上大学时,我和另一个姑娘(某理科大神)经常搭伙做饭。有天我俩一起去超市买油,站在琳琅满目的货架前,我直接拎起一瓶,冲她叫:“就拿这瓶吧,最便宜!”姑娘白了我一眼,转头说道:“克单价一点都不便宜好不好!数学是体育老师教的吧?”接着眼神刷刷两下扫完整个货架,心算完毕,拎起另一瓶说:“这克单价最便宜,拿这个!”我当时就囧了,讪讪地拎起油,念叨着:总金额不便宜呢……
大千世界当中,我们总是需要“数据”去辅助下判断、做抉择。生活当中,可能仅需要描述性数据就足够了,比如你买油是看克单价还是总金额。但工作当中,却必须深谙各种复杂的数据分析方法,数据成为建功立业、奖惩论责的重要手段。数据本身是客观的,但如何捯饬数据,却是主观的。数据可以“作弊”,可以有“偏见”,也可以用来糊弄别人,麻痹自己。
所以,知道数据的把戏,比机械地完成数据,对工作的实践意义更大,至少可以保证我们不会被数据“玩弄”:
第一,数据的计量单位和范畴很重要
你买油是按照克单价?还是总金额?这个例子比较简单。实际工作中比这个要复杂很多,比如销售人员的绩效如何评估——应该按照总销售额,还是可比店的销售额?是按照所有产品的销售额?还是新品的销售额?是按照单店绩效?还是单人绩效?是按照工作时间内的绩效?还是不计工作时间、将加班时间也计算在内的绩效?如果是跨国公司,还涉及到用人民币、还是美元计算?
计量单位的不同、测算范畴的不同,得出的结果也就不同——所以,公司开绩效评估大会或者任务指标分配大会,一般就是打数据仗,然后你会发现,结局往往不取决于最准确的数据,而取决于最大的嗓门……
第二,中位数和平均数是有区别的
平均数是一个非常强大的描述性统计数据,也被广泛用于各种判断当中,比如时不时会有新闻说“房价在涨”、“我国平均收入水平上升XXX”,“某某学校的升学率高达90%”……平均数最大的问题是,忽略了偏离方差的“异常值”——比如马云的收入就是个异常值。这个时候,就需要再看一看中位数。
每一次销售会,我们会看几个主要数据,类似“单人产量”“单店产量”“流失率”等等。然而,在对这些数据下结论的时候,我们得万分谨慎,因为一方面,它取决于计量单位和范畴,另一方面,还得均衡的看平均数和中位数。如此才能甄别出来,哪些是由于“异常值”造成的偶然现象,而哪些是一直存在的普遍现象,防止看错问题冤枉人。当然有一种情况是不需要区分中位数和平均数的,比如今年北大古生物专业的毕业生就业率(就一个姑娘)。
第三,权重很重要
每个企业的绩效评估方法可能不一样,但逻辑应该相似,对所有衡量指标设置不同权重后,进行综合评估。当然,对于那种只有一个指标(老板心情指标)的公司,统计学表示很无力。
除了绩效评估,最常用“权重”的就是生意预测。不同要素对生意结果的影响力不同,且随时间而变,比如打广告、公关活动、或者店内促销,哪个对生意贡献最大?哪一种具体的广告形式对生意贡献最大?是不是赞助《中国好声音》就一定比投放传统电视广告,带来的销量更大?只有我们知道不同因素的权重,才会做成更加科学的投资决策。
第四,数据往往只能说明现象,很难说明动机、或者背后原因
销售额下降了,怎么办?相信大多数销售都会抓狂,开始马不停蹄的琢磨问题解决之道了。但去年我听到了一句特别洒脱的话:“销量下降,有时候只是个现象,并不一定是问题。你怎么知道这不是我们有意为之的呢?”呃…好吧,这豁达和深刻,不是我等凡夫俗子能理解的。
数据往往只表达一种结果。如果想要知道数据背后的动机和原因,还要借助更复杂的统计学手段、或者非数据手段。主动为之的“坏数据”以及被动承受的“坏数据”,两者之间的动机差异,会造成迥然不同的行为结果。比如有一次销售会议,某区域负责人指着自己惨淡的员工流失率指标,轻描淡写的解释说:“高流失率是我主动淘汰了一些人,因XXX原因,下个季度新人马上到岗。”想象一下,如果我们不了解这个动机,可能这位区域负责人就要蹲小黑屋了。
第五,数据的精确不一定代表准确
最经典的例子就是收入数据。经常有报道说:公务员收入其实很低,劝大家不要错怪公务员。但问题是,工资收入是低,但非工资收入可能不低。当然,这种情况不仅限于公共组织。其实无论任何组织,只要挣的花的不是自己的钱,就都可能出现这种“工资不等于收入”的情况。
在具体业务中,“精确不等于准确”可能出现在两种情境中——总结归纳、分析预测。
比如消费者调研,一般都会有定性和定量两种方法。如果没有定性分析,定量分析就可能陷入“虚假精确”的陷阱。如果你的调研对象有问题,那么,就算再辛苦的计算和再精确的数据,其实都没有意义。又比如广告测试,精确的测试结果真的有实际意义吗?
又比如销量预测,每个人心里都明白,这是无法准确预测的,你只能无限接近,却不能完全准确,因为“预测未来”本来就是上帝才能搞定的事,所以我们能做的,只能是在保证方向准确的情况下,尽量精确。但也不必过于花费力气、苛求预测数据的精确,因为这不会增加多少实际意义,还不如花多点时间研究其他可操作性强的数据
总之,尽量避免追求虚假的准确和错误的确定性。
第六,相关性不一定是因果性
我老板的经典口头禅就是:“你们这些人,总是自说自话、以果推因分析法,错把相关性当成因果性,把偶然性当成必然性。”这句口头禅可真是太强大了,因为可应用范围颇广,躺枪几率也颇高,导致我们现在不得不日省三次:“有没有自说自话?有没有以果推因?”
以前还听过一个段子,一个领导手下的两个部门同时做生意报告。A部门搞不清楚自己生意为啥涨,B部门搞不清楚自己生意为啥降,结果最后的生意报告中,两个部门不约而同,提到了同一个原因——天气。只不过,A部门说,因为这段时间按天气冷导致A产品需求增大;B部门说,因为这段时间天气热导致B产品需求减少。我现在觉得吧,多亏这领导不是我老板,否则这两部门可以一起蹲小黑屋了。
这就是统计学最重要的价值——可以帮助我们排除无关因素,因为这些无关因素太容易让大家混淆了因果性和相关性的区别。
第七,被忽略的“大数定律”
有公司做新品上市的消费者调研时,最后需求是:只要超过45%的人喜欢,就决定上市这个新品。其实这压根不用调研了。如果这个新品和对照组的产品本身差距不明显的话,且样本量足够大,肯定会有50%的人喜欢,这就是大数定律的基本常识。
第八,数据是可以作弊的、是可以有偏见的
初三接近中考时,老师突然要调座位,而且这次不按学号、不按个子、也不按“好帮差”原则,而是直接按成绩调座位——成绩好的人坐左边两组,成绩不好的坐右边两组。当时我还很懵懂,不明白为啥非要在复习备考的紧张时刻折腾调座位,因为和我关系非常好的小伙伴们都被调到右边两组了。
后来我终于懂了。因为接下来的两周,右边座位的同学们,一个接一个的被老师叫走谈话,然后,又一个接一个的,退学了。我想我这辈子都忘不了,那些同学一声不吭的低头收拾完书包,佝偻着腰沉重的走出教室前,回头望过来的最后一眼。那种悲伤和无奈的眼神,让我至今想起来都心酸喉梗。然后,当年我校的升学率就非常高。
企业当中数据作弊和偏见也不少见,比如通过压低头一年的数据、使得第二年增长率更高;比如选择错误的样本数据做市场调研;又比如常见的会计数据作弊。
总之,数据的把戏大有乾坤。一方面,我们需要数据去分析问题、印证结论,没有数据的虚谈是没有意义的,也是很难有定论的。另一方面,数据不是全部,我们不能成为“数据教”的人。过于追求数据的完美精确,容易让我们忽略那些无法用数据表现的关键要素,比如人的态度、动机和精神气;也容易忽略企业的最终目标。其实,在不该使用数据的使用数据,可能比在该用数据的时候没有数据,结果更可怕。
去年今日运营文章
- 2023: 《100个思维模型系列》060.点滴串联思维模型(0)
- 2023: 中国海关员工工资待遇曝光(0)
- 2023: 互联网大厂们补办一张工卡要多少钱?(0)
- 2022: 实体店生意难做?不存在的!【为营业额增长负责 按效果付费】邦伲数智腾空而起!(0)
- 2022: 提升知识付费用户复购的6个营销策略!(0)
原创文章,作者:爱运营,如若转载,请注明出处:https://www.iyunying.org/seo/dataanalysis/3639.html