数据/方法论固然重要，但人为分析更有价值！

阅读更多

在工作过程中经常会遇到做决策的工作，客观的数据分析结论和成熟的方法论能提供参考依据。

工作中很多地方都需要用到决策，比如产品功能确定，试行推广试验，产品定价，市场活动策划，那么这些工作一般是如何去决策的呢？

比较常见的切入点是数据和方法论，讲两个案例就明白了。

案例一:再讨论某个产品时，领导提问A功能是否要保留，还是剔除。产品经理依据产品功能的使用率以及功能模块的点击率提出分析：通过走访客户调查到A功能的上线率超80%居前列，说明前期客户选型需求很强烈；但是实际应用是该模块点击率却最低。我们需要在对为什么这个模块使用率低进一步调研，使用上是否要进一步优化简化，完善该功能的学以文档，引导应用。

这个就是典型的利用数据说话，根据数据走向，直接得出结论。

案例二：

有一天，领导召集所有市场人开会，问产品如何推广（比如面向企业用户的FineBI这个BI软件）。其中一个运营说了自己的看法：既然产品已经成型就要推向市场，就要召集用户增加用户数（类似UV）。增加用户数可以联络渠道找合作，还可以走线上宣传获取试用客户信息。之后要考虑用户活跃度还有留存率的问题，按照这样的思路去做。

这个就是典型的方法论，通过方法论，把问题逐一拆分来解决。

以上两个案例都分析得有理有据，思路也很清晰，在日常工作中，大部分也都是这么做的。

通过上述某一个方法中的一个，只要说的清楚，基本上团队都会认可。但是我认为，这样的分析往往过于“书呆子气”，认为只要拿出数据，提出方法论，就能得到结论，但其实这里面并没有任何实际的人为分析或场景分析，或者说这样的推理论证并不严谨，考虑的因素并不全面。

比如案例一，有市场经理就提出了，其实A功能之所以上线率很高但是使用率很低的原因，大部分是因为销售在向客户讲解产品功能的时候，把A功能作为亮点和卖点来吹捧，A功能确实很吸引人，也很“花里胡哨”，但实际场景是，技术人员需要花很多的时间去利用这个功能开发，但实际的利用率很低，后续维护成本也很高。

所以，这里认为数据/方法论=结论，其实有误区的，数据并不是全部，不能全依仗数据来说事儿，忽略人依靠业务经验对问题的洞察。应该是通过数据或方法论后，在结合人的实际分析（或场景分析），最后再得出合理化的结论。即：数据/方法论+人为分析=结论。

在我们平常工作中，强调数据事实，作为分析依据固然很重要，但这只是一部分，而不是全部。在实际的业务分析时，依靠业务经验的分析洞察往往更重要，不能到领导问你什么什么问题，你说等一下我去找一下数据。有时候太过追求这些并不是什么好事。

恰逢最近在看《从0-1》，越发觉得好的产品，好的策略不是依靠既有的事实或者通用的规律挖掘出来的，数据的大部分应用也是在对历史数据做分析，总结过去，统计规律。好的创意好的营销玩法，往往有时候是对人性的探索，对某些哲学理念的看透。

当然，这里不是在说数据或方法论不重要，他只是作为决策的一部分。这也是为什么会有数据挖掘学科，去挖掘深层规律，预测未来趋势。也为什么会有很多厂商、数据分析领域的人去“呼吁”业务人员去自己数据分析，尝试使用一些轻型的BI工具如FineBI去把玩手中的业务数据，切换维度做自主的分析，基于业务理解。

以上的想法都是基于个体，站在行业、企业角度可能并不是这样的态度。比如为什么有很多企业去花费大量金钱、人力、时间去搭建数据分析平台体系。这个体系里面包含了方方面面的业务数据，也为千千万万个大小决策提供依据。整体来讲，就是为了提高总体决策的准确性，防范风险。