数源思维：业务导向的数据思维秘籍

　　1996 年，曾有一个由明星公司主导，多国参与，美国、俄罗斯和中国的火箭都承担了卫星发射任务的项目开始试验。两年后支撑该项目计划最核心的 66颗卫星全部布置完毕，整个业务开始运营。 1998 年该项目产品被美国《大众科学》杂志评为年度电子技术类产品大奖，次年由 587 位中国科学院院士、中国工程院院士参加投票评出的世界十大科技展中该项目投入运作并名列第八。但几个月后，该项目公司就申请破产保护，一年后公司正式破产（注：再一年后整个系统卖给了新公司，项目又起死回生） 。这个项目的名称叫“铱星”，主导项目的那家明星公司叫“摩托罗拉”。

　　战略咨询

　　这件事给当时刚刚参加工作的我非常大的触动。那时我认为在工业领域，技术是决定成功的重要因素。但铱星项目的起伏却让我看到情况并非如此，就好比一辆汽车，发动机固然重要，但汽车价值的大小归根到底竟然是取决于方向盘。如果方向错了，技术就算再强也是零。甚至是技术越先进，死得越快。因此，几年后我回到学校读研究生，开始跟着导师学习和参与战略管理咨询。战略咨询最核心的任务就是通过观察外部环境，从中找到远方的目标，并发现或规划适合自己走向目标的路。那时我们的咨询工作大体分为两部分：一部分是案头工作；一部分是现场工作。案头工作主要是分析，包括收集、整理二手信息；现场工作就是调研，主要是跟客户内部人员做访谈。在那两年多的学习、工作中我发现，无论项目客户是工业企业、行业协会，还是产业园区，在案头和现场工作中都存在一个显著的瓶颈，极大地限制了分析的进行。从战略分析框架来讲，无论是 PEST（注：四个因素的英文头字母缩写，即 Political政治的、 Economic 经济的、 Social 社会的、 Technological 科技的因素） 、波特五力模型还是 SWOT（注：四个因素的英文头字母缩写，即 Strengths 优势、Weaknesses 劣势、 Opportunities 机会和 Threats 威胁）等，外部环境信息都是核心因素。而这个显著瓶颈恰恰就是外部环境信息的获取，尤其是与组织关系最密切的行业和市场信息，要么很难获得，要么获取成本高昂。行业的主体是竞争对手，市场的主体是用户需求，这两者直接关系着组织的生存和价值。而其他的外部宏观因素信息也呈碎片化，需要花费很大的时间精力去收集、整理和学习。所以环境信息的欠缺极大降低了战略分析的功效。以当时项目主要接触的 IT 业来讲，国内的数据几乎就只有一家第三方研究机构可用，国外的数据稍微好些，有两三家能参照。那个时候还没有谷歌趋势、百度指数这些工具辅助。此外，内部因素虽然貌似可以直接从客户那里得到，实则却也是很难完备。这些问题可以统一被称为战略环境感知能力的缺失，就像一个人光大脑发达，而所有感知器官，包括眼睛、鼻子、耳朵等功能都很弱，那么大脑的功能也很难发挥，久而久之甚至连大脑都会退化了。这个瓶颈对战略咨询的质量影响是非常大的。所以研究生毕业后我没有选择去战略咨询机构，而是进入国内IT 业第三方行业研究机构，把关注的重点从大脑——企业战略聚焦到了感知环境——行业和市场上。

　　行业研究

　　到了这家行业研究机构以后，我发现第三方的行业数据获得和处理也一样很难。虽然依靠服务行业内众多客户，可以较为便利地了解很多企业的发展状态，但接触的企业数量相对整个行业来讲还是少数。而且越垄断，越集中的行业越不依赖行业分析。恰恰是竞争激烈，份额分散的行业需求更盛。这样的行业，数据获取和分析难度更大。当时行业研究的工作模式跟战略咨询是类似的，只不过现场调研占比要更大一些。数据收集、整理都是依靠人工，一是定性数据多，二是分散在各分析师手里。几年下来，积累在自己单机上的数据越来越大，收集的范围越来越广，同时使用的模型也越来越多，若自己维护，则投入的时间、精力不堪重负。于是，我想建一套全公司的数据平台，可以把所有分析师采集的数据都汇总在一起，同时对于宏观数据开发线上自动采集、整理模块，再将分析师在各行业里应用的模型也系统化整合起来形成专家模块，然后在这些基础数据和模型基础上开发自动化的日常报表等应用，最终支持分析师的研究和报告文章。这套系统就相当于一个近似 BI 功能的行业研究和咨询生产管理系统。

　　不过可惜的是，这个方案被总裁否了。原因是多方面的，我相信总裁给出的直接理由一定也是其中的部分，但我猜想总裁脑子里否定这个方案最根本的原因应该是另外两个。一是，这么一种全新系统的建设需求超出了当时公司的能力；二是，这事没有重要到需进行战略投资的程度。这是我第一次直接感觉到数据能力被战略性忽视了。而且是一家最依赖数据来构建核心竞争力的公司对数据能力的战略性忽视。其后没多久，我就换到了一家互联网公司的数据中心去做数据分析，因为那里有相对强大的信息系统来支撑数据应用。

　　数据分析

　　那时这家公司的社交媒体业务刚刚开始在互联网中崭露头角，慢慢展现了其对整个社会的影响力。数据中心也逐渐开始发挥其在业务运作中的影响，主要体现在三个方面：一是在运营、市场、商业等各业务单元的日常决策和业务状态监测上；二是为前端产品提供个性化服务的数据支持；三是形成数据类产品提供给外部用户，从而增强业务整体的市场影响力。这三方面毫无例外都是战术性的，操作层面的服务，这决定了数据的影响只能是局部的、碎片化的。即使对各业务单元自身的管理来说，数据也没有整体性的影响，更不用说对公司全局的影响。虽然数据中心一直试图通过制度化的内部分享，非正式的个人沟通去将自己对业务的认知和服务向各方推销，但结构性的限制使得这种方式收效甚微。数据部门与各业务部门甚至管理层对公司业务就逐渐形成了认知上的差异。随着时间的推移，越来越呈现出一种统帅运筹规划时不知自家还有石油储备、火箭军，前线部队作战时不知后方还有信息情报部队支援的情况。究其原因，组织结构、管理模式的限制是现象，思维模式的限制是本质。

　　在传统企业里，管理层登高望远，各业务单元各司其职；企业的信息是分部门自下向上汇总，上层再将决策向下传达。这种模式及其组织结构是适应分工能力的，所以传统的战略思考由外而内，由上制定，然后单向往下传达。管理学中有一个很大的课题就是怎么能让上面的战略在下达的时候不走样。但随着数据部门这样一种“ 奇怪生物” 的出现，尤其在互联网领域，情况慢慢起了变化。数据部门与营销、研发、技术、生产、销售等部门不同，它不是一个纵向分工的职能单元。依靠信息技术和数据技术， “ 耳目” 遍布企业内外，对企业内外的一举一动，比谁知道得都多，知道得都快，知道得都系统。但是这样又为什么会造成数据部门与业务部门、管理层的认知差异呢？这还得从数据是什么说起。

　　数据源头非数据

　　语言不是数据，被以文字方式记录下来后才成为数据，所以人类有文本数据的时间以千年计；声音本不是数据，被录音器材记录下来后才成为数据，所以人类有音频数据的时间以百年计；小到量子，大到宇宙中的种种现象都不是数据，只有被人类的技术手段采集到了才会成为数据。所以数据简单说就是人造机制/机器对客观世界的观察成果。那么这就意味着人定的机制、人造的机器触达到哪里，哪里就是人的认知边界。

　　与数据相对应的是人的经验、直觉。而经验和直觉都是来自人的感官，也就是“眼耳口鼻身意”对周围环境的感知。经验是个人感官历史中积累起来的，直觉是全人类感官历史中积累起来的。这就决定了，我们的经验、直觉都要受限于人的感官。接触到的有，接触不到的就无。

　　当作为第一个数据载体——文字被发明和广泛使用后，人类的经验就从个体的直接经验扩展为群体间接经验，人的认知边界迅速扩展。识字的人与不识字的人对世界的认知差距一下就拉开了。而随着技术的发展，尤其是科技在最近百年里的爆发增长，使得人类整体和每个个体的认知边界都被极大拓展，而这种拓展的一个外在表现就是数据的爆发。数据已经不仅仅局限于文字，有了极其丰富的形式和结构。所以，如果你不能接触、应用好数据，就意味着你的认知边界被束缚在个人感官层面或文字数据所包含的信息层面。如果你只能认知眼睛看到的，那么跟那些能认知用互联网、移动互联网、物联网、传感器网络“ 看到” 的人相比，会不会像不识字的人与识字的人之间的差别那么大呢？再回来看数据部门与业务部门的认知差异就不难理解了。

　　自下而上非造反

　　当信息系统在内外两个层面不断深入，企业的能力边界实际上已经不是取决于管理者个人的能力，而是取决于数据能力的边界。如果数据能力缺失，或被组织结构、管理体制，被管理者个人的认知能力所限制，那么这个企业在市场中的竞争地位会不会像不识字的人在社会中的地位一样呢？而数据能力也绝不仅是数据部门的能力，因为数据及数据技术本身不会自动向你报告任何事，除非你向它提问。数据部门好比就是人的“眼耳口鼻身”，业务部门和管理层就像是人的大脑，两者即使能力都很强，如果彼此间不能连为一体，那么效能还是会很低。所以数据能力更主要的是组织上下整体获取数据、利用数据的能力。那如何才能打通阻碍数据能力建设和发挥的各项障碍呢？从管理的角度看，这样的努力又会产生什么样的意义呢？

　　二十年前，对于企业来说，成功的关键点不是技术而是战略；十几年前学习战略中又感到战略分析的瓶颈在于感知能力的不足；八九年前在行业调研分析中又碰到获取、整合数据的难题；四五年前在借助数据平台看到环境中的机遇后又撞上了组织整体对数据的战略认知障碍。如果能打破组织上下对数据的战略认知障碍，就能更有效地建设和释放数据能力，从而提升企业整体的感知、认知能力，并进而推动管理和战略决策进步，那该如何做到？

　　这正是我眼下的思考，思考是否能以数源思维及其方法来统一组织上下的世界观、价值观，让“眼耳口鼻身”能与大脑通畅地协同，从而各业务单元成为管理层战略决策的感知器。将只停留在管理层的战略分析和思考，变为自下而上的，由行为带动的分析和思考。于是记下我的所思所想，遂成此书。如果通过总结自己过去的一点经验和现在的粗浅思考，能够引起企业家、管理者和专家对这一问题的关注，本书的任务就算完成了。

　　也许有一天，在数据技术、生医工程和人工智能的支持下，主客观的界限也会被打破。那时人与世界就一体了，什么感知能力和思维的限制都会因此被突破。但在这一天到来前，不妨继续训练下我们的大脑，让数源思维带我们走上更高的认知平台，提前体验下与企业上下一体的感觉。

　　阅读建议

　　上篇是思维方法的讲解，逻辑是顺序的，内容是故事性的，可以当小说一样逐章顺着看。

　　第 1 章：从数源思维的生成土壤讲起，说明了这种思维的意义和价值。

　　第 2 章：从相关概念的对比中明确了数源思维的含义和四步过程。

　　第 3～6 章：每一章对应详述了数源思维每一步的要点、方法。

　　第 7 章：讲述了数据的局限，进一步强调了从数据源头思考的重要性。

　　下篇是思维指导下的操作实例。整个下篇构成解决企业战略制定这一个大问题，但每一章内容也都是数源思维指导下对具体业务问题的解决方法和过程，都相对独立。因此可以按顺序阅读，从而了解企业战略制定的逻辑和方法；也可以根据需要选择阅读，了解具体业务的解决方法。

　　看完上篇可以直接看下篇第 11 章 11.2 节“从竞品中选取书名”和第12 章12.1 节“用户成熟度”。这两节是严格按照数源思维四步格式写的，方便对照上篇的四步秘籍。

　　第 8 章和第 13 章彼此对照。前者对数源思维解决企业战略问题的框架进行了说明，后者是将第 9～12 章内所述的一线业务分析内容填入框架后进行的分析细化。

　　第 9～12 章：分别从各业务部门实际遇到的具体问题出发，在以数据方法解决问题的过程中梳理出来对企业战略决策有用的信息。这些信息都是一股股涓涓细流，最终在第 13 章里汇聚成战略大江。

　　如果您对本书中的内容有什么意见、建议或疑问，欢迎以下面任何一种方式与作者沟通交流。

　　仓剑

　　2017 年

　　仓剑，米饭科技创始人，前新浪微博数据中心资深数据分析师，新浪学堂培训师，数据驱动课题组组长。前赛迪顾问软件产业研究总监、总经理。在近20年的职业生涯中，先后从事软件售前、战略咨询顾问、行业分析师、数据分析师等工作，最后自己创业，这是一条从业务走向数据再回到业务的职业道路，仓剑将其结成一份工作总结，形成此书。

上篇 解密数源思维

第 1 章 数源视角下的三重境界 2

只见业务不见数；又见业务又见数；只见业务不见数……

数据及其处理技术是招式，当忘掉招式的时候，就是练成数源思维秘籍的时候。

1.1 没数 2

1.2 有数 4

1.3 驭数 6

1.4 数据就像金箍棒 9

1.5 数源思维的战略性 12

第 2 章 数源思维不是什么 15

数源思维是大数据思维吗？是数据化管理吗？是商业统计分析吗？是一种数学应用吗？

既是，也不是。这些都是数源思维的招式，如果没有它们，则不能解决任何实际问题。但这其中任何一招都构不成数源思维。

2.1 数源思维不等于数据思维 15

2.2 数源思维不等于考古发掘 20

2.3 数源思维不等于数学逻辑 22

2.4 数源思维不等于 KPI 思维. 24

2.5 数源思维的四步曲 27

第 3 章 问，数源思维与产品思维、用户思维 32

提问——将业务问题转化为数据问题是数源思维第一步的核心任务。实现这一任务的路径和方法可以有多种，但最终要实现的目标是一致的。

3.1 三类思维的关系 32

3.2 提问要点 39

3.3 不要搞错决策对象 43

第 4 章 拆，问题的拆分 46

拆分——第一步中定义好的问题往往因为比较宏观而无法直接着手解决，我们就需要将其拆分为更微观的细节问题，进而再去寻找细分问题的解答方法。

4.1 从整到分，从分到整 46

4.2 结构化拆分问题的方法 50

4.3 相亲看眼缘吗 55

4.4 相关问题的转换 59

4.5 攻击要害 60

4.6 问题的时空转换 61

第 5 章 解，设计解决问题 64

解答——当问题已经足够明确和细分，能着手开始解决后，我们就进入了“解”的步骤。在解答问题的整个过程中与思维密切相关的是方法、算法设计。

5.1 问题类型 64

5.2 定性问题的测量方法 67

5.3 全局问题的局部算法 73

5.4 大问题的逐步求精 76

5.5 难测问题的替代算法 82

5.6 利用实验创造数据 87

第 6 章 谋，数源思维与科学思维、人文思维 93

科学思维——探究客观之理，做令人信服之论；

人文思维——抒发主观之情，记感人情怀之述。

6.1 科学思维与数据说服 93

6.2 人文思维与数据感人 99

6.3 推理说服与想象感人 104

6.4 要有一个好故事 107

6.5 符合视觉需求 116

第 7 章 认识数据的局限和代价 130

要用好数据这项工具，除了要知道它的优势，还必须清楚在现有条件下它的劣势，从而避免应用时的偏颇。但从总的趋势来说，机器利用数据做出的判断越来越精准，比如下面第一节讲到的人脸识别例子，在最新的人机大战中，机器又实现了超越。

7.1 非结构化数据的局限 130

7.2 非直观化数据的代价 134

7.3 结果影响行为的困扰 137 

下篇 打通任督二脉

第 8 章 什么叫接地气的战略 142

要形成企业战略，观察的角度和思考的维度应该如何选择？是要观察外部环境，还是应该考察内部资源；是要静态的分析，还是应该动态的调整？对于这些问题的解答虽然并无定论，一直在发展变化，但还是存在一个相对确定的总体趋势。

8.1 内外动静两相宜 142

8.2 自下而上藏乾坤 150

8.3 互联网金融要从隔壁起，不信你问“马爸爸” 156

第 9 章 如何看透产业、行业 160

产业和行业的状态及其发展是企业进行战略思考时最重要的外部环境信息。同时，因为它们是企业运行的直接环境，企业中多个部门的业务是与这两者有直接的接触，所以对它们的观察和感知就有条件融入这些一线部门的业务中。

9.1 企业、行业、产业、市场，你分得清吗 160

9.2 一箭射穿产业迷雾 167

9.3 照亮行业的太极图 172

9.4 看透产业、行业的太极剑 178

9.5 总裁问题人人可解 179

第 10 章 市场/销售部门如何替总裁分忧 185

市场部的业务直接与用户和市场接触，在工作中会将大量市场数据带入企业，有效利用这些数据就能形成战略分析信息。销售部会将竞争对手信息带入企业，从而帮助企业了解行业竞争态势，分析自身优劣势。

10.1 吹动市场的三叶扇 185

10.2 魔道相争修出正果 193

10.3 市场争夺中的知彼之道 200

第 11 章 产品部门如何替总裁分忧 205

产品设计和开发部门的工作涉及产业、行业和用户需求，因此会不断将相关数据、信息带入企业。利用好这些数据、信息就能提高战略思考的动态能力。

11.1 产品更新中也能探知机遇与威胁. 205

11.2 书名竟然可以这么取 208

11.3 顺藤摸瓜理解用户需求 215

第 12 章 运营部门如何替总裁分忧 219

运营部门是企业中与用户互动最频繁最密切的业务单元，因此运营工作会持续产生有关用户、需求的丰富数据。对于这些数据的有效利用，就能形成判断市场机遇、威胁的信息，从而支持动态的战略思考。

12.1 阅尽亿万用户只用一眼 219

12.2 如何释放深藏在人与人之间的核能 225

12.3 马云屡败屡战背后的骇人趋势 232

第 13 章 总裁的决策 239

一线业务的信息有了以后，如何进行汇总、整合、分析，从而形成战略？

13.1 四部门替总裁分了多少忧 239

13.2 数据/规划部门粉墨登场 242

13.3 上下通达独孤求败 244

后记 246

鸣谢 248

参考文献 249

图索引 253

　　《数源思维：业务导向的数据思维秘籍》为非专业数据技术人员提供了一种有效利用数据解决问题的思维方法——数源思维。这种方法的简单描述，就是“从业务中来，回业务中去”。《数源思维：业务导向的数据思维秘籍》的上篇使用实例和典故详解了数源思维内涵和四个操作步骤。下篇同样以实例方式展示了数源思维如何在各部门的业务中发挥威力，并将企业策略制定工作从传统被动、慢速、静态的方式转变为主动、快速、动态的方式。

　　《数源思维：业务导向的数据思维秘籍》可以帮助企业市场、产品、运营等业务管理者建立或提升数据导向的业务问题解决能力，可以帮助战略规划或中高层管理者提升数据导向的战略分析能力，同时《数源思维：业务导向的数据思维秘籍》也可以作为商学院高年级学生的思维方法学习与训练用书。阅读《数源思维：业务导向的数据思维秘籍》不需要任何高等数学或统计学基础。

　　作者20年执着专研，勇敢实践的真实分享。

　　写给非专业数据技术从业人员利用数据解决问题的思维方法。

　　读者对象：管理者、咨询师、行业分析师、产品经理、运营经理、市场营销人员等。