我曾经服务过的几家外企，都有自己的数据驱动理论和实践。其中至少有一家是数据使用的高手。在本世纪早期，公司还没盈利呢，就建立了高效的data pipeline, 把各层业务的数据串了起来。后来等我在上面做增值业务的时候，发现事半功倍。 当时组里有从国内某大厂出来的做此方面业务的优秀小伙伴，也在感叹这条数据流的存在，让工作变得太顺畅了。数据经过不同的清理过程，有些被用来驱动产品和工程的演进，有些进入BI系统，成为业务主管做决策时的主要工具。 每周，月，季度各个业务部门对其关心的数据指标进行观察，发现问题和机会。
所有人如此依赖这些数据，沟通和决策因为这个共识而变得流畅而有效率。 很多合乎逻辑且效果很好的决策不断出台， 新的产品也依靠这样的数据财富而更容易获得成功。数据带来洞察，是一种信仰。因为经常被证实为真。
但是数据反映的是过往。用它去预估未来，本身就需要对数据适用的场景，和场景变化有所洞察。若把它当作观察的唯一法门，对大的市场变化的掌握，也会滞后。
在前东家做他们安卓客户端的研发经理时，安卓还没火。公司这一步也算走得早。我们发完了全球各个市场，最后发布的中国版，尚且比当时国内的主要竞争对手要早一个季度。 按说是个先机。 在中国的业务团队一直在试图说服各层决策者，这是中国业务增长的机会，中国的类似业务以及流量会迅速往无线端倾斜。这些分析来自于对于市场的嗅觉，对于正在发生的事件的分析和预判: 市场和工具的适用场景， 各个公司的资源侧重，新运营玩法的出现，等等。
从数字上看，中国地区的无线端业务增长以及其带来的流水，甚至它的营收比率的增长，都是“正常”的。 不能佐证一个巨大机会的存在。而竞争对手所公布的数字，自然也无法达到这个目的。 公布的数字，不论内部和外部，都有一定程度的滞后。一向以来的数据分析手段，根据的是已有的模式，在此框架和逻辑下，对于趋势进行判断。模式和数据都没有变，其变化不会在市场出现变化前出现。
就如同在机器学习里，选择什么数据，和优化的目标，反映了设计者对学习对象的理解， 都会深刻地影响所选用的算法，以及最终结果。提供给 决策层所用的数据集，以及对应的核心指标，也很大程度上取决于决策链条里诸人对环境的敏感度，以及理解。机器可以按照一个预设目标，不断寻找到最适用的规则，并应用于预测未来，假设的是内隐的逻辑不变。 商业的，产品的演进在依靠数据的时候，也基于类似的假设。 如果没有数据可以反映变化的条件，也就很难有灵敏反映变化的分析结果。
决策所关注的数据， 按照部门熟知的逻辑进行组织，并没有照拂到那些指征外部商业环境变化的星星点点，我们的决策层在半年后发现竞争对手的无线端流量所占比重是我们的将近四倍时的惊讶， 也就不足为奇了。
我无意于讨论当时需要什么数据，才能避免这样的滞后。 当一个组织对自己用以决策的数据如此自信时， 也许难免会忽视一个现实，就是数据反应的是已经发生的规则，而很难对模式变更这样规模的事件进行灵敏的捕捉。数据的意义，最终还是人去发现。
网友评论