如果说石油是驱动工业化时代发展的源动力，那么我们可以说「数据」就是数字化时代的“石油”，是一切变革的基石。「数据驱动」无疑也是数字化转型进程中的轴心。

可以说，数据驱动是企业都想要达到的理想状态，但现实情况是，很多公司花了诸多精力和时间依然实现不了。

在《2022年中国酒店业数字化转型趋势报告——速赢制胜》关于数据分析方面的现状调研显示：

这意味着，各大酒店经营者常常遇到的问题是：数据往往难以真正变成有效的数据，数据更加难以驱动业务。

数据未能驱动业务的症结何在？数据与业务如何变得更加紧密？数据指标怎样制定才是合理而符合人性的？为了帮助企业厘清这些问题，石基特邀请了具有11年经验的数据分析师、资深业务顾问、跨界专家陈老师为大家拨开迷雾。

陈老师 | 11年经验数据分析师、资深业务顾问

数据不会骗人，但是使用数据的人有可能通过选择数据、污染数据等方式而扰乱数据驱动的正常齿轮。这里，给大家列举一些常见的情形： 

第一种情况： 

什么叫数据驱动？我们常规的理解一般就是相关负责人给下属下达的数字任务，比如每个销售要卖出N件产品，达到X万的销售指标。

销售金额指标看起来简单清晰，且不容易造假。但是，如果负责人只考核员工的销售金额，不考核其他维度的要素的话，员工就很容易通过冲单（比如，砸资源、送礼品，月底集中猛冲一波）、压单（上个月超额的业绩留在业绩不好的时候再“吐”出来）等方式实现数据结果。

简而言之，如果只考核销售收入，业务人员就会为了完成任务乱花钱，将各种资源挪来挪去。

第二种情况：

在上述条件下，如果我们再加一个考核利润的指标会怎样呢？

这时候，员工可能会拿投入产出比去倒逼管理层，“如果没有投入，没有资源，怎么吸引来客户呢？”

甚至有些职业经理人会将节省下来的投入资源直接计算为当期的利润，这种做法甚至成为一种套路。还会有一些毛利低的企业，销售部门会通过不让经销商打钱的方式，控制当期的利润。

可以简单总结出一句话：毛利低的倾向于挪，毛利高的倾向于怼，越是大企业，越爱这么干！

本质上，前两种考核方式都只考核了结果，而没有考虑过程，没有关注投入具体去了哪里，没有细化指标。

第三种情况： 

如果我们加上过程会怎么样呢？比如我们在考核品牌投入产出比的时候，会很自然的想到考核新用户注册的数量。 

为了数据变得好看，很可能会出现的一种情况就是，羊毛党磨刀霍霍，运营睁只眼闭只眼里应外合，大规模的刷单就有可能出现，注册用户数上去了，但是完全没有转化。

第四种情况：

既然监控数量不行，那我们就监控质量，如果把指标设定为用户活跃数又会发什么什么呢？

我们都知道两个公式：

活跃率=活跃用户数/注册用户数

活跃用户数=当日新注册用户+老用户且当日活跃

实质上在监控活跃数的维度上，只要刷量够努力，新用户足够多，活跃率就不会跌。在这种恶性循环下，点击量增长了1700%，转化率增长40%的事就会层出不穷。

第五种情况：

如果我们将新用户活跃率与老用户活跃率分开看怎么样？

结果是抽奖、大转盘、种果树、摇京豆，各种活动走起，活跃率蹭蹭上去了，转化率跌的一塌糊涂…… 

总之，只要我们考核的是任何非收入性指标，同时不含成本指标的话，员工会倾向选择一些短平快的方法来提到数据。

第六种情况：

如果只考核一个过程容易造假，那考核整体流程呢？

我们可以将用户注册、活跃、付费、转化打包起来，视作一个整体来考核，甚至为了研究活动效果会进行 A/B Test ，虽然看似很科学，但也可能搞出瘸子里挑将军的事，可能为了形式而搞出一些本身质量就不高的版本进行 A/B Test。

第七种情况：

以上所有的问题都来自于我们没有直接接触到用户本人，如果能联系到客户本人，数据是不是就真实有效了？

举个例子，比如我们在做用户满意度调查的时候，很多高管会要求1对1的打电话，问题是1000多万注册用户，联系率不可能是100%，于是就有了抽样调查。

这里存在的问题是，操作人员可以通过覆盖不同的活跃人群、设置引导性问题等手段来操纵调查结果，而且，一般来说管理人员是很难直接看出的。

第八种情况：

说到这里，很多管理人员可能会说，既然如此，那就一锅端全部指标都考核。这样无论你怎样左手搬右手，结果一定会是有些指标完成的多，有些指标完成的少，任何伎俩都无处遁形。

理想很丰满，但现实情况是当考核指标超过三个以上，就会涉及到权重问题。那么，你就要考虑要不要配权重？

如果不配权重的话，大家就会做易不做难；如果固定权重的话，大家也会有一个策略：保大不保小，哪个权重高，就做哪个，这在一些大型国企里面尤为突出。

或许你会说，我们可以考虑外部影响因素，考核自然增长率，甚至是建立一个综合评估模型进行综合考核等等。但是大家也都知道，考核的越复杂，指标越多，计算公式越复杂，结果就是有越多的操作空间。

诸如此类，不胜枚举。 

上述提到的其实只是企业在向数据驱动转型的过程中，业务部门经常做事情的一些事实。而企业要想实现数据驱动，首先还是要回归到本质问题，搞清楚数据驱动真正的难点在哪里？

当企业追求单一的目标增长的时候，他们总可以找到最简单直接粗暴的办法来解决眼前的问题。但如果眼光放长远来看，效果未必会持久。

不少互联网公司的运营模式就是如此：新客来了，平台就通过发券解决用户的首单问题；用户后期不活跃了，就继续发券。长此以往，大家就已经认定这个app就是发券给优惠的，一旦不给优惠，用户很有可能就不用了。

这就直接导致了运营要不停地发券把所有指标做起来，但最后的持续效果都很差。 

所以，这里我们就面对两个问题：

第一，如何解决考核太紧，业务人员想方设法搞事情的情况？

第二，如何保障短期内实现活动效果和保证长期活动质量之间的平衡？

这里，我们就和大家分享一些破局思路，或者说在实现数据驱动过程中需要反思的一些问题。

反思之一：是否所有的考核指标都有意义？ 

如果我们把刚才列举的所有具体现象抽离出来，就会发现影响指标的无非就是三点。

第一，不同指标对公司的意义；

第二，数据的造假难度；

第三，数据的准确性。

比如，基于交易的数据是相对难造假的，而且准确性是相对高的。而像用户满意度，虽然也很重要，但是这个数据的准确性天生不够高，并且造假难度也特别低。

基于以上分析，我们就可以引申出来一个破局思路：并不是所有的指标都一定要考核，有一些东西掌握它的情况会比真的硬性的去考核它更为重要。

反思之二，是要分析过程，还是最终结果？

举一个生活中常见的例子可能会更方便理解。

一些家长经常会对孩子提出考100分的要求。但是真的有用吗？我们所要求的100分其实是一个最终的结果，而至于能不能考100分，就要看孩子上课有没有听讲，做作业有没有到位，不会的题有没有强化训练等等，这些过程都会导致最终结果的变化。

回归到运营层面上来看，同理。也就是说，我们需要有一个看数据的方法——用过程性的指标来诊断问题，用结果性的指标来作为最终考核的结果和把握方向。所以，诊断和最后的方向性判断是要分开的，不能混在一起。

如果我们想要用户最终落到付费层面，那么从用户的需求挖掘，到他们在平台里的浏览、落地、注册、使用、下单等等，其实都是过程。让用户付费和满意，就是最后考核的指标。

但是在诊断过程的时候，要尽可能多的拿到用户中间的互动信息，基于用户行为做整体分析。看看在当前的营销链路下达到的结果如何，营销链路里的哪一环节是有断层的。这样也就能够解决过程和结果不匹配的问题了。

反思之三，是否有必要面面俱到，毕其功于一役？

既然要看过程指标，是否要面面俱到，要毕其功于一役？

显然不是的。单纯站在业务发展的角度来看，其本身都是有周期性的。

比如，业务新上线阶段，企业要测试自己的产品，要获取种子用户，要传播声量。那么，这个时候业绩、利润，甚至连是否盈利都不是最重要的东西；

而企业到了大量占据市场的阶段，一定会有一些过于激进的行动，比如获客动作，一些资源浪费等等。这个时候最主要的就是要做规模，而控制控成本就不是最主要的；

真正到市场疆界已经稳定，竞争格局已经固定的时候，可能需要开始控成本，控制ROI，控制库存；而当要进行产品迭代的时候，就要找到新的机会点，要留住最核心的种子用户......

因此，企业在做数字化项目的过程中，要合理性地制定不同阶段的数据指标，凡是那些期望值太高，面面俱到的项目未必会真的成功。

反思之四，是否指标不真实，都是问题？

米里面掺了沙子就不好吗？不一定。

做 ToB 业务的大家可能都比较熟悉，销售一个月跑单回来以后，不到月结的时候他们是不会报单的。为此，有些公司会试着这样做：不是30号考核，25号就需要报完结果，那么你们就不能压到30号了。结果发现，销售们的业绩曲线还是这样。

有句话这样说，水至清则无鱼，过于严格的要求100%真实，一定会逼死大家。如果结果如下图右侧展示的那样，就说明你的销售管理失控了，销售们越来越没有能力在正常的日期内做出收益。这里，也给大家一个小小的建议，我们怕的不是应试教育，怕的是我们的员工，职业经理人只会应试教育。

综合以上4点反思，我们总结企业在制定数据驱动指标过程中最理想的状态是：

第一，服务当前的目标。对业务的整个阶段做梳理，理清楚现在发展到什么阶段，关键指标是什么，从而满足当前发展的需求。这是所有问题的出发点。

第二，有重点。当前阶段的重点是什么？哪些是可以放弃的？把边界画好，后面都好说。

第三，有洞察。结果已经定好了，但是过程要尽可能多的用数据展现，用我们的思路，用我们的工具去把它量化、分析出来。多做洞察，少做考核。

第四，有分工。对于结果的考核及判断要和过程的诊断要分开，要清晰。

第五，行动的主线有监督。掌握事实的状态，保障行动的最后能顺利达成目标。

而想达成这个理想状态，就需要企业管理者做到以下几点：

首先思路要清晰，从大到小，聚焦目标，锁定战术再看细节。

这里要看我们的增长形态是自然增长型，还是一个新业务，亦或是要单点突破。这些战略级的决策一定是抓在管理者自己手里的。比如，单点突破的话，我们自己就要决定到底从哪里突破，实现突破的形式等。

其次，要清楚战术重点。

谁做主攻？谁做配合？对做主攻的人就要要求他出业绩，对配合的人可能要求的就是他只要不捅娄子就好，并且在分工配合里最好所有的部门最后都走数字化的手段，尽量把线下的那些动作线上化。

对于所有的项目进度，都可以用工具管理起来。比如，用户状况交给 CRM，营销资源交给MA，最后的数据全部汇总到 CDP 统一管理起来。这样一来，就可以通过大家的线上运作，把数据先收回来，先看到每一个人是否承承接好了其任务，他的资源如何分配的等等。

最后，围绕战术目标，评估战斗手段效果。

总结来说就是，想要达成数据驱动业务增长的目标，我们需要的不是人工智能，也不是一个特别神奇的数据分析师，需要的是扎扎实实的数据建设。

从业务行为和业务流程的数字化到各个维度的数据整合，再到基础的数据分析和数据监测……

尽管这些工作都非常的繁琐，但他们就像是盖大楼的钢筋水泥，一根柱子，一块砖都少不了。企业的管理者也要能够看到每一个过程，抓关键性的结果，做好实现这个结果的基石。

总之，企业最终想实现的效果是以数据思维驱动业务增长。而数据思维是建立在我们良好的业务数字化，数字统一管理，以及基础数据分析、数据监控之上的。