地的解决方案。最终，通过数据实现“计划-执行-行动-验证”的闭环。

数据分析擅长对快速及时业务问答进行反馈，这种小闭环自循环的流程做得是非常好的，在某些层面上，我们其实可以认为它是一个定制化的服务，但这种小闭环跑得很通畅的服务也是会有它解决不了的问题。

数据产品：要抽象功能模块

当数据分析师面对多个角色解决非常复杂的业务场景时，数据分析的解题方法、解题思路，甚至是得出的结论，都是多样化的，短期的效率非常高，但长期来看，对于服务更多规模型的用户来讲，效率并没有有效地提升。而这正需要数据产品来解决。数据产品通过了解不同业务的诉求，将数据分析的各种各样的方式和方法进行系统化和抽象化，针对不同的用户提供一套系统性的解决方案。

这种解决方案，可以通过内容数据产品建设画布解决，共有十个步骤，其中前四个步骤其实是基于数据分析的核心思想：从业务中来，到业务中去。

接下来从整体看一下，面向不同的用户，不同场景的角色，我们的组合是什么样的方式。

自上而下来看，最顶层是决策者，最底层是一线人员，要解决的是价值转化的问题，也就是效率问题。

针对决策者，我们要提供定制化的服务。与数据分析回答领导“天问”的专题分析不同，数据产品需满足决策者随时随地发现行业趋势、监控核心指标的诉求。因此，我们会为决策者提供移动端和大屏等产品。

针对中间层的各级管理者，承接了领导的问题，需求更多元化，也更量化，对效率要求也非常高。所以我们采取了集装箱式的服务模式，根据不同场景用户的诉求，将不同产品的一些工具进行组合，最终以数据门户的方式做统一的呈现。

决策者-1d和核心的数据分析的人员会去关注问题发生的原因，以及未来将有可能是什么样的表现，关注的是归因和预测。数据产品的归因功能可快速提高定位原因效率。

部门的管理者和分析师主要将问题进行更细的拆解，分析原因、调整策略。数据产品将细化业务场景，快速寻找匹配的产品功能，提供产品组合服务。

一线人员承接具体执行的工作。他们最关注的是拆解给“我”的目标是什么？我是否能完成这个目标？如果无法完成，我接下来该怎么做？他们希望快速看到数据结果、自助分析查找原因，甚至有的时候都不知道自己要看什么样的数据。所以针对一线人员，需要提供批量复制的产品能力，比如提供多维分析功能，让他们去做数据的探查；提供自主取数功能，便于快速的做一个小的决策。

所以无论是数据分析还是数据产品，包括产品服务的组合，其实帮助业务解决的是业务发生了什么，为什么发生和怎么样去解决问题。从分析的角度上来讲，自上而下是一个大决策和小监控的过程；而从数据产品的角度来讲，自上而下是大监控和小决策的过程。

04
应用案例

接下来分享一个某二手车2C业务数据产品化的案例。

做为互联网垂直领域的二手车交易平台，其主要特点是为买家和卖家提供撮合交易平台。其商业模式在某种程度上是一个互联网+汽车+金融+新零售的交叉行业。业务流程涉及多角色、多环节，仅平台交易流程就涉及12个核心部门。领域交叉性、交易链条长、系统复杂性等问题，为数据化管理带来很大难度。

我们首先需要去看二手车企业在当时的环境下，目标是什么？目标就是要实现盈亏平衡。围绕着盈亏平衡，数据分析有五大核心模块：

第一块宏观策略：面向决策者，提供宏观的一些判断，比如竞争对手发生了什么，市场行业是什么样的表现，新的业务模式值不值得去做等等。

第二块目标管理：就是根据整体的目标去做一个阶段性的拆解，未来一年的目标是什么，每个季度、每个月的目标是什么，每个月怎么做目标拆解，每个大区和每个城市是什么样的表现，效果如何？接下来应该如何去调整目标、优化策略，让业务增长变得更健康。

第三块经营分析：商家、车型、品类、供给者、消费者、销售、线索等精细化运营的数据挖掘与分析。比如：钱从哪儿来，各个类型的车是怎样表现的，花费有哪些，销售人员的花费是什么，给用户的折价怎样管控等等；车的库存周转如何，单店经营的如何，收售之间的联动转化如何？以及公司级重大专项的营收表现。

第四块人效管理：人员效率怎样，人员是不是饱和了，什么时候该招人，什么时候该缩编，KPI考核标准是什么，人员成长体系和激励政策是什么，都需要通过数据分析和商业分析来提供有效的支持。

最后一块是产品。如何提升效率，我们要去找在数据中最懂业务的人，也就是数据产品，来将经营分析核心的思路沉淀成数据产品；将目标管理、收售联动、供应链转化、商品品类、门店经营系统化、产品化。

数据分析和产品人员沟通的重要依据就是指标体系。

业务分析人员要给产品讲解业务的目标，也就是“降低运营成本、提升运营效率、提高利润水平”。围绕着核心战略，我们要进行人、货、场的拆解；从收售联动的角度去建立指标体系，将业务过程、结果、效率通过指标的形式，量化拆解到每一个子部门，以及每一个业务人员上。通过这些指标表现，判断策略落地执行的效果，从而起到量化管理的作用，最终实现业务的精细化运营。

05
总结

最后做一个总结，不管是数据分析还是数据产品，都应深入业务、面向业务去解决业务痛点。业务人员帮助我们去沉淀策略打法、丰富业务场景。同时，数据分析和数据产品之间也是相辅相成的关系。分析可以帮助产品去系统地理解业务和沉淀分析的方法，而产品可以帮助分析去抽象通用的能力。他们都有共同的目标，那就是解决业务痛点、快速赋能业务、提高整体效率。

今天的分享就到这里，谢谢大家。