Kellogg Insight - 数据分析的领导者指南
Skip to content
Webinar: AI and the Global Economy | Register Now
Data Analytics Entrepreneurship Marketing Leadership 5月 1, 2015

数据分析的领导者指南

对数据科学有实际知识能帮助您在领导时充满信心。

Data analytics leader sits moving a graph.

Yevgenia Nayberg

Based on insights from

Florian Zettelmeyer

近年来,数据科学已成为重要的业务工具。由于能取得大量的数据——这得归功于先进的电脑技术与“万物互联网”,因此各公司现今均能巨细无遗地衡量运营的方方面面。然而,许多企业领导者对这样不断涌现的衡量标准无法招架,不愿深入了解这些在他们眼里是一种技术过程的东西。

Kellogg学院营销学教授兼数据分析学项目主任Florian Zettelmeyer认为,经理不应将分析学归为自己职责范畴以外的事物。“分析学中最重要的技能不是技术技能,而是思考技能。”他说道。利用分析妥善管理并不需要是数学天才或计算机学专家,而是需要具备Zettelmeyer所谓的数据科学的“实际知识”,也就是能分辨好数据与坏数据,并能确切知道分析能在哪些地方增加价值。

具备数据科学的实际知识能帮助领导者将分析转变成真知灼见。它还能避免领导者基于错误的假设作出决定。“当分析结果出错,头号原因是将非实验得出的数据当成实验获得的数据而呈现出来,”Zetterlmeyer说。“即使是预测性与说明性分析,如果你不了解实验,你就不了解分析,”他说。

从问题开始
Zettelmeyer说,经理们往往埋头收集数据,却不知如何使用这些数据。“你必须将数据的生成视为一项战略要务,”他表示。换句话说,分析不是单独的业务实践;它必须与营业计划本身整合。无论公司选择衡量何种事物,只有在目标明确的前提下收集数据才会产生有用的结果。

与所有的科学问题一样,分析需要始于一个问题或是心中的疑问。不管是想改进其广告活动的软件公司,或是想精简其全球运营的快餐公司,数据的收集均须与公司面临的具体业务问题匹配。“你不能光希望业务过程中附带产生的数据恰巧就是能为公司带来重大突破的那种数据,”Zettelmeyer说道。“虽然某些类型的数据显然应该收集,例如消费者浏览网页的行为习惯等等,但在设计与客户的互动时必须考虑到分析学,确保您需要的衡量方式均已纳入设计中。

经理亦不能依赖数据科学家来指挥全局。选择需要解决哪些问题,公司又应如何将分析纳入运营,最终都是经理的职责。高管们毕竟是公司里必须做出决策的人,因此在决定衡量哪些事物以及数据对于公司的整体策略代表哪些含义上,他们应该扮演主要角色。

了解数据生成的过程
“有一种看法认为由于分析基于数据科学,因此它在某种程度上代表虚无飘渺的真相。其实这是大错特错的,”Zettelmeyer说。

那么,领导者如何学习分辨分析的好与坏呢?“一切要从了解数据生成的过程开始。如果对数据的出处都不清楚,就无法判断分析的质量,”Zettelmeyer说。

Zettelmeyer指出,大多数经理有一个通病:当结果通过复杂的数据分析后呈现到其面前时,他们往往会以专家的意见为准。“经理认定分析是以合理的方式做出,这样的假设非常危险。因此,我认为经理人员特别需要对自己能从数据中得出哪些具体结论有敏锐的第六感觉。”他表示,为了做出知情决定,我们不妨后退一步,建立几个基本概念。

由于分析往往是针对不同的群组进行比较,了解这些群组是如何选出的就十分重要。例如,营销部门可能想判断某个广告的效果,因此他们比较那些接触过该广告和没接触过该广告的消费者。如果消费者是随机选出的,这些群体即是数据科学家称为“概率相同”的群体,也就是良好分析的基础。但假如说接触过该广告的消费者是因为他们之前表现出对产品的兴趣,这就会造成不良的分析,因为即使最完善的分析技巧都无法为下面这个基本问题提供答案:是广告确实有效,还是消费者原本就有兴趣?

这不仅是一个营销问题。举例来说,一家医院想更换院里的超声波机器。凭借先进的无线传感器,医院能在医疗过程中测量出使用新设备进行检查所需的确切时间,这项数据有助于决定是否对机器进行永久性地更换。然而数据却出现令人意外的结果:使用新机器比旧机器花的时间更多。医院未曾考虑到一点,那就是这两组技术人员之间事先已存在的差异,即新手和经验丰富的技术人员。原来,新手比经验丰富的技术人员动作要慢,而新手当中有更多人选用新设备,此一情况扭曲了数据。“问题在于技术人员使用仪器速度的经验,”Zettelmeyer表示。我们再一次看到了分析失败,因为它忽略了根本问题:什么原因让技术人员倾向于选择某种机器而不选另一种?这两种机器在各方面的使用是否都差不多?如果不是,是否用了正确的分析来纠正这种情况?

了解数据生成过程同时也能显现出因果颠倒的问题。Zettelmeyer在此以一家决定是否限制促销电子邮件的公司为例。根据数据显示,促销电邮的效果极佳:顾客收到的电邮数量越多,他们就可能购买越多。但数据却未明白显示,该公司的营销策略是根据读者文摘数十年前发表的一篇营销诀窍,内容为忠诚的客户——最近买更多、消费更频繁,以及花更多钱购物的消费者——当他们被锁定为营销对象时更可能再度购买。因此,不是电邮数量带动销售量,其因果恰恰相反:顾客买得越多,收到的电子邮件就越多。这意味着数据根本无法用来判断电子邮件能否带动收入。

利用领域的专业知识
除了要确定数据必须在考虑分析的元素下生成之外,经理应利用自己在商业领域的知识来解读奇怪的结果。Zettelmeyer建议问这样的问题:“就你对你公司业务的了解,该结果是否有一个合理的解释?”毕竟,分析并不单单是一件独自分析数字的事。数据科学家没有经理们拥有的领域专业知识,而分析也无法取代对业务的了解。

例如,一家汽车经销商在二月时举办了一场促销活动。根据该月的销售量上升,经销商假定促销活动奏效。“然而,”Zettelmeyer说,“假设经销商试图出售的是四轮驱动的斯巴鲁旅行车,而且经销商完全忽略二月曾发生过一场巨大的暴风雪,该暴风雪导致更多人去买四轮驱动的旅行车。”他说,像这样的案例,说明了只有数据是不够的。

确实了解——不要只是空想
在Zettelmeyer看来,商业世界中的决策正在发生革命性改变,方式正如医疗保健业广泛采用的“实证医学”那样。在大数据与分析引发这场革命之际,具备数据科学实际知识的经理将占有优势。领导者不但是自己分析结果的把关者,而且还应确保这些知识与组织全体分享——有纪律、了解数据的公司更可能学得快,并为整个公司创造更多价值。“如果我们想要大数据和分析发挥功效,每个人都需要有自己有权质疑既有的智慧这样的气魄,”Zettelmeyer说道。“公司须有一种员工不能光‘想’而不‘知’的文化氛围。”

建立这样的文化对领导者而言是一大挑战。很少有组织愿意承认自己需要改变,也很少有经理对于用分析来领导有足够的把握。他说,这些都将改变。

“你能想象一个即将出任首席执行官的首席财务官说:‘我其实不怎么会看收支平衡表,不过我团队里有人非常擅长这方面。’我们一定会觉得这个人太荒谬,”Zettelmeyer说。“然而我知道在其他领域,例如营销,不少人连想都不想,就直接去向这位首席执行官说:‘这些分析的东西很复杂。我并不完全了解。 但我已组织一个能破解的分析团队,它将把我们推向一个新高度。’ 我认为,这不再是可以让人接受的答案了。”

Featured Faculty

Nancy L. Ertle Professor of Marketing; Faculty Director, Program on Data Analytics at Kellogg

About the Writer
Drew Calvert is a freelance writer based in Chicago.
Add Insight to your inbox.
This website uses cookies and similar technologies to analyze and optimize site usage. By continuing to use our websites, you consent to this. For more information, please read our Privacy Statement.
More in Business Insights Data Analytics