如果说支持国家男篮的人心中都会腾出一块地方留给姚明，视他为心中的“男神”、永不言败的人生榜样，那么在数据从业人员心中可能会有一个类似的位置留给美国人戴明（William Edwards Deming），他通过统计、图表分析先后改变了日本和美国的制造业（注意是先外国在国内），是我们数据人中的神话人物。我对戴明（1900~1993）故事的了解完全是起源于于涂子沛老师第二本书《数据之巅》，书中的188~210页描述了戴明改变日本的过程以及返回美国后尽无人知晓的不幸遭遇。

戴明·历史

1941年美国因珍珠港事件被迫加入第二次世界大战正式向日本宣战，此时戴明作为质量管理专家受美军邀请对美国军工业进行提高品控的培训，并随后建立了美国质量控制协会，1945年二战结束后戴明第一次遭受冷遇，由于美国具备完善的工厂制造能力，包括日本的海外市场因轰炸、人口缺失等问题制造业跟不上需求，于是美国开启了粗狂制造的道路，因为供不应求也就无暇顾及高标准的品控。遭受冷遇的质量控制体系无形中告诉了戴明一个真相，那就是好的质量管理体系需要从上到下的统一共识及制度才能真正推进、落实。1947年戴明受麦克阿瑟的邀请前往日本进行人口普查，随之认识一些日本企业家并在友人的帮助下于1950年获得对日本21位行业巨头人物进行讲座的机会，戴明在会上宣称只要按照他的原则去做，5年内日本产品就能占领国际市场，于是戴明的神话开始了，日本汽车、大小家电在未来4年内开始成为世界范围内的抢手商品，日本人还建立了“戴明奖”以勉励通过统计分析提高产品品质的企业和个人。日本的成功验证了数据分析师能改变企业命运但必须遵从“从上到下”的原则，否则数据价值的落地可能只是昙花一现，无法创造持续的价值。

功成名就的戴明返回纽约大学教书，但鲜有美国企业愿意尝试聘请戴明做企业咨询，直到30年后（1980年前后）制片人通过采访戴明并制作了《日本行，为什么我们不行》的纪录片，美国企业才深深意识到自己忽视精研数据统计的后果之大，但此时戴明已经80岁了能留给美国企业家的时间也只有短暂的13年，期间国土面积仅为美国5%日本及其制造业缔造了人类历史上的品质传奇，不断向全世界输出了日本制造就是精工制造的代名词。

---

反思·宏观

虽然故事并没有和我们国家有直接的联系，但我们80后小时候看到谁家在用日本的磁带机、录像带、电视机、CD机都会不禁眼前一亮，设计感、公认的品质口碑都是让我们使用普通品牌的人眼红和叹息的。显然今天的中国和1950年、1980年不同了，在近10多年的互联网发展中企业对数据应用越发如火纯青，大数据战略、推荐、中台、云服务接踵而至。这是国家数据基建在宏观层的成绩单，包括我有时候也会认为阿里数据做的再溜GMV再创新高并不会给国家带来太多的经济增长，电商创造就业岗位增长可能只是一种职业细分的结果，矛头直指传统较高配送成本和高昂的门店经营成本，采用更大的综合物流仓储和配送体系和贴心热情的店小二和直播，最后利用网络连接了消费者和厂家。由于整条销售链路被“合并同类项”，各个环节在无限接近边际成本反而超越了传统销售模式。换句话说是更高效的运作体系才造就了更高性价比的销售链路，可是淘宝、京东本身并不生产商品，哪里能为实体经济带来价值？哪里来抗衡外界的约束或干扰？其实阿里和京东真正的价值除了采用合并同类项挑战传统模式外还让重视数据成为一种管理学中不得不学习的新课程，试想从阿里、京东出去的人比其他企业更容易对数据产生更多的认识和感知，在新东家可以继续将这一套成功的数据应用流水线投入到企业的制造、生产以及人员管理中，另外一种间接地向传统制造业供血的方式就是将数据应用模式传授给整个国家，让国家领导人、企业领导人意识到数据的价值，不需要领导人多懂数据只要他们意识到重要性这已经是非常巨大的贡献，要知道1980年美国企业家仍然不削聘请戴明这样的专家。

反思·微观

宏观上已经有企业捷足先登宣导了数据有用论后下一步就是企业内部自己要消化数据并正确使用数据，那么问题来了我们如何提高企业产品的价值，保证产品的品质稳定，甚至提前探索出市场的空白地带抢占新的增长点？先等等这会儿咱不能从上至下去分析，得先从下开始说起。

我们先看看可能10多年前才新增的这个岗位：数据分析师他们的工作内容。2010年的数据分析师除了用excel、SPSS或其他分析工具解决企业日常经营复盘的数据外，更多的是辅助企业管理相关的分析，在哪个省份加大投入可以得到更大的回报、不同批次产品投诉原因及投诉率分析、这个月的KPI完成度如何又是什么原因提前完成等等，分析师每天都可能面对诸如此类的开发性分析课题，通过一些公式、可视化图表以及由逻辑贯通的PPT文件将数据背后的故事有理有据地向管理层传递商业信息。这个时候的绝大部分企业是不会要求数据实时计算和展示更别提BI工具的使用。企业制定的年度KPI一般都会按月拆解，所以高级别的经营复盘都是月频召开，而要求细致的团队会有周报机制期望尽早观察新策略的效益，而高层观摩、分析的数据报告往往是分析师凭借精湛的技艺手工地反复、反复又反复地编写出来的，对函数、视觉设计、话术有较高的要求，好的分析师可以潜心探索真相能输出绝高质量的报告直接影响企业策略。

我们再看看大概5年前新增的这个岗位：数据产品经理他们的工作内容。在智能手机充斥满大街的今天，产品、流量、转化率、PV/UV都已是传统企业都耳熟能详的互联网术语。数据产品经理负责的范围相较于该岗位的元祖：数据分析师而言更偏一些技术活，对互联网相关技能要求更高。数据产品经理大致有数仓、BI分析、中台和算法四大类，他们承接了企业数据落地、对内经营和提高客户体验的不同使命。其中有一个小分支是行为埋点，却是后续数据应用的一个重要前置角色。专业卓越的埋点会有一套管理规范约束以保障后续的分析和数据应用有良好的资源可用，在后续的流量分发、用户标签、产品体验提升上都有所建树。一家有战斗力的企业需要多个小的采集师、运营师、算法师团队精耕每一块业务。此时企业要求数据实时已经不再是遥不可及的夙愿，技术上能踩的坑大厂们都已经前赴后继地踩了一遍又一遍，眼前的脚印已经清晰地指明了方向，后续要做的就是花时间考虑如何利用数据。

可以看到不是任何人都能成为一个可靠的数据分析师、数据产品经理的，需要有长时间历练培养的职业技能、思考能力，回到之前的问题我们如何提高企业的数据驱动思维？应该说是将数据价值提炼的工作拆解为以下几个环节：

①业务方及运营师：明确当前产品（功能）价值，为什么要做这个功能，用户需要什么样的服务并设定产品（功能）短期和长期运营策略，以及该产品（功能）应该背负的指标

②运营师及数据分析师/数据产品经理：数据指标体系建设并初步设计报警逻辑及阈值，可围绕AARRR模型搭建平台级和产品级指标看板，有能力情况下可包含产品体验类指标（数据产品可总结需求并规划出通用监控模式、通用BI模型等）

③数据产品经理：建设配套的数据采集需求并落地于BI或报表

④全体：观察线上运营策略效果并在反复验证和分析后总结下阶段工作，重回流程①

可以说产品运营或数据分析工作中涉及的每个角色都是不可或缺的且必须具备一定的角色技能，业务方在前期的规划和历史数据总结的好坏将决定后续工作的效率和反应，而平台级数据分析师和数据产品经理更多的是要有相对渊博的业务数据知识，在引导不同级别的业务和运营人员从单纯产品功能诉求中拔出来，不再和1945年那会儿的美国企业一样忽视数据这块。前文已提到了数据分析师和数据产品经理不是人人都能做的或者说做的好的，而要成为一名卓越的数据分析师和数据产品经理要敢于承担、背负推进企业进步的使命，除了企业有自上而下的尊重和迫切应用数据的环境以及KPI文化外或许我们距离完美数据人就差一份数据应用成果清单，每一次新功能、新改造都给企业带来了多少利益，留存率、GMV、MAU、转化率都带来了多少的回报？我们不可能强求业务具备高超的数据敏感性和全局视野，这是不现实也是不合理的，只有平台级数据分析师和数据产品经理才有足够的资源完成这份成果清单，有了这份统计报表在引导业务方时就能更好地将平台的知识传授于业务方从而盘活数据驱动的自循环。

涂子沛  《数据之巅》

当然没准哪一年遍地的企业里又出现一个新的岗位，叫战略分析师。(•ᴗ•)