
来源:数据海洋
作者: 数据海洋
疫情后各行各业都在谈数字化。都希望通过数字化帮忙企业经营的更好:通过数字化来打开销售。例如:很多传统企业在疫情前大部分都是没有线上销售的,现在疫情期间很多企业开起了直播,开通了电商或者O2O的销售。
对于有些企业来说,希望通过数字化来提升企业自身的经营能力。通过数字化的建设来提升企业的经营内功。例如:商超是一个很传统的行业,在这次疫情期间相对来说受影响比较小,但是也暴露出了许多问题,有动力通过数字化来提供经营效率。
对于有些企业来说,希望通过数字化来实现战略转型,战略升级。很多活的比较好的企业,往往是缺少升级的动力。管理层可能战略思考已经很前面(领先当前业务),但是往往企业内部其它层级的利益关系很难快速去改变与挑战。
疫情让非常多的企业从战略决策层开始向企业数字化方向转变,但是关于企业的数字化话的几个问题,往往又缺少很深入是思考,导致数字化战略迟迟不能推动落地:
公司为什么需要数字化?
数字化解决公司战略层面什么问题?
数字化解决公司战术运营层面什么问题?
数字化的具体价值体现形式是什么?
如何实施数字化战略?
需要什么样的人才来实施数字化战略?
数字化的价值衡量应该是什么?
数字化要投入多大的资源?
…….
企业管理层对于相关问题没有深入思考,也说明了目前市场上非常缺少真正懂数字化的人才。数字化人才需要几个方面都懂,而且需要有深入的思考:
理解公司战略,知道经营中痛点与行业发展趋势。
例如:某商超今年的重点是进行经营效率的提升。老板提了一个战略方向,首先应该要去思考为什么公司会提出这个战略?这个战略是新提出来的?还是之前一直是公司战略?如果是历史就提出来了,为什么一直没有执行好?如何利用数字化来实战战略落地的路径。
需要知道如何用数据来分析,定位,预测经营中问题,怎么协助战略决策的制定。而且利用数据把战略决策能快速落地下来。
例如:经营效率提升转化为具体的数字KPI指标。是人效提升?还是坪效提升?如何定义这个KPI指标,更核心是要把KPI指标分解,构建相应的数据指标分析体系,寻找到驱动指标提升的驱动因素。
以提升坪效为例,如何思考
提升坪效 = 销售额/经营面积,如果要提升坪效,核心应该是提升销售额,如何提升销售额,从降低缺货率继续思考。
降低缺货率:特别是热销的商品不缺货
通过促销活动,通过商品更吸引客户,把数据与业务结合起来,利用数据分析帮助公司业务团队一起来制定落地策略,更有针对性的驱动经营因素的提升。
数据逻辑梳理好。往往需要通过技术手段来帮助经营策略落地。例如:分析需要用到的数据是如何被采集,用什么方式采集,如何被存储,如何被计算,以及通过什么样的可视化展示,如何把数据与业务系统打通。
大数据达到一定规模后的企业,一般会都会有专门的数据团队。公司往往是期望当前的数据团队能承担公司数字化转型或者数据字化落地的工作,但是对目前的大多数数据从业人员来说,往往都不具备这些能力。能有逻辑做好数据分析,把数据场景化分析做好的数据团队不多。
和企业老板与管理层交流发现,很多公司当初要组建数据团队主要原因:就是公司业务发展大了,各个岗位角色或者管理层需要看到各种数据,所以招聘了一个数据团队来做数据,做报表。方便需要数据的时候有人可以提供出来。
往往是解决的最基本的:有报表,看数据的问题。而不是组建这个团队的来解决经营问题,数据驱动公司成长的驱动者。所以导致对于这个团队的非常不清晰,非常不明确。而且往往这个团队不存在似乎也不影响整个公司的经营,最多看数据困难一点。每个月也能看到财务报表。
当疫情来了后,管理层对企业、对数字化有明确价值化,明确产出化要求的时候,很容易就暴露目前的数据团队的能力不足,往往会导致整个公司数字化战略落地受阻。从而数字化战略实施没有被执行,数据团队往往又会成为:报表团队或者取数团队。
和企业需要通过数字化来提升自己的内功一样,大数据人才也需要不断提升自己的内功能力,这个内功能力,不仅仅是技术层面,更应该还是要回到业务层面,真正懂业务后用数据来解决问题,而且往往也不需要特别高深的方法。例如:对于一家零售企业来说,通过SQL语言你就可以利用数据分析与监控这样的场景:
某个商品连续15天没有销售,通过分析该商品所归属的品类特征对比发现,该品类的商品超过90%以上如果连续15天没有销售,则该商品后续产生销售的概率小于0.1。
那可以立即告诉业务,针对该商品可以立即采购行动。是立即退货还是要降低处理,而不是一直放在货架上等到20,30天后。造成公司经营机会点流失。
所以通过基本数据指标的统计与设计,结合具体的业务场景就可以分析出很多商业机会点,真正可以实现:用数据分析结果来驱动行动,而且往往是很具体的落地执行策略。
最近一年和不少公司的管理层和老板有交流往往会有这些内容:“我们数据团队都是在做报表,而且报表还做不好,数据还经常打架!也没有给公司提供什么经营决策建议,偶尔做了几个漂亮的可视化报表,但是解决不了问题。当我真正需要数据发挥价值的时候,往往却没有感受来自于数据团队的价值。”
数据分析师,数据运营,数据产品等数据岗位需要更多走向业务,更多思考数据如何服务业务。怎么帮助公司业务人员更好做好决策,更好的做出管理。而不是提供一大堆报表,一大堆数字。
疫情之外,真正的数据人才是展现自己机会的时候。在潮水退出的时候才知道谁在裸泳。对于数据从业人员来说,这是一个非常好的机会,但也会碰到非常大的挑战。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
基于 SPSS 的 ROC 曲线平滑调整方法与实践指南 摘要 受试者工作特征曲线(ROC 曲线)是评估诊断模型或预测指标效能的核心工具, ...
2025-08-25神经网络隐藏层神经元个数的确定方法与实践 摘要 在神经网络模型设计中,隐藏层神经元个数的确定是影响模型性能、训练效率与泛 ...
2025-08-25CDA 数据分析师与数据思维:驱动企业管理升级的核心力量 在数字化浪潮席卷全球的当下,数据已成为企业继人力、物力、财力之后的 ...
2025-08-25CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15