如何科学使用商业数据进行分析决策？

商业数据分析包含的内容非常广泛，可能是一份简单的销售报表，也可能是先进的自动化推荐系统，总体来讲，商业数据分析囊括三大类技术，分别是描述性分析、预测性分析和指导性分析。

01.描述性分析

描述性分析是用于描述已经发生过的事情的一系列数据分析方法，比如数据查询，报表，描述性统计，数据可视化仪表盘，部分数据特征挖掘技术等。

数据查询是指从数据库中查找特征信息，商业数据分析的基础，例如工厂要从数据库里面查询进货的材料，加工的成品数量，以及出货的货运清单。

这些数据就包含了工厂运营中产生的描述性信息，包括出货次数、出货量、日期等等。对于这些历史数据查询的结果，可以通过描述性的统计分析 —— 比如最常见的均值、标准差，以及数据可视化工具——直方图、趋势图、地图等来表达，这些基础的描述性统计和数据可视化技术的运用，有助于业务人员从大量数据中找到简单的特征和关系。

上图是一个典型的数据仪表盘，我们从上图可以看到，数据仪表盘上有一系列的表格、图形、地图、汇总统计量、分类统计量，而这些信息可以随着数据的更新而更新，实时的显示使用者关注的问题。数据仪表盘可以帮助企业的管理人员、业务人员，监察企业特定方面与管理决策责任有关的表现。

数据仪表盘是企业以及政府机构中最常用的可视化工具，在国内通常称为BI（Bussiness intelligent，商业智能）仪表盘，通常包含以下功能：

数据收集：从多个来源收集数据，包括企业内部的数据库、ERP系统和外部的数据源（如社交媒体、市场研究公司和政府数据）。

数据存储：将收集的数据存储在服务器中，方便企业的数据分析和查询。

数据可视化：可设置多层次维度来查询、汇总数据，并使用图表进行呈现可视化报告。

报告生成：可以根据企业的需求生成各种类型的报告，包括实时报告、定期报告和自定义报告。

从上述功能我们可以看到，要完成数据仪表盘的部署不是单一软件完成的，企业需要做整体的数据治理，设置埋点，收集业务流程中产生的数据，使用专用服务器进行存储和查询，最终才能实现上面看到的BI仪表盘。

目前国内的BI仪表盘实现的是商业数据分析里面描述性分析的功能，将数据进行分类汇总和可视化转换后，分析和决策仍然是交由业务人员和管理层观察判断，更多的是解决了“找到数据”的问题，距离数据驱动决策仍有一定的差距。

02.预测性分析

预测性分析是指根据历史数据构建模型，对未来的情况进行预测，或者用来分析各种因素（变量）之间的相互作用关系、因果关系等。比如企业可以利用过去的销售数据建立数学模型，对未来的销售和市场情况进行预测，从而分析产品销售的长期趋势、季节性变化等等，对企业的进货、销售管理等决策提供依据。比如生产包装食品的企业，可以利用网店历史销售数据，估计优惠卷或者打折所带来销售量的提升效果，在双十一这种大促节日前进行备货。又比如品牌企业推出新品，可以分析客户过去的购买行为以及进行市场调查，预测新品的销量和市场份额。

相对于描述性分析，预测性分析需要使用较为深奥复杂的数据分析方法，例如线性回归分析、时间序列分析、数据挖掘、模拟分析、风险回归分析等等。目前预测性分析有两大主流的分析方法，分别是统计分析和数据挖掘。

数据挖掘

数据挖掘技术经常用来做预测性数量解析分析，可以帮助分析员从大量数据中找到规律和模式。比如大型连锁超市要做一个针对性的市场营销活动，对库存薯片进行清货，通过积累下来的POS机消费数据和会员信息，超市可以使用数据挖掘技术，预测顾客是否更有可能在购买啤酒或者其他软饮料的时候捆绑购买打折薯片，从而实现清理库存并提高收益。

一般而言数据挖掘要求企业有大量的原始数据可供分析，这些数据的要成千上万，可以说不设上限，才能提高预测精度。

统计分析

统计分析的目标其实跟数据挖掘一致，都是通过对数据的统计和分析，描述数据的基本特征和规律，并对数据进行预测和建模。不同的是统计分析适用于较小量级的数据，比如只有数十到几百个样本，统计分析会有更高的准确率。而且统计分析有一个比较大的优势是模型的可解释性强，因为影响因素（变量）是由业务人员定义的，在建立模型后可以更容易的解读模型结果。 

03.指导性分析

指导性分析有别于描述性分析和预测性分析，目的是通过数据分析找到实现商业目标的最优方法。例如航空业采用的收益管理就是很典型的一个指导性分析的案例。航空公司的机票销售系统会记录过去所有航班的机票销售信息，例如机票价格、上座率、销售时间等，建立最优收入模型。所以消费者可以看到即使是同一个航班，在不同时间购买也会有不同的价格，而且不同航空公司同一条航线的价格也有很大差异（机型和服务相近的航班），反映了不同航空公司的最优模型不同。

指导性分析在各个不同行业和领域都有应用，以下有三个简单的案例：

金融领域的资产配置组合模型

资产配置组合模型利用不同类型资产的历史投资回报收据，建立在不同的风险水平上的最高收益投资组合。

运营管理领域的供应网络设计模型

供应网络设计模型会根据客户的业务场景需求，找到生产建设、原材料供应、物流运输各个方面综合成本最小化的工厂位置，以及效率最高的分销中心的位置。

零售业领域的降价模型

零售业领域的降价模型是基于历史数据，分析产品在不同折扣水平的可能销售量，从而找到在产品生命周期内将收入最大化的折扣方案，以及商品如果不能按照原计划卖出时推出折扣的时间。苹果公司在这方面可以说是降价模型和库存管理方面的顶尖企业，在折扣并不高的情况，2～3代以前的产品仍有不俗的销量，在讲究产品和技术创新的科技企业领域可谓是独一档的存在。

在指导性分析中还有一种模拟优化分析技术（方法），其综合利用概率统计理论，针对不确定现象建立分析模型，在复杂和高度不确定的情境下找出最优决策。

可以说指导性分析是数据驱动决策的高阶应用，旨在帮助决策者制定最优策略，尤其是决策者面对多种选择以及一系列风险因素的时候。指导性分析往往需要融合描述性分析，预测性分析，以及效用理论，规划求解等等，要求分析人员不仅在要懂业务，而且在数学上也有较强的能力，充分考虑企业决策中对风险、损失和资源投入等因素的权衡，对决策因素和结果建立模型，赋予每个决策后果相对应的值，才能找到最优决策。

小结

企业决策存在的困难和挑战有哪些？

首先问题就是不确定性，如果事先知道市场对产品的需求量，就很容易制定生产计划和安排生产活动。如果事先知道项目计划每个步骤需要投入的资源和时间节点，就能很好的做好项目成本管理和完工时间。如果知道股票市场的波动，那么投资就会变得简单。

另一个使得决策困难的原因是决策者往往面对不计其数的备选方案，或者说影响决策结果的因素是由多个变量的不同选择所组成的。比如要找到最优的投资组合，市面上有数千只股票、贷款以及基金可供选择；航司想要找到最优的机票定价方案，但价格和销量有无数个可能的组合（航司要管理数十上百条航线）。上述种种情况，即使是业内最资深的从业者凭借个人能力和经验，也未必能作出最优的决策。

所以企业需要综合运用商业数据分析所包含的方法和工具，从数据中获得特征、关系和更多只是，提高对历史和现在情形的理解能力（描述性分析），对未来预测的准确性（预测性分析），以及计划能力（指导性分析），帮助企业中的决策者量化风险，平衡资源，使用最优决策来实现商业目标。