教你真正读数懂据.docxVIP

在大数据大行其道的年代，几乎所有人淹没在数据的海洋里。马丁?克鲁贝克（Martin?Klubeck）对数据追逐和草率跟风提出了忠告和建议，认为数据不过是冰山一角，对于IT企业来说，真正需要的，其实是“shine?a?light?on?data”。量化（Metrics），为IT企业利用数据提升业绩提供了绝佳的机会。量化管理，是指以数字为基础，用数学的方法来考察和研究事物的运动状态和性能，以求对事物存在和发展的规模、程度等做出精确的数字描述和科学控制，实行标准化操作的管理模式。哈佛量化社会科学研究所主任Gary?King说：“我们的确正在起航。不过，在庞大的新数据来源的支持下，量化的前进步伐将会踏遍学术、商业和政府领域。没有一个领域不被触及。”量化分析作为强大的改进工具，其价值根源来自于它天生就具备的沟通促进能力。它能激发客户和服务提供者之间的对话、员工和管理者之间的对话，这些对话应该围绕改善机会和数据异常展开。对话的基础应该是量化分析所提供的调研、分析和对指示器的解释。量化分析结果应该是调研、讨论的催化剂，之后才是行动。对量化分析结果唯一正确的反应就是展开调研。事实并非真相如果在网上有哪些信誉好的足球投注网站我们所了解的那些真相（当然要有数据支持），会发现很多网站上都有“揭穿”过去以及现在那些神话的证据。公认的事实最终却被证明为是对理论的不当应用或对数据的误读。较早前有个健康信息的例子，过去人们深信不疑的真理却与现在的认知完全相反。十年前觉得挺健康的食品现在却发现根本不是，或者以前觉得不好的食品现在却被认为非常健康。鸡蛋有没有好处？这既和食用者有关，也和时间有关。美国政府的“食品金字塔”会定期调整。谁还记得洛奇（Rocky）把生鸡蛋灌进自己嘴里的场景？看起来我们每年都要遵守一个新的“饮食规定”——高蛋白，高胆固醇，低脂肪，白肉，或者鱼……过段时间就会有争论。我们经常从过去的事实中发现新的真相，关于这种现象，有个说法很好：事实不会改变，改变的只是我们对事实的解释。下面快速浏览一下这个可能不是真相的事实吧。这是关于亚马逊书籍销售排行榜的。迈克·兰索恩，我们曾经一起写过一本书，他喜欢在亚马逊上看销售评级。他对这个数据非常着迷，心情会随着数值变化 而改变。可问题是评级每天都在变化，不止和书的销量有关，还和其他书籍的销量相关，而且这个销量仅仅统计买家下单的数量。如果一个订单买了1000本，亚 马逊只会在评级上加1。可如果分1000次下单，那统计销量就加1000，对评级的影响非常大。亚马逊也不关心是谁买的书。我自己去买也会提升评级，不考 虑我是不是带着偏见购买的。太简单了。尽管数据是“准确的”（或者至少你可以肯定它们是准确的），但对数据的解释可能会有问题。迈克应该因为书的日益普及而预计书会大卖，所以去买个新电视吗？如果评级急剧下降，他应该因为购者寥寥而抑郁吗？对于这两个问题，答案很明显都是否定的。这个量化结果明显被误作为事实了，实际上它只向受众传达了部分信息。拿到量化分析结果的第一个恰当的反应就是展开调研。量化分析结果不是事实，这在前面已经说过了。如果把它们当成事实，那就太高看它们了。如果领导层决定用量化“驱动”决策，那很危险。这超出了量化分析的能力范围，把量化分析结果视同真相是浮于表面。做出的决策和行动也会因为信息不是100%准确而蕴含风险。量化分析结果不是事实，只是指示器。如果把量化分析推上神坛（给指示器披上真相的外衣），就是在鼓励舍本逐末，鼓励“追逐数据”，而不是基于根本问题设计能找出答案的量化分析体系。这 也向员工发送了一个完全错误却清晰无比的信号，量化结果最重要。最终就会变成试图用数字、百分比、图形和图表去操控员工的行为。最简单的例子是客户满意度调查，即便是在焦点小组访谈中直接得到的反馈，采用时也要持怀疑态度。哪怕看到的是真正客观的数据，也有可能解释错误。客观评测工具产生的数据也可能因为软件缺陷而存在错误。大多数时候，优秀的管理者（也包括好员工和好顾客）不依靠数据就能了解真相。如果数据与直觉不符，或者数据太合胃口，都应该进行调研。用我推荐的方法构建量化分析体系，最大的好处是它能用完整的故事回答根本问题。如果量化分析体系搭建得好，那它可能准确而又全面，最接近事实真相。但是，照我以往的经验，不管如何努力，也不可能彻底消除错误和误解的生存空间。稍稍驻足审视一番没坏处，还可能非常有帮助。量化分析也会犯错因为任何数据采集方法都可能存在变数和错误，所以任何指标的整体有效性都值得怀疑。如果对信息所传达的内容不加辨别地全盘接受，那可能不定什么时候 就被引入歧途。假设你车里的引擎检查灯亮了，恰好又是一辆新车。即使知道它是个故障指示器，也不应该急着下结论。去4S店检查引擎检查灯的时候，我最喜欢 听到的就是检修师傅说唯一的问题就是引擎检查灯的问题。你可能觉得用油量指示器举例