核心诉求必须清楚，否则收入可能一塌糊涂

为什么同一组数据，不同的业务目标，会产生完全不同的分析方案？企业在日常的商业场景中，又该如何挖掘数据，从而创造最大的业务价值，实现产品化？对于这些问题，北京大学光华管理学院商务统计与经济计量系教授王汉生进行了相关分析。本文根据王汉生教授在“北大光华思想力系列公开课”第七讲的分享内容整理而成。

大家好，我分享的主题是“回归分析的道与术”。回归分析是统计学中用来分析数据的最常见的思想方法和技术手段。不过今天分享的内容跟你有没有学过统计学、有没有理科背景、是不是数学特别好都没有关系。

它只跟一样东西有关系：你是不是关注数据在业务中创造价值，并且希望把它产品化？我会结合我做过的、具体真实的案例，跟大家详细地探讨一下如何利用数据创造价值。

01

数据分析是“结果导向”，先问清楚：

业务的核心诉求是什么？

当我们在商业、业务场景中，问自己为什么要做数据分析的时候，会发现答案通常只有一个，就是相信合理的数据、合理的分析能在合理的业务场景中，创造重要的业务价值，甚至能够产品化。这是我们做数据分析的核心目标。

价值在哪里创造呢？只有在具体的业务场景中，数据才可能创造价值。因此，通过数据分析创造价值，就一定不能只分析数据，一定是首先分析业务，理解业务的核心诉求，以及核心诉求和数据之间的关系。

结合我做过的、具体真实的案例，跟大家详细地探讨一下：一个给物流公司做服务的车联网企业问我，能不能用车联网的数据，对卡车司机驾驶行为的好坏给出一个打分，“我想知道哪个司机是好司机，哪个司机可能是差一点的”。

大家看，这个业务诉求就非常模糊。什么叫做好司机？什么叫做坏司机？如果我们自己都说不清楚，那任何数据分析都是注定失败的；如果能用一个指标尽可能好地描述清楚，把抽象而笼统的业务问题具象化，那么接下来的数据分析就会目标准确，非常清晰。

这说明任何的数据分析，如果你想创造业务价值，一定是分析业务先行。业务分析是最重要的，甚至比分析数据本身还要重要。

于是，我就给这个车联网企业一个建议，就是去跟物流企业好好谈，理解对方的业务，看能不能抽象出一个或两个核心诉求来。

很快，车联网企业回来之后告诉我，他们谈到了两个重要的业务诉求。第一个，对于物流而言，油耗是很重要的，不同司机油耗不同；第二个，违章的记录，涉及到驾驶安全问题。

第二个好懂，安全很重要，但对第一个业务诉求，我当时是心存怀疑的。为了保险起见，我请我们的合作伙伴跟物流企业再次沟通，确定第一个业务诉求是不是重要的。这个问题很重要。如果这个业务诉求描述错了，后面所有的分析就都错了，相应的产品就都错了，做出来没人用的。

过了一段时间，车联网企业的主管来跟我说，确认了，第一个业务诉求是重要的。他们合作的物流企业是集中化管理的，卡车是物流公司自己贷款买的，买了之后请了司机来开车。司机开车之前，就拿一张油卡，路上加完油、干完活了就回来了，把油卡还给物流公司。

这时候，物流公司就发现一个很有意思的现象：同样一辆卡车，同样的路程，同样的路线（无非就是从A货场到B货场，B货场到C货场，C货场又回A货场），同样的载重，甚至是同样的货物，不同的司机的油耗差别可能会很大。

我当时就想了，难道卡车司机的驾驶行为，比如是不是急刹车，或者一些驾驶习惯，对油耗影响会这么大吗？我们的合作伙伴开始笑了，说：“好像不是这样的，物流企业说少数的司机有偷油的习惯，一偷油当然油耗就上来了。”

大部分的司机是诚实的好司机。他们的油耗是有规律的。那我们就可以做一个模型，看对于什么样的路况、什么样的路线、什么样的卡车、装多少货物，合理的油耗应该在什么范围之内。我们要关注坏司机，看他们到底是怎么回事，也要把好司机的宝贵经验推广。

在业务中，我们常常有很多诉求，想要这个，又想要那个，还想要第三个。但是，诉求很多等价于没有诉求，数据分析最好只有一个核心诉求，目标特别清晰，最多两个，有重要诉求和次要诉求，再多个业务诉求就管不过来了。

举一个例子。小姑娘想找一个男朋友，别人问她找什么样的呀？她说“高富帅”。你看，她有三个业务诉求，第一要高、第二要富、第三个要颜值高。这三个一交集，很可能就是一个空集。所以，在真实的生活中，我们一定要妥协一点。

怎么样才知道哪个是更重要的呢？做一些简单的对比就好：假设有一个男生个子很高，但是颜值一般，另外一个男生颜值相对好，但是个子比较矮，你最喜欢哪一个？如果小姑娘说，她还是选高个子的，那么我们就知道，个子是最重要的。

所以，当我们面对一个业务有多个诉求的时候，可以尝试设想一些不同的场景。当它们之间形成互相竞争和替代关系的时候，你的内心会告诉你，哪个核心诉求是最重要的。

02

影响业务核心诉求的一些因素：

企业掌握了，就拥有了竞争优势

怎么样让数据产生价值？首先，业务核心诉求要说的特别清楚，其次，要找到影响业务核心诉求的所有相关因素中，非常好的那些因素。我们能采集的这些因素越多、越相关，就测量得越精准，对未来、对价值的把握会越高。

大家可能觉得一个场景预测精度的提高，主要靠模型的高大上。这是大错特错。天底下的模型是大同小异的。在给定数据资源、给定技术手段的时候，大家预测精度的上限基本上是一样的。

谁能突破这个上限？那个拥有独特的影响因素的人。谁有更好的影响因素，谁就有更好的预测能力；谁拥有这些影响因素，谁将具备竞争优势。举一个简单的例子。

在武汉封城之前，很多曾经在武汉滞留过的本地人、外地人，在不知情的情况下，流散到了全国各地。如果回到那个时间点，尝试就哪些地方可能会因为这种风险携带者的流入，产生更加严重的疫情，哪些地方可能弱一些，做一个预测性判断和建议性谏言，大家猜哪家企业更准呢？

可能这家企业只要数一数，有多少在武汉最高风险时期滞留过的携带者流入这个地区，就够了。我在这里，给大家留一个思考题：放眼国内所有的互联网、金融等各种各样的企业，谁有可能采集到这样的数据？

我们平常到哪儿去找好的影响因素呢？我们拍脑袋、拍脑袋，很可能都拍不出多少来。所以，最好能够通过良好的制度设计。

怎么样的制度设计？让业务端和数据分析端尽量融合，让数据科学家、统计学家和一线的业务人员，放弃各自专业或工作岗位的不同，在一起紧紧地合作。给大家举一个成功的例子。

很多公司内部都有一个电销团队，而且会发现一个神奇的规律，就是销售冠军稳定就那么几个人，不是小王就是小李，不是小张就是小王。一般的电销人员跑去找销售冠军，让介绍经验，那他们可能会说：“我也说不清楚，我也说不好。”

这有几种可能，第一他真是一个天生的优秀销售人员，他自己也说不清楚，第二大家在竞争环境中，他告诉你了，他就不是销售冠军了。但我们还是特别希望能理解，为什么这几个人就是成单冠军呢？一个销售冠军的业绩常常是平均水平的4-5倍，我们能不能把他们的经验变成整个团队的经验？

这个时候，就有企业家做了这样的事情：让数据分析团队的人去给销售冠军做助手，跟他去学习。做数据分析的人会琢磨这位销售冠军是不是对行业有挑选呢？销售话术跟别人有没有不一样呢？是讲价格好，还是讲功能好更多呢？

这些如果能够被总结下来，就会变成宝贵的影响因素，变成一个打分的指标。按照这个指标，那种成单概率特别低的销售线索，也许整个团队以后都不值得去打了；优质的销售线索里面又分最优和次优的，最优的应该给销售能手，让他们全部拿下，剩下的给别的销售。

这就是通过制度保证、制度设计来保证源源不断地非常好的影响因素。它会为我们节省大量的无效人力。

还要给大家提醒一下。影响业务核心诉求的因素分两种，一种是可控的，一种是不可控的。比方说，数据分析表明女生更多在电商页面上花钱，性别特别重要。你知道之后，难道想把所有的男生都变成女生吗？这是不可能的。性别不是一个可控的影响因素，你只能被动地接受它。

但是，你如果在分析中发现有一些可控因素，它们能够很好地影响到业务的核心诉求，并且可以直接落地，短期能获得效果，那这些可控因素是非常宝贵的，一定要珍惜。

什么因素是可控的呢？产品价格、促销力度、宣传手段等，通通都是可控的影响因素。同样一个女装广告设计，我们在上面放一个模特还是两个模特，是正面照还是侧面照，可能都会影响到业务。

03

结语

简单总结一下。我们关心数据分析，为什么关心？不是为了跟大家茶余饭后，能说点高大上的东西，而是数据分析有一个朴素的目标——创造价值。

要让数据产生价值，我们就一定要懂业务场景。因此，做数据分析，要放下自己的架子，要给业务最大的尊重，对业务有无限的敬意。

实现从数据到价值的转换，我们还要具备这样一种回归分析的思想方法论，具备这样一种神奇的能力，把抽象的业务问题变换成为具象的数据可分析问题。什么叫做数据可分析问题？

业务的核心诉求和影响核心诉求的各种因素，都是定义清晰的。我们把它们放一起，才能够打通从数据到价值的“任督二脉”，让数据和价值之间从此沟通畅通，让数据变成价值甚至在业务场景中做成产品，固化下来。

这就是我今天想跟大家分享的所有内容。谢谢大家。

（本文首发于正和岛商业洞察）

王汉生教授，北京大学光华管理学院商务统计与经济计量系教授，系主任。数据科学微信公众号“狗熊会”创始人。在理论研究方面，主要关注变量选择、数据降维、高维数据分析，以及复杂网络数据分析。国内外各种专业杂志上发表文章100+篇，合著有英文专著1本，合著中文教材3本。国家杰出青年基金获得者（2016），Elsevier中国高被引用学者（数学类：2014-2018）。致力于商务统计学的理论研究与产业实践。业界合作涉及量化投资、互联网征信、车联网、移动设备RTB广告竞价、搜索引擎营销、电子商务、重装制造业等多个重要行业。

相关链接：

原标题：《核心诉求必须清楚，否则收入可能一塌糊涂》