来源|接地气的陈老师
“数据分析要支持管理层做出科学的，准确的决策”
——这是很多企业对数据分析师的要求。然而问题来了：到底咋个支持法？！为啥辛辛苦苦码了一大堆数据，还是被说：没啥用？
一、剥去决策的神秘面纱很多同学一听到“决策”俩字就怂了。对“决策”的第一印象，就是各种听不懂的高大上词语，什么“把握机遇”“苦练内功”“真抓实干”……这些东西咋个和数据扯上关系？
如果只看这些玄幻词语，确实和数据没啥关系！所以想要数据支持决策，第一步，就是剥去决策的神秘面纱，用最简单直白的数据模型来描述决策这件事，这样才能做到可量化，可分析。
举个最直白的例子，一个小伙好不容易盼到周末，终于可以跟女朋友约会了！那么他该怎么办呢？这就是一个典型的决策问题。
二、决策的三大要素要素一：决策目标。
提高女朋友满意度。
要素二：决策层级。
最高级决策：要不要出去玩（要/不要）
次一级决策：要去哪里玩？（已决定：要玩，再考虑：近郊/远郊、室内/室外）
次二级决策：要去哪个具体场所玩？（已决定：远郊，室外，再考虑：公园/游乐场/景点……）
次三级决策：要怎么去？在哪里吃饭？怎么回？（已决定去郊区著名景点，决定行程细节）
要素三：评价因素。
比如基于以下因素，决定出去找个地方玩：
1、现在是秋天，天气好
2、女朋友喜欢出去玩
3、附近有个几个景点口碑还不错
4、附近这几个景点还没去过
这些就是支撑“出去玩”的评价因素。评价因素是用来判断决策是否科学的重要依据。
因为很有可能决策人在谋划阶段思考的因素，在现实中不成立，比如：
1、现在是秋天，天气好——这两天突然很阴沉想下雨
2、女朋友喜欢出去玩——但是这两天没心情
3、附近有个几个景点口碑还不错——但是女朋友听闺蜜说这都不好玩
因此，根据实际情况作出评价，修正决策，就变得非常重要。
三、决策的四大原则在做决策时候，有几个基本原则：
原则一：清晰决策目标。
如果目标是“我得尽快甩了她”，那后边就想着怎么冷暴力好了。
原则二：决策层级围绕决策目标构建。
如果目标是“讨好女朋友”，那后边就不要想着周末自己憋家打一天游戏，然后扣个可乐拉环当戒指糊弄过去。
原则三：每一级决策受上一级制约。
如果已经选了去远郊，出行方式就只能考虑：租车/打车，最好公交都不考虑。
原则四：每一级决策有自己的评价因素。
决策人根据实际情况，修正评价因素。
了解了这四大原则，我们可以进一步看：数据在决策中的作用。
四、数据如何支持决策注意：决策是个业务能力，理论上跟数据没啥关系！就像小伙子去约会，如果他高大英俊，气质不凡，腰缠万贯。那即使他啥都不做，都有大把女生扑上门来，满意度还贼高。
BUT！小伙们自己照照镜子，每日三省吾身：高否？富否？帅否？绝大部分小伙既没有倾国倾城的相貌，又没有亿万身家，这时候就得认真思考该怎么和女孩子相处。这时候，又会冒出来更多问题。
问题一：压根不知道干什么。很多钢铁直男除了傻憨憨地问好，就不知道干啥了。有几个餐厅，几个公园，几个游乐场，有啥电影可以看，全不知道。这咋进一步决策嘛。
问题二：知道有可以做的事，但不会评估。知道上海有迪士尼，广州有长隆，就憨憨地拖着女朋友去，天气咋样，有没有心情，一概不考虑，结果无辜被喷。
问题三：评估层级不够细，越往细节问题越多。女朋友想去长隆，于是兴冲冲定了票，至于交通咋走，去了咋吃，准备多少钱，全没安排，结果一路搞得小姑娘又饿又累，花钱不讨好。
当遇到不知道，不明确，算错数的情况，就是数据发挥作用的时候了！
这时候数据可以：
澄清现状
梳理逻辑
计算过程
从而支持决策。
决策的科学性和准确性，也可以一定程度上通过数据保证。
所谓的决策不科学性：原本可以出去玩，结果非宅家惹女朋友不开心。或者本来可以去景点，结果因为不知道，所以没去。通过数据澄清现状，梳理逻辑，可以避免这些问题。
所谓的决策不准确：原本该打车，结果算错了时间和距离，做了公交，把女朋友累得半死大发脾气……
虽然数据不能直接告诉你科学、准确的决策是啥。但是是否当前的决策不科学、不准确，有多大概率是科学、准确的，是可以评估的。
故事到这就讲完了，估计很多小伙仰天长叹：诶呀吗，你看我都没有女朋友。可见决策是个多么难的事呀！实际上，在企业里做决策，比追女朋友容易得多。
五、企业经营决策与数据分析之所以在企业里做决策比自己追女朋友容易，是因为但凡有点规模的企业，都有组织架构和人员分工，但凡是个正规企业，都有清晰的经营范围。因此只要能了解企业的业务特点，部门分工，就能按图索骥弄清楚决策特点。这可比猜女生的心思容易太多了。
站在数据角度，企业决策的内核并不复杂，其核心，就是：
ABC指标，做哪个？
从多少，做到多少？
多长时间内做完？
这三个问题答完即可，剩下的是具体执行问题。不同部门、不同等级的领导，关心的指标肯定不同。
部门间的区别：
战略发展部：全公司经营性指标
销售部：销售金额、销售数量、销售回款……
运营部：总用户数、新增用户数、活跃用户数……
供应链：生产订单数、产品供应数、物料使用数……
领导等级也有区别：
公司级高管：战略性问题，如发展路线，考核标准，职责划分
部门级领导：战术性问题，比如具体做哪些产品线，哪些客群，任务分配
小组及领导：战斗性问题，比如是早上干还是晚上干，颜色红色蓝色，按钮左边右边
并且，很多决策是有固定套路的，比如对于单产品，有三种典型策略（如下图）。
对于多产品线/业务线，也有三种典型策略（如下图）。
所以对各种业务的数据形态有积累以后，就能很容易照葫芦画瓢，帮领导理清决策逻辑（如下图）。
实际工作中，数据支持决策之所以难，主要难在：
1、不懂业务，部门、层级、分工、目标完全弄不清
2、没有分清决策层级，不是做的太浅，就是一下扎的太细
3、没有列罗每一级的评估因素，评估不够充分，不能说服人
当然，更糟糕的做法，是试图建立一个神威无敌大将军超牛逼模型，一模解千愁，把各种各样的问题都分析清楚。真要有这么厉害的玩意，强烈建议不要打工了，直接去炒股，一摸一个准，下个世界首富就是你，欧耶！梳理问题逻辑，层层递进，多种方法组合，才是支持决策的正道。
然鹅，总有那种很作的女朋友：
你问她想去哪玩，她说随便
你建议去室内的，她说无聊
你建议去郊外，她说太累
你说咱们讨论讨论，她说你直男！没脑子！
你怎么就不能读懂女孩子心呢
就是得我嘴上啥都不说，你一下精准猜出我的想法真要是谈恋爱遇到这种姑奶奶，强烈建议直接踹了省事，咱伺候不起。
工作中真有这种作精领导，非把算法工程师当算命工程师用，非得指望着“他什么都不说，你一下猜中决定企业生死且他100%不知道的事”，那么，除了离职，还有没有更优雅的方法搞掂呢？