我们在企业调研过程中，大部分企业都会提到自己数据部门采集了海量数据，加工了大量指标，梳理了指标体系，用了很多数据分析模型，譬如RFM、AARRR、指标杜邦分析等都用上了，数据分析报表也做了很多，但业务部门仍反馈说数据部门提供的数据分析对实际业务帮助不大。

Question：为何数据分析在实际业务中失灵？

难道真的是因为数据分析还不如业务经验吗？

关于这个问题，我们通过大量企业访谈和项目实践，归纳可能主要有以下几方面原因：

1、缺乏基于数据决策的文化意识

直白说就是公司高层本身对数据重视程度就不够。

老板和高管在日常管理会议中，都很少提到需要什么数据来做分析决策，就看几个大指标和基本趋势（的确很多老板每天看的指标，都是指定员工每天整理后给他手机上发的），然后就按自己的经验直觉来做判断决策，指点江山。

老板如果不太重视数据的深入分析，中层也不会在数据分析上下功夫，少一事不如多一事。既然中层没动力，基层干部就更不用说了。

2、数据分析过于理论化与实际业务不符

我们有一家客户，他们做线下零售的，经常在做促销时，消费者在门店扫码然后随便填些资料注册会员，就可以领优惠券消费。

他们的数据分析部门就用这些会员数据，参考RFM模型给业务部门做分析，分析结果有理有据，譬如筛选了一些会员最近有消费，客单价也相对比较高，属于“高价值客户”的会员名单给业务部门，本意是希望业务部门有针对性的采取一些营销手段，留住这些“高价值客户”，并吸引他们更多的复购。

当业务部门拿到名单后，扫一眼消费日期就知道，这些所谓“高价值客户”，大部分都是薅羊毛的，因为那段时间是做大促活动，优惠力度很大，很多消费者是有大促优惠就买，而且一次相对买很多，然后一段时间就不再光顾了。

就算有些的确没有促销也回购的，但由于为了不影响消费者注册的体验，基本不检验填写信息的逻辑性，所以会员信息质量也不高，不能根据这些会员属性来定制营销内容，业务上也做不了什么精准营销。

3、数据分析结果与业务执行存在距离

譬如数据分析部门给业务部门提供业务预测分析报告，上面从不同维度都给出了销售预测的分析结论，有理有据说明根据当前销售趋势，未来还能完成多少销售业绩。

然而业务部门拿到预测报告后，又具体应该做什么才能实现预测上的目标呢？

这些预测分析对应实际干活的业务部门，还是太宏观，太抽象了。

Question：如何有效解决数据分析失灵的问题？

当企业面临上述一系列问题和痛点时，不应该轻易去否定数据分析的价值和意义，更需要的是寻找切实的解决之道，我们认为可以采取以下几项措施：

1、培养企业数字文化

很多老板都希望自己的企业尽快通过数字化提高效率，提升收入。那老板就先要带头关注数据，从上至下在企业内部培养数字文化。

各种会议上要求用数据说话，而不是仅用个别现象就定性问题，然后就拍脑袋做决策。

建立用数据说话、用数据分析、数据结合经验做决策的数字文化，才能给企业数字化埋下思想意识基础。

2、深入业务场景提升数据分析的实用性

数据部门不能仅知道数据分析理论，还要深入业务场景，分析数据背后的业务背景。

脱离业务背景做的数据分析，通常都是不实际的。建议数据分析报告开头，就阐述业务背景，说明数据分析的前提，业务人员才更容易理解。

可能数据部门会抱怨，说得轻巧，日常的数据处理，问题排查，应付业务提的各种需求都忙不过来，哪有时间还去深入分析业务？

其实现在已经有一些成熟的数据工具产品，利用智能化技术，能帮你减轻技术上的负担，释放出更多时间来了解业务。

3、为不同角色提供不同的数据分析应用

◐ 对于老板或高管层

给老板或高管的分析报告可以偏宏观，特别是要从产业链、供应链、总体市场需求、内部能力及市场竞争角度综合阐述分析，每阶段需提供从宏观到微观的财务和业务指标数据，展现形式用简单易懂的图表可视化即可。

◐ 对于中层管理和执行层

给中层管理和实际干活的执行层，就需要具体的数据分析输出，而不仅是宏观的指标。

还是以零售行业的一个销售追踪场景为例，分析就要具体到每家门店每天的销售目标（以前都是业务管理人员手工用excel做，费时费力），帮助店长和区域经理每天进行追踪，有些还要细分到每家门店每天每小时的销售数据，通过周一到周日每天的销售“淡旺季”规律，指导店长动态店员排班，动态调整商品陈列，及时进货调货等，这些才是业务执行层用户真正需要的实用数据产品。

更多精彩内容，欢迎登录数果智能官方网站查看！