小海按：

对于初创企业的管理者而言，很多好决策都是受数据驱动的。决策要有正确和完整的数据，一切都必须基于信息和数据来“刨根问底”、分析本质。

数字化时代，各种数据的产生，获取并加以利用，来支持以往通过直觉作出的决策。事实上，许多企业已经将其技术的使用从管理工具转变为关键的战略成功因素。比如当今零售企业通过社交，电商等渠道监控和评估其在线社区，以发现客户趋势。制造业公司有可能在其生产设施中安装传感器，以监控其生产力状况。

在过去几年中，许多企业见证了前所未有的数据量爆炸，此外，不仅在其业务的各个领域越来越需要基于证据的决策，而且还需要相应法规遵从性的要求。

越来越多的企业已经开始将这些数据转化为可用的信息和可操作的见解，并取得了明显的成功。数据驱动为企业创造价值和实现竞争优势提供了一个全新的机会，不仅了解客户的趋势和特征，还能识别出与竞争对手差异化的因素。但由于企业不可能仅通过其产品来实现自身的差异化，因此业务流程是最后剩下的差异化重点领域之一；通过对数据的收集与分析使用，企业正在发现并处理其业务中可以产生价值的所有角落。

所以，数据的质量至关重要。对于初创企业来说，从成立之初就开始部署拥有一套灵活的数据采集与查询工具，从而形成原始信息库。

但是，一个数据库往往会有成百上千，甚至上百万的原始数据，这都是很正常的。要找到正确的方式，帮助企业领导者清晰地分析出有用的结论并非易事。所以，很多企业还要组建相应的数据团队，便于后期正确地使用这些数据。

数据驱动决策，该怎么做？

虽然很多企业今天已经意识到了数据驱动决策的重要性，并开始积极招募数据分析师、数据工程师、机器学习工程师、人工智能工程师……但他们却没有相应的数据策略，这往往导致了数据仍没有摆脱以前作为经营活动“附属产物”的本质。

所以，如果你的初创公司有数据驱动决策的打算，整个流程的正确打开方式是什么？

首先，你需要指派一名数据主管，或首席数据官。这个人的主要职责是全公司范围的数据管理以及确保数据作为组织战略资产的价值。这意味着他要与每个部门都形成合作关系，设计出一种属于自己公司的获取、存储、管理、共享和使用数据的通用方式。更重要的是，他要确保企业拥有数据驱动的思维和决策的文化。

其次，数据主管/首席数据官要制定一项符合公司主要目标的数据策略。这个战略要从广义的角度真正理解公司的业务，兼顾产品、运营、流程优化和合规等方方面面。不同领域的数据策略会非常不同。例如与产品相关的策略，就需要快速发现和集成数据源，将重点集中在提效、降低成本和质量改进上。

数据策略要和商业战略相结合，明确优先级和未来计划。业务和产品人员应该与数据主管/首席数据官密切合作，共同创建数据策略。

最后，公司要吸引数据策略所需人才。随着初创公司数据策略的明晰以及企业规模的逐渐壮大，就需要更多的技术角色参与进来。例如在数据集中方面，公司可能会需要数据架构师、分析师和集成专家；在业务优化方面，要兼顾生态系统扩展和数据分析应用，所以可能会需要数据科学家、数据建模师和业务分析师；在市场创新方面，公司可能还会需要可视化专家，用更易理解的方式去传递复杂的数据信息。

数据驱动存在盲点吗？

答案是肯定的。

以前有过这样的案例：有手机游戏开发者对数据进行分析，发现手机收到推送通知的用户活跃度更高，于是决定发送更多推送通知给这些用户。但没想到的是这个决策最终适得其反——越来越多的用户开始忽视这些信息，其中相当一部分人最终还关闭了推送功能。

所以，正确的数据度量衡对于构建数据驱动和数据信息的企业文化至关重要。在以数据为基础的决策中，初创公司的管理者需要尝试去理解数据背后的故事。

首先，企业要非常了解其公司中所有业务流程的数据输出；

其次，他们知道在所有业务流程的数据输出旁边存在哪些数据源。知道哪些非结构化、结构化和快速移动的数据源补充了他们的发现，以及已经使用的内部数据输出。分析工作包括内部数据源（财务绩效数据、ERP、PLM、CRM、GPS数据等）和外部数据源（如社交媒体、视频、语音和纯文本、行业研究）。

第三，通过形式化的努力不断收集独特的信息，从而为他们提供独特的见解和竞争优势。制定关于如何收集新数据源的计划，并考虑到数据的来源（例如，数据是否可以自由访问或需要获取，是第三方数据还是开放访问？）。

企业不仅认识到数据的潜在价值；他们还利用数据，将各种数据源的数据组合成可用信息。

在上面手机游戏开发者的案例中，用户是从推送的内容中找到价值，而不是推送本身存在价值。要了解用户喜欢哪些推送，以及为什么他们认为这些推送有价值，才能作出正确的决策。

此外值得一提的是，很多初创公司深入研究原始数据后发现，他们之所以会面临的许多艰难决策，可能是早期的一系列错误所导致。无论是初创公司还是大型企业，在早期数据体现的趋势都很难被精准把握，但如果忽视这些趋势，仅依赖已有数据去决策，往往之后又会出现麻烦。

数据驱动，创新之旅

企业如何开始其数据分析之旅，如何评估企业的数据分析成熟度，这可能有助于跟踪企业的进度如何随时间变化，以及与同行进行基准测试。数据分析的深度，大体如下：

1、描述的：怎么搞的？现在发生了什么？会发生什么？

2、诊断的：这是怎么发生的，为什么发生的？

3、预测的：接下来会发生什么？我们对此有多确定？

4、规范的：可能发生的最好情况是什么？我们该怎么办？下一个最佳行动？

不同行业、不同企业的数据分析侧重点不一样，产生的价值也不一样，下表给出了不同行业的数据分析场景：

在大多数行业中，分析作为一门学科已经存在于许多企业的核心能力中。

上面表格概述了几个行业的常见的分析目标。例如，金融服务提供商会尽其所能地降低未偿还贷款、债务或抵押贷款的风险。零售商努力优化客户服务和营销。运输公司严重依赖其供应链。因此，企业应该从改善已经存在分析的业务领域的分析能力开始。

成为一个以数据分析为导向的领先企业不是一夜之间就能完成的事情。企业必须知道自己的发展历程，并知道如何改进业务以成为数据分析驱动型企业。因此，重要的是，企业应在成熟度框架下以正式方式评估其分析成熟度。

根据能力维度评估其成熟度，区分如下：

1、“数据-启动”级别的企业主要根据其直觉和管理专业知识行事。分析不被视为核心价值，分析功能也没有正式化，数据质量挑战带来了重大问题，高级管理层要求本地团队手动整理数据。

2、处于“数据-发展”阶段的企业使用一些历史数据来支持精通数据的部门内的某些决策。分析不是以结构化的方式进行的，分析工作是重复的，而不另行通知，战略决策仍然基于直觉，数据质量是不接受分析结果的常见借口。

3、“信息-建立”级别的企业使用部门内的分析来支持决策，并根据未来的预测选择决策。决策更具可操作性，跨部门合作仍然不是共识。

4、达到“知识-高级”水平的数据分析驱动型企业将历史、预测性见解（源自各种数据源）视为补充其战略的关键和关键。它们支持运营和战略决策，以改进产品、服务和客户体验，并提高运营绩效。除此之外，这些企业还就其分析能力传达了清晰的愿景，促进了企业范围内的分析协作，并在战略层面上使其分析能力正式化。对于支持分析的人员、流程、治理和技术方面，存在详细的框架。

5、“智慧-领先”级别的企业主导着其行业。分析（预测或其他）不仅用于增强其业务，而且还持续用于开发新的变革性业务模型。重复分析是自动化的，因此可以根据业务优先级进行实验和分析创新。或未分类的风险和机遇。在分析中考虑了外部因素，如外国地区的政治不稳定，从而向领导层提出基于决策树的SWOT建议。业务部门真正理解分析的价值，业务部门和IT部门之间存在着值得信赖的合作关系。

创业政策详情