数据是我们对客观事物及其发生、发展的数字化的记录。
第1篇 概述篇
- “数据”的定义就是数字化的证据和依据，是事物存在和发展状态或者过程的数字化记录，是事物发生和发展留存下来的证据。
- “信息即权力”，掌握信息越多的人，就会拥有更多的话语权。
- 对对象的活动进行描述的数据被称作动态数据。静态数据又叫截面数据，是指事物在某个时间节点上的状态。动态数据又叫时间序列数据，是对事物在不同时间节点的状态的记录，反映事物的动态变化性，或者在不同时间节点上的差异性。
- 企业经营需要产生价值，价值往往是用静态数据之间的差异来衡量的，而动态数据记录着企业的资源转换行为。所有的结果都是由行为产生的，我们把数据分成静态数据和动态数据的主要目的就是方便研究行为和结果之间的关系，这是数据分析和挖掘最重要的目的。如果能够找到行为和结果之间的关系，那么我们就能够根据这个关系来指导企业的生产实践，从而有效地控制产出的结果。
- 数据的质量可以通过八个指标进行衡量，每一个指标都从一个侧面反映了数据的品相。这八个指标分别是：准确性、及时性、即时性、真实性、精确性、完整性、全面性和关联性。
- 一般管理比较成熟的外资企业都有一套保存业务活动记录的规范或者规则，并且有一个不成文的规定：“没有记录下来的事情就没有发生过。”事情做完之后需要写工作日志，填写各种报表，以及在各种标签、标记、记录、日志上签字或者盖章，虽然这些过程并不能为你所做的事情增加任何价值，但如果这些事情没有做，那么你的工作就白做了，这就是管理比较完善的企业所遵循的基本准则。因为只有记录下来，公司对各种事项和业务活动才能够追溯，没有追溯，你所做的工作价值就不能得到进一步的彰显，所以宁可“浪费”大量的时间，也要记录。
- 所谓的洞察，就是理解事物为什么会发生，找到事物发展的规律，并对未来事物的发展进行预测。人类的洞察力来自于对外部世界的敏锐观察，并将观察到的信息经过大脑加工形成对外部世界万物的认知，基于这些认知做出更加正确的决策，从而能够获得更好的收益。
- 数据分析的最终目的是预测未来事物如何发展。
- 预测是一门科学，需要丰富的历史数据和长期探索的算法。
- 一级级不断拆分下去就是先总后分的分析思路。先总后分的分析思路的好处是先有整体后有部分，即先有整体的概念，再在整体的组成要素中寻找造成整体变动的原因，找到原因之后再继续拆分，直到无法拆分为止。当要素不能拆分时，往往这些要素要么是不可控的外部因素，要么是能够内部控制的单因素，这样就能够找出解决问题的方案了。
- 先总后分的分析思路很容易理解，但是当我们拿到数据开始思考和规划该从什么角度进行分析的时候，往往忘记了基本的出发点。拿到数据集后我们的第一反应应该是：这是一个什么数据集，这个数据集中有哪些方面的数据，每个方面都有哪些信息点，每个信息点都能够获得什么信息，不同信息点之间是否有关联影响，能否通过信息点的组合产生新的信息点，这一系列的思考本身也是“先总后分”的结构，然后再开始着手从总的视角进行拆分。
- 先总后分的结构分析思路，需要强大的精细化的原始数据作为支撑，如果一个公司中的数据不完善和不全面，在层层追踪的时候就会继续不下去，也就无法找到问题的原因。
- 在进行数据分析的过程中，对于特殊现象要明察秋毫，抓住一个点，然后用数据去追踪，直到找到问题的根源。要有抽丝剥茧的精神，把各种各样的经营活动现象理清理顺，不出纰漏，这一方面需要对业务充分熟悉，另外一方面需要一种精神，一种严谨的态度，这也可以说是数据分析人员的“工匠精神”。
- 关注细节是数据分析师首先要具备的能力。细节能力在于能否在微小的差异下感知差异驱动因素的能力。一般人最多能够感知两位小数的差异，而敏锐的数据分析师能够从微小的差异中找到驱动差异的因素。一般我们会说9.5%和9.4%没有太大的差异，但是数据分析师会追踪这个差异是由什么因素导致的，会不会有一些新鲜事物发生，这些新鲜事物在未来是否具有成长性的力量。
- 关注奇异点。在统计学占领导地位的数据分析时代，我们在对一个数据集进行分析时，往往会对数据进行描述性分析，即将显著的outlier（奇异点）都去除之后再进行分析。因为我们认为这些奇异点数据往往是受随机因素影响而产生的，我们更加关注核心的问题，所以会消除奇异点再做分析。现在的大数据不再是抽样数据，而是完整的数据集。存在就有其合理性，这种存在的背后一定有其存在的原因，而任何一种存在都有追踪的价值。
- 数据可视化本身就是一种数据分析方法，把数据用可视化的方法展示出来，本身就说明了一个故事，表达了一个观点，形成一种定性的判断。虽然在图形中没有写一个文字，但是图形却能呈现出强烈的数字对比。
- 我们的看法既然会受到环境、情绪的影响，必然地，我们的看法就无法真正达到中立。
- 在进行图形化表达的时候，要符合人们认知事物的逻辑，从而不需要更多的解释，让图形自己会说话。
- 一个数据图表只需要清晰地表达一个观点即可，试图表达更多的内容，往往会造成每个内容都没有表达清楚，越复杂的图形实用价值越低.
- 解读数据的方法1：辅助线；强化差异的辅助线让我们能更加清楚地认识事物的规律性、特征性。
- 解读数据的方法2：找差异，找变化；一个事物的变化往往有必要条件和充分条件。充分条件是指只要这个条件达到了，事物必然会按照预定的方向发生变化；而必要条件是指要想事物发生变化，这些条件必须具备，但是如果仅仅具备这些条件，则事物还是不能按照预期发生相应的变化。当我们分析数据或者现象事实时，如果找出的是充分条件，则我们就成功完成了分析工作；但是如果我们只是找出了必要条件，则我们距离成功还有很长的路。要想验证我们找出的条件是必要条件还是充分条件，就需要通过重复试验来完成。
- 解读数据的方法3：找奇异点、特殊群体；在大数据时代，我们的数据集都是全部数据，不是抽样数据，如果存在奇异点，则不是因为抽样造成的，也不是因为随机因素造成的，而是确实存在的，而奇异点的存在必然有其道理——存在即为合理。对奇异点的深度研究能够让我们感知到一些新的变化或者细微的变化。
- 解读数据的方法4：找转折点和拐点；数据的转折点和拐点是非常重要的，甚至是非常关键的分析要点。事物的发展都有惯性，而转折点和拐点突破了事物常规发展的惯性，完全转向另外一个方向，这需要强大的力量来扭转。分析这个拐点和转折点能让我们认识这个强大力量的真实实力。
- 解读数据的方法5：找特征；事物的发展总会留下历史的证据，而这个证据是需要不断挖掘的，这就是数据分析的经验所在。其实只要在事物的发生和发展过程中记录了数据，就能够推演过去发生了什么，为什么会发生，怎么发生的，然后找寻其中的驱动要素或者发展规律，这就是从数据中寻找证据。也可以说数据分析师越懂得人性，越能挖掘数据背后的故事。如果数据分析师拥有社会学、心理学、经济学、管理学等多学科知识，就能够了解企业中会发生什么，在解读数据的过程中就能够有更加丰富的想象和假设，然后根据想象和假设寻找相对应的验证，佐证发现的问题。
- 解读数据的方法6：找问题就是找数据，只要问对了问题，就能够找到合适的数据，通过数据可以分析出具体的问题，并能够找到具体的解决方案。从一定意义上来讲，问对问题比找到答案更加重要。
- 解读数据的方法7：找源头；4W1H方法让我们通过问问题的方式找到问题的关键和问题的根源，找到发生变化的原因，从而找到解决问题的方法，这是一个非常全面的数据分析方法。而在进行数据分析的时候，找到问题的根源，却是一个比较见功底的活儿。制度流程的问题往往是管理中常见的问题根源。门在哪儿开，人们就从哪儿走。数据能够显现出一些问题，当出现这些问题后，数据分析人员需要根据公司的情况，提出相关的建议和意见，协同相关的部门对制度和流程进行修订，并追踪制度流程修订后的结果。要用数据来追踪效果，确保这种修订是好的、可行的、有效的。
- 解读数据的方法8：找关系；相关性研究需要更谨慎一些，既要有足够丰富的专业知识，同时还要不违背常识。
- 解读数据的方法9：找驱动；
- 解读数据的方法10：找规律；
- 资深的数据分析师常使用以下5个问题来确保数据分析能够深入到最深层次，挖掘到事物的本质，以及找到问题的根源。
- 问题1：What？事物存在什么差异或者变化？这个差异和变化是什么？是向好的方向还是向坏的方向发展的？是好现象还是坏现象？是需要警惕还是需要挖掘创新点？What is the change？——这个变化是什么？这个变化的本质是什么？
- 问题2：Who？这个变化的主体是谁，客体是谁？是谁在变化或者是谁引导了变化？是谁造成的变化？如果是好的变化，则谁该领功；如果是坏的变化，则谁该负责？为什么要引领这个变化或者有什么样的动机要让这个变化发生？背后的利益或者情感的驱动是什么？
- 问题3：When？这个变化是什么时间发生的？是最新发生的，还是过去就一直在发生着，只是现在变化大了才发现？这种变化持续多久了？多长时间才发生了这么大的变化？是快速变化还是慢速变化？按照这个速度发展下去，多长时间可以发生质的变化？这种变化是否需要阻止？最迟需要什么时候阻止？这个变化是否需要加速？如果需要，到什么时候需要达成什么结果？
- 问题4：Where？这个变化在哪里发生的？发生的环境要素是什么？牵扯到哪些部门、组织或者利益相关方？每个利益相关方的诉求是什么？会对该事物的发生和发展有什么影响？这个变化发生的环境因素是必要条件还是充分条件？哪些条件达到了才产生了这个变化？这个条件是否可以人为创造？如果不能人为创造，有什么可能形成这样的条件？
- 问题5：How？如何调整变化？如何强化变化？如何弱化变化？如何创造事物发生的条件让事物按照我们期望的方向进行变化？如何才能改变现在的状况？这个变化是怎样发生的？这个变化的发生能否避免或者重复？
- 对于人很重要，事情也很重要的“事情”，要采取“双赢”的策略。人不重要，事情很重要，可以采取竞争的策略；人很重要，事情不重要时，我们尽量妥协，确保让对方高兴。
第2篇 方法篇
- 对比的三个要素：主体、客体、度量（指标或者标准）。
- 作为专业的数据分析人员，一方面我们要避免被别人左右了我们的比较基准；另外一方面，我们在准确传达数据对比结论的时候，可以采用一些心理学的方法，让数据的认知度更高，确保我们的数据对比结论能够有效达到说服的目的。
- 公司在快速发展时，所有的问题都不是问题，但到了公司发展受阻时，一个小问题都会成为天大的问题。很多公司在危难时期面临的问题都是在顺境中衍生的。所以，对一些效率指标的跟踪非常重要。
- 与上下游行业对比是很多企业容易忽略的。为什么要与上下游行业对比呢？道理其实很简单，同在一个产业链上，如果你跑得快了，则上下游的客户肯定会拖你的后腿；如果上下游的客户比你跑得快了，则你会被他们抛弃。一个产业链上的企业必须是联动和共同发展的，随着“互联网+”时代的到来，整个产业链会越来越透明，连接也会越来越紧密，如果企业不关注上下游行业的发展，就无法让产业链的联动效应显现。
- 一家好的企业会不断吸收行业内和行业外的先进模式。行业内的经验有助于改善企业的经营和管理，而行业外的经验往往能够给企业带来更多的创新想法，引领企业在行业内的创新。
- 所谓的效益指标就是指赚钱的评价标准。虽然效益一般都被认为是利润，但对不同发展阶段的公司来说，效益的定义可能是不同的。公司在创业初期，效益指标是增速，是快速发展，而不是利润，如果公司在起步阶段就把利润当作第一要务，那么发展的机会就会很小；当公司高速发展的时候，效益指标不再是增速，而是品质，包括产品的品质、管理的品质、体系的品质、流程的品质、供应链的品质、工厂的品质、研发团队的品质、整体管理团队的品质。如果不建立品质指标，等公司发展壮大时，则公司越大，企业的实力越弱，内部越虚空，也越来越危险，就如一个气球，越吹越大，破裂的风险也越来越高；当公司到了成熟期，公司的效益指标才真正回归到利润这个终极目标上。
- 有了更高的效益，反而会影响效率。为什么呢？当一家企业的产品有非常高的利润时，企业内部节约成本的动力就会不足，员工创新的积极性也会变差，既然赚钱了，为什么要改，这样的理由看似是非常合理的。当产品还有30%的毛利时，企业就不会花费大量的精力去寻找可能只能节约1%资源的创新方法。而那些毛利不高的企业会锱铢必较，节约每一分钱，最终能够通过节约获得更大效率的提升。企业效益太好有时候也不是什么好事，其只会掩盖管理的不足、效率的不足，以及培养员工的惰性。
- 博弈论的“上策均衡”中，有一个“美洲杯帆船比赛”的故事，说明领导者只要跟随者第二名随时调整市场的策略，肯定会一直压制第二名从而保持自己的领先地位；如果领导者冒险创新，一旦失败将被第二名超越；而第二名如果一直跟随着第一名，则永远无法超越竞争对手，必须要不断创新才有可能超越第一名从而成为第一名。这就是所谓的“领导者多跟随，跟随者多创新”的原理。
- 任何事物的发展都有其规律性，偶然的现象背后都是必然的结果。我们之所以认为是偶然事件或者随机事件，是因为我们掌握的细节太少，或者对事物的规律认知太少了，我们把不能解释的事件都看作偶然事件，我们掌握的规律越多，掌握的数据和事实越多，就越能清楚地知道事物该如何发生。
- 纽约大都会博物馆服装馆馆长哈罗德·柯达认为：“当人们的心理遇到困境，悲观情绪滋长时，着装就会朝着保守低调的方向发展，如穿长袖、高领、长裙。”
- 德尔菲法的核心思想是：既然每个人都有经验，在一个行业中经历越丰富的人经验越多，但每个人都有局限，所以如果把相关领域内多位专家的意见聚集起来，或者在数据上聚集起来，那么这个经验预测就更加准确了。
- 任何一个逻辑关系被发现后都要根据“此情此景此数”去思考，即为什么会有这个现象，这个现象是不是能够复制到其他的情境下，数据分析必须有足够的敏感性。
- 如果没有模型，我们必须要自主地研究影响效率的因素，这需要有专业的知识和经验的积累。而采用模型就会给我们一个比较好的思考的框架，即使这个框架中的内容不见得完全符合我们的需要，但框架本身的逻辑架构能够让我们从更加全面的视角查找导致问题的原因。
第3篇 具体应用篇
- 在人效分析中，我们首先最应该关心的是两个指标是人均产出率和人员费用产出效率。
- 人均产出率代表着每个人能够产出多少，产出越多，代表团队力量越雄厚；产出越小，代表团队整体人员的素质是降低的，因为：人均产值=总产值/总人数。
- 另外一个指标就是元当产值，即每投入1元的人员费用，产出多少，其公式为： 元当产值=总产值/工资总额（包含了基本工资、奖金、分红、激励、提成、社保等）。
- 很多企业都在分析人均产出率，而很少有人分析人员费用产出率。我们说的元当产值基本就是这个变种的倒数。
- 智能生产的基础是数据化，数据化的基础是信息化，信息化的基础是管理的正规化。