以數據驅動，通過數據分析來輔助進行決策應該是當下的熱點，但是顯然不可能在任何場景下都依賴數據，很多場景下並不適用：

1、當數據模型不完善時，大作手李佛摩爾可以通過紙帶數據進行股票操作，但作為當時其他交易人員在缺乏技能的情況下跟進這種方式恐怕很難獲利；

2、當數據積累尚不充分時，比如某用戶幫助他人購買了一瓶酒，但其實他本人並不飲酒，這時僅僅通過通過他這次的購買數據推送酒類就對用戶的體驗造成了負面影響；

3、當涉及行業、行為有相關因素掣肘，比如數據顯示我國吸毒人口上升，但是我們不能因此就進入毒品行業；

4、當數據本身可靠性精準性達不到要求時。

這就引發一個問題的思考，什麼才真正的數據驅動？

怎樣才能真正做到數據驅動？

1.數據驅動的前提

數據驅動的應用有三個前提條件：

• 可以找到表達業務訴求的核心數據
• 可以找到影響核心數據的關鍵性數據
• 可以找到改變關鍵性數據的抓手

1.1可以找到表達業務訴求的核心數據

第一點很好理解，你的業務目標是什麼，能否有一個指標衡量你的目標。被吐槽很多的信息流，如果你的目標是提升點擊率，沒有問題，通過數據分析和演算法完全可以提升你的點擊率。但是如果你的目標是提升調性，那就有問題了，什麼是調性，誰來定義調性，什麼是有調性，什麼是沒有調性。如果非有老闆覺得自己看到覺得好就是有調性，自己覺得不好就是沒有調性，且無法將自己的理解清晰的表達，那麼這個業務是無法通過數據驅動，因為沒有一個可以量化的核心數據。

而一般而言，常規業務都是可以定義出來一兩個核心指標的。用轉化率來衡量用戶流量效率，用新客7日留存來衡量渠道質量，用NPS來衡量用戶體驗，用服務滿意度來衡量服務質量。這裡最大的困難是讓整個團隊認可這個核心指標，尤其是高管團隊和業務團隊必須認可。

1.2可以找到影響核心數據的關鍵性數據

找到核心數據只是第一步，如果只有核心數據，那麼數據驅動也是無法執行的，因為孤立的數據沒什麼意義。核心數據必須要可以拆分成很多個緯度。比如如果只知道DAU，但是無法區分不同渠道的DAU。比如我們知道銷售數據的好壞，但是沒有分析這些商品有哪些緯度上的區別。一個數據的表現，一定是由多個因素決定的。之後這些因素都可以量化或者定性描述的情況下，才有可能分析出一些真正的結論。

1.3找到可以改變關鍵性數據的抓手

數據驅動的核心不是分析數據，而是用數據驅動業務，這就要求數據驅動的當數據產生變化的時候，我們可以做什麼。比如我們發現用戶喜歡的商品都是應季品，那麼就應該後續多採購上線應季品，這個就是有抓手。比如我們發現年輕的社交產品周末活躍度高平時活躍度低，最後定位到原因是因為上課不能玩手機，那麼這個就是沒有抓手，無法改變。

2.數據驅動的場景

如果團隊都有數據意識的話，其實幾乎所有的場景都應該數據驅動，除非這個事情的收益不值得花費太多的時間分析。

即使是面對未來做決策，拍腦袋絕對是最壞的業務發展方式。比如美團在百團大戰的時候，就提前測算哪些城市是燒錢是有價值的，哪些城市是暫時沒有價值的。這個判斷本身可以是直接拍腦袋，也可以是把拍腦袋的邏輯拆出來。我們有哪些事實上的數據，做了哪些假設，這些假設裡面的數據是通過什麼方式得到的，最終通過完整的邏輯鏈我得到了什麼結果。

雖然我是產品經理，但是我最不能相信的就是所謂的產品感。某個人說了一個事情，就因為他有產品感，所以不需要給出數據給出邏輯來討論，顯然是沒有道理的。

數據驅動的數據，可以來自於真實數據，也可以來自於經驗數據。但是一定要去儘力收集數據。退一步講，即使是最難量化的用戶體驗，也還可以發問卷和做訪談啊。

3.數據驅動的局限

數據驅動的局限主要還是團隊的數據分析能力和邏輯能力。

很多時候看似是數據驅動的方法不適用，其實是因為團隊用錯了方法。比如因為錯把A和B兩個因素的相關性當做了因果性，對因素A調節發現沒有改變因素B。比如數據抽樣有問題，導致結論失效。比如誤把一個影響因子當做了全部。這些本質上不是數據驅動本身的問題，而是使用錯了方法。

有些看似無法數據驅動的問題，往往是因為沒有掌握正確的方法。比如用戶體驗看似沒有辦法評估，可以用NPS，很多人未必知道NPS可以這麼用。再比如說，如果我知道三千個上線商品的CTR，並且知道這些商品的屬性、風格、是否應季、分類、業務線、折扣力度等信息。有的人會覺得無法提取出關鍵信息，但是用邏輯回歸或者決策樹知道哪些因素是關鍵點。

有些需要快速決策的部分或者價值比較小的事情也許不需要用太複雜的數據去決策，但是一旦牽扯到關鍵性業務和關鍵性決策，那麼一定要用數據去決策，即使這個數據來自於估算。默認數據驅動有局限，而不把業務決策邏輯理清楚，相比於使用估算的數據列出完整的邏輯鏈，反而是更有害的。

文 | 潘一鳴（PM/THU）
源 | 知乎

喜歡這篇文章嗎？歡迎分享按讚，給予我們支持和鼓勵！