京公网安备 11010802034615号
经营许可证编号:京B2-20210330
从经验思维到实证思维的转变
比起“大数据”,我更喜欢“数据科学”的提法,这是因为:第一,在今后的分享中,我会更偏向于从技术层面探讨如何利用数据优化管理决策;第二,数据量的大小固然重要,然而数据能否提升管理水平,更取决于管理者能否从经验思维转变为科学思维,或者更确切地说,转变为实证思维。所以我想在这管理学家的领地上多谈谈科学。

中国人多以经验思维为主,其特点是判断多而论证少。即便有论证,也是基于逻辑的辩证多,基于数据的实证少。只要留意一下每天的新闻,就会发现经验思维的例子比比皆是。拿一条新闻 “北京中秋前进入最堵一周” 来说,媒体的普遍判断是中秋前堵车是因为人们节前纷纷跑到北京去送礼。这一判断符合我们的经验,似乎也符合逻辑,但是却恰恰缺乏实证。若从实证的角度验证这一判断,我们要回答以下两个问题:为什么说这是最堵的一周?如何证明这最堵的一周是由人们从外地到北京送礼造成的?
要从实证的角度来回答第一个问题,首先要确定“堵”的衡量方式,比如说是以平均车速,或者平均车流量;“平均”又是在哪些时段上,哪些地区内,针对哪些车型(是否包括公交车)。然后,我们需要足够多年份的每周“堵车”数据来支持我们的说法。最后,我们还需要收集尽可能多的控制变量数据,譬如每年中秋与国庆的间隔天数、天气状况、重要会议及活动、道路施工情况、北京的拥车情况、街道面积、高速里程、地铁线路演变等等,因为这些因素都有可能影响堵车并影响我们对“中秋前是最堵一周”的证明。
可见,要从数据科学的角度很好地回答第一个问题并不容易,而要实证地回答第二个问题就更困难了。我们需要知道:每周有多少外地车辆进北京?是否中秋前的一周外地车最多?这些外地车辆是不是来送礼的?来送礼的外地车辆都在什么时间,什么地点出现?当他们出现时,是否直接观测到了拥堵?如果没有直接观测到来送礼的外地车辆造成了拥堵,是否是本地车辆为了避开这些来送礼的外地车造成了其他时间,其他地点的拥堵?
从实证的角度做了这番思考,我们会发现,一个凭经验得出的判断竟然如此难以证明。其实,如果我们尝试用数据科学的方法论来审视一下我们在管理中所做的判断,我们同样会吃惊于很多判断极度缺乏实证依据。而这种将经验思维转变为实证思维所带来的阵痛与震撼,却是我们通向数据科学时代,通向数据驱动的管理决策必经的关键一步。
这种从经验思维到实证思维的转变,不仅是管理观念的转变,还会带来操作层面和技术层面上的转变。从对“北京中秋前进入最堵一周”的实证思考,我们实际上也对哪些数据会有用,哪些数据需要进一步收集,数据分析中哪些因素需要得到控制等等,有了更清晰的认识。并且,在对收集到的数据进一步做实证分析的过程中,我们的原有认识有可能会被颠覆,从而成为展开新一轮实证思考和数据收集的起点。比如说,通过对各主要路口的监控视频进行分析,我们可能并没有发现外来车辆的增加,但是却发现本地公车牌照的出现频率比往常要高。如果有这样的发现,我们对拥堵成因的判断就要修正,进一步的数据收集重点也会随之转到公车使用上了。
尤为重要的是,从经验思维到实证思维的转变,还能帮助我们找到更为高效和低成本的解决方案。还是拿堵车作为例子,基于经验思维的判断,往往会导致兴师动众、社会成本很高的解决方案,譬如限制外来车辆入京。而基于数据和实证分析的解决方案可能会是提高某些时段,某些区域内的停车费用;或是调节相应时段区域内的左转和右转限制及红绿灯的间隔等。相比之下,这样做的成本要小很多。
一直在用堵车说事,这看似只是政府公共管理的范畴,但其实解决堵车问题对企业的运营和营销也会有影响。中秋节大家都要吃月饼,而这些年来,哈根达斯冰淇淋月饼已经成为一线城市中月饼的新宠儿。在促进哈根达斯月饼成功的因素中,其团队运用实证思维来解决堵车问题也功不可没。一开始,团队选在离高速公路出口很近的地点建立临时月饼领取点。从经验思维的角度,这似乎很有道理,因为方便了消费者。但是团队很快发现这样做导致了交通阻塞,不仅降低了顾客的满意度,也招来了政府交通部门的抱怨。之后其团队从实证思维的角度,通过对顾客流量的时间空间分布的分析,优化了领取点的设置、产品配送和领取流程。顾客的体验和忠诚度自然也提升了。
令人高兴的是,实证思维和基于数据的管理决策观念正慢慢地深入人心。大家可能注意到临近中秋时,不少网友吐槽“五仁月饼”难吃,并将其炒成了一个热门话题。然而媒体朋友们并非人云亦云,而是通过问卷调查、销量统计的方法为“五仁月饼”正了名。据9月18日《新京报》报道,消费者对五仁月饼评价排名第二,销量良好,甚至部分店铺都脱销了。媒体需要这样的实证思维,企业管理者也需要这样的实证思维。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07 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 ...
2026-07-07【核心关键词】转化率、企业、策略、岗位、互联网、拆分、产品、运营、分析师、指标体系、数据分析、用户画像、数据诊断、产品 ...
2026-07-06在数据分析工作中,文本数据处理是高频刚需场景,用户评论、客服工单、日志信息、调研问卷、商品文案等数据都包含大量文本内容。 ...
2026-07-06 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-07-06在 CDA 数据分析师能力体系中,透视分析是数据探索、多维度汇总、业务复盘的核心基础技能。无论是 Excel 数据透视表,还是 Power ...
2026-07-03在市场竞争日趋激烈、获客成本持续攀升的当下,企业粗放式的“广撒网”获客模式早已无法适配经营需求。企业经营的核心逻辑,已经 ...
2026-07-03 很多数据分析师精通Excel函数和数据透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么 ...
2026-07-03【核心关键词】运营、企业、核心、客户、新技术、数字化运营、数据分析、传统企业、人工录入、生产系统、技术人员、数据安全、 ...
2026-07-02在产品开发、项目立项、业务拓展、运营优化的工作中,市场调查、竞品分析、需求调研是三大核心基础工作。很多从业者容易将三者混 ...
2026-07-02 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-07-02在MySQL数据库运维与开发工作中,当单表数据量达到千万级、亿级后,会出现查询卡顿、索引失效、写入性能下降等问题。为优化性能 ...
2026-07-01在信息化建设、系统开发、数据分析、需求梳理的工作场景中,业务模型与逻辑模型是两个最基础、也最容易混淆的核心概念。很多项目 ...
2026-07-01 很多数据分析师能熟练计算各种指标,但当被问到“这些指标之间是什么关系”“为什么要选这个指标而不是那个”“指标体系的整 ...
2026-07-01【核心关键词】报表、数据源、客户、营销、业绩、销售、时效性、函数、可视化、运营、数据分析、数据报表、业务部门、数据运营 ...
2026-06-30在数据分析、商业预测、经济统计、运维监控等领域中,绝大多数业务数据都具备时间连续性特征,例如月度销售额、日度客流量、季度 ...
2026-06-30 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-06-30在 SQL Server 安装、服务启动、数据库文件操作等场景中,经常会遇到 “实例已在使用” 类报错,不同触发场景的原因与处理方式差 ...
2026-06-29在Excel数据统计、财务核算、销售复盘、库存盘点等办公场景中,经常需要在数据透视表中实现一列数据乘以另一列数据的计算需求, ...
2026-06-29