编辑导读：近些年来，与数据分析相关的岗位越来越火热，拥有数据分析能力的数据分析人员，越来越受各大企业的欢迎。本文从数据分析角度，结合实际案例，梳理说明了如何通过数据分析推动传统企业解决问题，与大家分享。

一、为什么传统企业的数据分析工作很难推动？

某数据大拿说过，数据分析实现价值的最好状态是“不仅仅得到有创造力的数据分析结果，还要能够运用策略和各业务部门合作”，但是现状是，大部分企业第一步都没做好，又怎么去做第二步。

如果说互联网的数据分析“短平快”，那传统企业的数据分析工作更需要一步一步来。

传统行业的数据应用并不是十分先进：

• 一方面信息化程度并不是很高，底层基础还不扎实，业务系统没上全或没用起来，数据仓库还在建设中；
• 另一方面，传统企业的业况很庞杂，大量的上下游，业务交叉，往往流程上还是混乱的状态。而IT部门或者数据中心并不是核心部门，大多是服务性质，有些改革一旦涉及战略，还会触动上层的利益。

这都决定了企业数据分析是一个被动而长线的工作。

二、如何去推动数据分析工作并得到老板重视？

1. 注意关注企业的痛点，对于那些高品、刚需的痛点，首先要去满足

从以往的实践来看，为什么有的领导会逐渐觉得数据重要，实际上很大原因是做了运算管理以后，领导能对比分析中下层的管理情况，能看到关心的结果，逐渐看到数据的价值。

那么，如果要让数据分析产生成吨的效果，并为领导认可记住。那我们就在一些症结问题，棘手的问题上用数据分析去解决，优先满足眼下，高品刚需的痛点。

日常，我们就把关键指标、关键绩效通过仪表盘展示出来。领导往往更关注实在的指标，例如销售额、核心客户数、亏损量，围绕这些指标去做分析，去帮助做KPI管理，有时更能带来实效。

2. 尝试用数据分析的过程去优化管理决策

决策过程是为分析提供场景。决策可以分为这样几个层面：最高的层面是战略决策，然后是战术决策，还有经营决策。它们的频度和影响是不一样的，战略层面上的影响非常大，一般企业每过5年、10年或者更大的一个周期，才会去做一个战略上的变化，战术的决策次之。

数据分析先要服务好经营层面的决策，服务好每个业务部门的核心目标。

操作上，在前期建立数据平台时，可以不断定一些目标，定一些主题，做成果展示，经常让业务人员以及领导分享，让其参与评价和建议，不断优化和改善，当相关人员都有参与感时，数据平台才会持久发展。

3. 学会告诉老板数据分析带给企业的效益

用一个有表现力的图表或报告让领导眼前一亮，也许背后开发的心血可能领导看不到，但是一个非常亮丽的报表尤其是在超越了领导期望的情况下才是IT的最高境界。数据分析要在领导下一个需求位置等而不是永远跟在他的需求后面跑，力求创新。

4. 细节着手，潜移默化地培养领导和老板的数据化意识

• 首先，让数据快速地展现，创造方便，尽量少用邮件Excel以及纸质报表，可以用移动端把领导关心的指标展示出来，每天定时定点推送，培养这样的习惯。
• 还有，有的企业尤其是大型国有集团，会常常使用数据大屏（虽然有点泡沫但对于外行来讲是十分震撼的），一旦有政府领导或者合作方来参观的时候，领导会觉得倍儿有面子。其次，楼上说的竞品也是一回事，数据分析和大数据已经成为很多的共识，外界各行各业都有关于数据的大会，有特定的CIO圈，老板圈，比如地产界的明源。其实老板比任何人都重视效益和效率，可以说服他们经常参加这样的会议，看行业领先者如何做的，看竞品如何做的。
• 最后，汇报时强调这是数据分析带来的结果balabala，现在很多汇报都可以用电子的形式，总监可以直接用数据发报的功能跟领导汇报。

FineReport做的可视化驾驶舱

三、传统企业推动数据分析的案例

每个企业都不一样，老板不一样、管理方式不一样、信息化程度不一样。因此推动企业的数据分析进程需要根据各个公司的情况进行具体分析。以下列举几个行业的例子，案例都是帆软公司真实的客户，希望可以给大家一些启发，案例的具体细节这里就做隐匿处理了。

案例一：某医药行业——数据决策应用于业务管理

医药商业作为供应链的中间环节，在发挥物流配送功能的同时，承担着资金周转的重要职能，因此对于医药企业利润最大化的关键因素是毛利水平的提升和费用成本结构的优化。公司运用全成本核算的方法，创新了CVP价值分析模型，精确测算客户、品种、供应商的净利润水平，并进行因素影响分析，通过挖掘利润增长点，提供营销决策参考。

那么这个对于整个医药运营来讲一个算输入一个算输出，围绕着输入输出我们开展了几个维度的分析，客户层面的和业态层面的，第二个是供应商层面的，第三个是品种层面，然后是业务人员层面。在这个模型中，有很多指标，很多关键项因素，我们要让大家知道每个指标之间的关系是什么，每一项指标的语意的定义是什么并且统一。

于是，我们建立了上下一致的对数据理解的过程，除此之外利用这样一个架构去完成几个场景的决策。

• 第一个是业务结构的优化。通过平台上的数据去分析什么样的品种可做什么样的品种不可做，哪些品种带来的利润收益最大，哪些不挣钱。目的是指导大家做业务的结构调整。
• 第二个就是谈判就是贸易。我们要去引进一个新的品种，这个品种能带来多少收益？我们通过数据平台的这些参数的关系，在每一次谈判之前由我们的财务部门做分析和策划。
• 第三个是经济化的预算。
• 第四个是对人员的考核，考核的指标来自之前提到的各个维度，比如说利润。
• 第五个是项目决策。每一次做项目投入，都通过数据平台来做支持。

案例二：某制造业——数据分析提高生产线的效率，实现生产可视化

制造业比较注重生产效率的提升，而生产效率受企业管理、制造、流程、创新等多因素的影响。比如在生产效率核算方面，通过记录考勤数据和生产线产量数据，导出各条生产线的实际消耗工时值，并通过实际与计划消耗工时的比值，计算各生产线的效率值。该效率值可用于合理安排各工段不同阶段的班次需求和人员配置方案。

案例三：某餐饮——数据分析帮助市场部门店选址

一家新餐厅的开设，前厅和后厨的面积应该是怎样一个比例？二人桌、四人桌、八人桌以及包间该怎么搭配摆设？

这些信息在过去都是凭借经验去决定，通过对以往餐厅数据的统计和分析，可以得到一个准确的数据参考，降低开设的风险。

以往公司的领导比较热衷于大店的模式，但是到底适不适用，并没有一个准确的结论。后来针对这些门店做了一个评测方面的数据分析，分析每平方米可获得多少营收。最终发现小型门店所获得的效益要比大型门店高。因此针对这种情况，公司在战略上做出了相应的调整，降低部分大型门店的数量，增加小型门店。

案例四：某航空公司——数据分析与业务合作的操作思路

操作上，在前期建立数据平台时，可以不断定一些目标，定一些主题，做成果展示，经常让业务人员以及领导分享，让其参与评价和建议，不断优化和改善，当相关人员都有参与感时，数据平台才会持久发展。

• 确定数据平台技术架构与确定分析主题并行。
• 快速迭代，缓解业务部门手动分析压力。
• 先出报表，积累业务经验建立模型进行分析并不断改进。
• 注意技术准与业务知识准备，以备滞后的大数据分析平台和业务建模。

作者：李启方，专注数据分析和企业数据化管理；公众号：数据分析不是个事儿；系统学习数据分析，代表作《十周入门数据分析》系列

本文由 @李启方 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议