京公网安备 11010802034615号
经营许可证编号:京B2-20210330
企业如何推进数据驱动文化?数据分析工具并非关键
易于使用的数据分析工具将会在企业内部大量使用,对此,分析软件厂商们非常看好。仅仅在过去数月里,我就收到大量新闻稿,都说产品可以“将分析大众化”,主张让数据分析工具变得更加简单,从而解决企业分析工具使用率低的问题。
但是,对于我来说,企业如何推进数据驱动文化,数据分析工具并非关键,真正的症结在于企业的内部文化。
人们更喜欢也更有可能使用简单的工具,厂商的这种观点并不新鲜——而且这是显而易见的。现在推出的工具绝对比十年或是十五年前的那些古董要更加易用。但,工具变得更加简单,使用率却并没有明显提升。
我经常从分析专家们那里听到一句话:在一家企业的所有劳动力中,数据驱动工具使用率的通常顶多也就20%左右。无论是IT部门使用,还是分析团队将工具交付给员工使用,情况基本类似。
数据分析工具也有拦路虎 你能否突破20%使用率的天花板?
有确凿的证据可以证实这一数字,在某些情况下,20%实际上还有些高估。在最近来自Dresner咨询服务公司的一份报告《Wisdom of Crowds BI Market Study》(大众智慧BI市场研究)中,近40%的受访公司说他们公司中不到10%的员工使用数据分析工具,超过20%的受访者表示这一数字在11%到20%之间,仅有不到25%的受访者表示这一数字曾超过40%。
特别值得注意的是,这些数字是低于前些年的。这就意味着即使随着工具不可否认地变得更加易用,它们在一线员工中也不没有更高的使用率。
一线员工为何拒绝使用新型分析工具?原因可能有很多。首先,人们不愿意改变他们做事的方式。同时,在没有看到适当理由的情况下,人们是不会接受新方法的。例如,你如果把一个炫酷、全新、自助的数据分析工具摆在一名营销经理面前,估计她不会去使用。因为是否要使用这个分析工具,取决于分析团队能不能解释清楚,这个分析工具将会如何帮助她更有效地区分客户,或是通过测试比较,证明这个分析工具是最行之有效的。
企业如何塑造数据驱动文化?管理层至关重要
这不仅仅是企业培训教育的问题,它还取决于管理人员需要灌输这样的数据驱动文化,显然,这和数据分析工具没有太多关系。员工们需要知道,数据使用的好坏程度将直接影响自身在企业内部的权重,这样他们就会越来越重视数据驱动化。
我接触过一些数据驱动文化较成功的企业,听到过这样的事情:开会时,如果发言没有数据支持,这样的人没有太多的话语权。管理层会监督谁使用了数据分析工具,并把这作为工作业绩考核的一项指标。管理人员身体力行,让数据说话,而非跟着感觉走。这一过程是需要管理层加以引导的。
可能有些企业领导认为,通过轻松安装一款易用的数据分析工具,企业员工就会突然都变为数据驱动。这样的想法是不切实际的。无论工具多么简单友好,它们本身并无法将那些在日常工作中不使用数据的员工进行重塑改造。对于那些寻求突破20%上限的企业来说,了解为什么数据驱动文化无法推行,如何才能够有效让数据驱动文化落地,这才是重中之重。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-06-02在市场竞争日趋饱和、用户需求不断细分的当下,企业创业创新、产品迭代与市场拓展不再依赖经验决策,而是需要系统化、工具化的商 ...
2026-06-01【核心关键词】调度、岗位、数据库、企业、报表、培训、程序、数据分析、数据加工、业务部门、企业数据、调度工具、业务指标、 ...
2026-06-01 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-06-01在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25