一个行业做的越久，问题就越多，之前并不在意的问题也会拿出来思考。“数据解决企业什么问题?”这问题一定难不倒大家，甚至张口即答，例如通过数据可以对自身的企业情况有着准确和科学的把握，避免老板拍脑袋;数据可以实现对市场环境快速的反应和决策;数据可以区分客户个性化需求，提高服务价值等等。
再比如：
以上，针对每一条都可以理解，但该如何实现呢?
同一个行业，业务模式以及数据类型也相差不多，但是各自所完成的内容相差很多。有些面向领导，做了Dashboard;有些面相业务人员，做了商品分析模块;有些面向基层员工，做了数据查询的报表。但是，为什么每家企业做的内容不一样?这些企业是根据什么而选择这些模块的数据进行分析的?进一步需要解答的是，每家企业所分析的数据不同，但为何感觉不出这对他们产生了不同的影响?拿上面的几个回答来看，老板是否拍脑袋决策、是否可以对市场快速准确的决策、是否可以区分客户需求，这些都非常重要，可有没有这样的数据分析，并感觉不出什么区别。
以上这些问题我细细思考一下，同时也回了遇到过的各种业务场景、分析场景，经过成套成套的梳理，发现了这样一个问题。这些企业所做的数据分析(无论是bi还是报表)，并没有去发现未知的东西，而是为了可以更容易的按照标准的方法来判断一件事，这对于所有的群体、所有的业务都可以这样理解。下面我从简单到复杂的来说明。
对于基层员工，以货架商品管理员举例，超市货架上的商品要怎样管理?标准的方法是不是某一商品即将卖光，就需要从仓库中取出该商品补到货架上。没有数据，他需要一遍一遍的去巡查，也自然会有时会漏掉。有了数据，他就可以浏览数据来查看商品的售卖情况，以此来及时补货了。这么对于这个商品管理员来说，数据所解决的问题，就是让他可以更容易的按照标准的工作方法来决定补什么货，补到哪。
对于业务人员，比如品类经理，他需要决定采购哪些品牌的商品，从哪一家供应商来采购，如何规划商店的商品。标准的方法是什么，是采购卖的好的品牌，把卖的不好的品牌剔除，并且选择价格更加低廉按时送货率高的供应商(真空环境下)。通过数据，我们可以列出我们店中品牌的销售情况，对比其他门店同类商品品牌销售情况，以此来发现哪些被忽略的品牌;我们也可以列出在过去一段时间门店内卖的不好的商品，以此来考虑是否可以对这些商品进行促销并且从此不再需要这些品牌;以上，数据所解决的问题，也是让品类经理可以更加容易的按照标准的决策方法来进行判断，优化商品结构，选择供应商。
对于企业管理层，我们做dashboard进行指标的监控，做企业的业绩分析(时间、地区纬度等)。需要做的内容很多，因为管理层所要决定的范围很广，他并不像某一业务人员只负责一项工作为了一个目标。但是将内容分解后，我们发现，我们为管理层所做的数据分析，也是为了让他们可以更方便的按照标准的管理方法进行管理。当然，这个标准，并非是业内的通用标准，而是企业自己的标准，甚至是老板他本身的标准。比如，老板要通过胡萝卜加大棒的方式来促进每个店铺的销售额，给做的好的店长奖励，做的不好的店长惩罚，通过数据就可以很容易的执行，而避免拍脑袋的奖惩。而这一过程，也是通过数据使管理层可以更容易的按照标准的管理方法进行决策(员工是判断，领导是决策)。
针对管理层的，很难说的更细，他们看哪些指标，会给他带来怎样的思考，这是旁人说不准的，但是这一套体系一定是在他心里有数。相比于员工，他们的工作内容更具备发散性，思考也更具备发散性，所以我们做移动端分析平台，做实时监控平台，做定时报送平台，目的都是一样，可以让领导更容易看到这些数据来进行决策。
那以上内容，如果没有数据会怎样呢，不同的群体，即使没有对应的数据分析，也是会按照这样的方法进行工作和管理，但是面对未知情况，基层员工会花费更多的时间来填补数据，工作效率就会变低。对于管理层，他们没有那么多精力去找到他们想要的所有依据，所以在工作或者决策中，就出现了模糊决定，缺失的依据多一些，便成了拍脑袋决策。
有些人，不需要很多数据，就可以对市场对公司有着准确的判断，有些人，就需要很多数据来填充他脑子里的空格，才能做出准确的判断。人与人的思考方式有所不同，但大多数情况，数据或许并没有改变他的决策方式，而只是让他脑子里某个模糊的参数变得准确，从而进行判断。
综上，企业的ERP、OA等IT系统是为了让工作流程更加规范，而数据则是让决策更加规范。
在我接触到的很多客户，他们都会像我询问其他客户是怎样做数据分析的，很多企业参加行业交流，也是希望更多的了解分析应用场景，大家真的是对数据分析的方法感兴趣吗?更深一步的去看，是对其他公司的管理和工作方法感兴趣，当然，这一点如果不去深究，可能他本人也想不通。
上面解释了很多，得到了这样的一个结论：数据可以让我们更容易的以规范的方式进行判断和决策，也就是数据可以让决策更加规范。我为什么要花这么多时间来解释这样一个结论呢。
一、 希望企业少被忽悠。
如此解释数据分析，当然会显得很土，但确实是这样。很多企业会规划做数据分析的项目，会找一些做数据的公司进行交流，而乙方公司则必然会拿出大量的概念进行渲染，什么高效管理、预测风险、智能决策之类的，听起来牛逼哄哄，然而扒开表皮，实质要怎么解释呢。一个巴掌拍不响，很多企业的IT人员也乐于听到这些牛逼哄哄的概念，喜欢源于业务高于业务，要让领导耳目一新才好通过项目审批。
举个例子，有企业还没有理顺运营人员看用户数据的时候，思考哪些问题，进行怎样的决策，上来就要做用户画像做挖掘做聚类，可是人家明明就只看个地区然后分配给对应的销售。但是一旦用户画像做出来之后?根据什么样的用户属性进行怎样的判断与决策呢?这些价值都是无法落地的，所以，如果想通过用户画像为运营带来更先进的管理和决策水平，一定得从运营角度出发。
作为一个企业来讲，***先清楚，做数据分析是为了谁而做，是为了什么样的决策而做。这些东西想清楚，项目做起来也不那么复杂，因为这个项目已经有章可循，没必要动不动就上来个大概念，花钱不说，能不能解决问题也不确定。以目前大部分的企业，以现在的信息化水平，还没到拼科技的地步。
二、希望帮助企业规划数据分析体系
很多企业要做数据分析项目，但并不知道该如何规划，需求做的一塌糊涂，没有需求就开始项目的也不少见，全权委托乙方来进行需求规划，只能说是一种逃避和懒政，项目需求的事，如果只能选择一方，也是甲方，否则就是碰运气的事。70%都被使用，“项目做的很好，大家辛苦了”;30%被使用，“项目没白做还凑合”;10%被使用，“你们怎么做的项目啊，都没人用”。当然，需要补充一下的是，项目完成后的使用率高低，原因不只是需求做的好与差，还有很多因素，是否对业务进行了合理的培训和引导，项目易用性是否标准等，上面的例子只是表达需求不明很容易造成项目系统利用率不高的情况。
根据上面的结论，我们怎样来做数据分析，甚至是从什么地方开始做?
首先，可以观察企业哪一个群体的决策最不规范，出的问题最多，就可以从那个群体下手(真空环境下)。比如，我们发现商品经常断货或者积压，那么就从品类管理员下手。通过数据展示出来可能挤压的商品或者即将断货的商品。这个群体的问题解决后，再看其他群体，以人为本，逐个击破。核心理念就是：我先了解你是怎样决策的，再去为你开发你的数据模型。
最近和某个客户聊天，客户表示自己公司有很多存量数据，知道这些数据很有价值，但不知道这些数据如何变现。从本文的角度去看，暂不需要把“变现”想的过于复杂，我们如果通过数据实现了员工决策的标准化，就减少了在各个环节出现判断失误的概率，什么提高工作效率、降低采购成本、提升销售额之类的，都在这一系列对问题的准确判断之中，对于员工是如此，对于领导也是如此。这样，就实现了数据的变现。同样，即使你是提供对外的数据服务，当你所做的数据分析能够让客户实现决策的规范化，那么相信客户也会为此买单。
做数据分析，或许不在于分析，而是为了规范。首先数据的背后，是大大小小的管理与决策。
