數據的重要性不言而喻，已經被越來越多的公司接受、熟知和應用。那么關乎數據，到底在哪些方面可以促進業務的騰飛？或者換種說法，業務對數據有哪些層次的需求？還有，數據對管理有哪些方面的貢獻？
依據我多年在數據分析崗位上的工作經驗和對業務的理解，業務對數據的需求可歸納為四個層次。
第一層：知其然
就是知道數據是多少，發生了什么情況。就如目前大多數企業都會有自己的數據庫，嚴格一點會有對應的系統對應的業務數據庫，數據收集的工作已經完備了，無論是通過報表還是數據分析的手段，都可以掌握發生了什么，程度如何，建立數據監控體系，做到“知其然”。也有一些企業，在管理內部數據的同時，也在考慮外部數據的引進，向第三方機構買數據，觀察行業整體趨勢、政策環境的影響，其次了解競爭對手的表現。這樣的數據工作是長期的也可是周期性的管理。長期的可盡力數據展現模板，形成一定的管理規范，固化下來。短期性的比如監測某次營銷活動的情況，可聯合IT部門或者數據分析師自己動手，做到嚴格的“自省”。
1、數據是散的，看數據需要有框架。
數據展現很有講究，把數據放到業務框架，能體現業務分析，才能發揮整體價值。所謂有效的框架至少包含兩重作用：
（1）不同層級的人對數據的需求不同。比如市場銷售數據，業務層需要指導自己每日指標的完成情況和等級排名，需要提交每日每周每月的數據。領導層需要知道固定周期的業績完成率，各地區銷售額，營銷成本和組內業績排名。管理層，CEO級別的可能需要知道每個業務部門的一些關鍵指標，比如總營收，市場增長率，重要的研發進度等等。有效的框架能夠讓不同的人各取所需。
（2）好的框架能定位問題，指導決策制定。例如電商銷售額下降了30%，業務很可能出現了重大問題。我們需要分析問題原因，但如果只從客單價、交易單數、轉化率難以說明問題，好的業務分析框架能夠支持我們往下鉆，從品類、流量渠道等找到問題所在，找到對應負責人。這也是我們通常所說的，看數據要落地。
2、數據，有對比才能考量。
日銷售額100萬，你說多還是少呢？一個孤零零的數據是很難說明問題的。數據判斷要么有一個參考的指標，要么有能準確判斷趨勢的指標數據，如增長率上升率。這樣一個基準可以是歷史總結的同期數據，也可以是行業的平均水平，也可以是預先設定的而目標，一切脫離目標的數據分析都是“耍流氓”。
第二層：知其所以然
遇到問題尋找原因這是很順當的銜接。但走到這一步還不夠，解決問題才是真理。數據結合業務，找到數據表象背后的真正原因，解決之。解決問題的過程就會涉及數據整理、加工，還會涉及數據分析模型的建立和工具，這在以往的篇幅已經介紹的夠多的了。
在第二層里也有兩點分享：
1、數據是客觀的，但對數據的解讀則可能帶有很強的主觀意識。
數據本身是客觀的，但解讀數據的人都是有主觀能動性的。這樣的問題往往是因為多數人通多數據先對問題定性，而不是通過問題解決問題，這樣的事兒總有發生。
2、懂業務才能真正懂數據。
筆者認為，數據分析業務占6分，方法占4分。不懂業務無法理解數據的真正含義也是有理可尋的，這里特地拿出來強調一下。
第三層：輔助業務，發現機會
利用數據可以幫助業務發現機會。舉個電商的例子，通過用戶搜索的關鍵詞與實際成交的數據比較，發現有很多需求并沒有被很好地滿足，反映出需求旺盛，但供給不足。假如發現了這樣的細分市場，公布出來給行業小二，公布出來給賣家，是不是可以幫助大家更好地去服務消費者呢？這個例子就是現在我們在做的“潛力細分市場發現”項目。
講這個案例不是想吹牛數據有多厲害，而是想告訴大家：數據就在那里，有些人熟視無睹，但有些人卻可以從中挖出“寶貝”來。差異就在于商業感覺，對數據的直覺。搜索數據和成交數據很多人都能夠看到，但并沒有人把這兩份數據聯系在一起，這背后體現出的就是商業的感覺。
第四層：建立數據化運營體系
我理解的數據化運營，包含了兩重意思：數據作為直接生產力和間接生產力。
1、數據作為直接生產力。
數據作為直接生產力是指數據能將價值直接投入到前線，作用于消費者，時髦點講就是“數據變現”，這也是大家最為關注的。以前有沃爾瑪將啤酒和尿布兩個產品關聯擺放，引出了商品關聯度的概念。如今，又有餐飲企業利用數據統計分析，選型餐廳面積，優化前后廳布置，使得單位面積營收最大。
2、數據作為間接生產力。
所謂間接生產力，是指數據價值不直接傳遞給消費者或企業，而是需要通過一系列的分析，制定策略傳遞給消費者，即通常所說的決策支持。數據工作者通常做的是產出報表、分析報告等供各級業務決策者參考。我們可以稱之為決策支持1.0模式。然而隨著業務開拓和業務人員對數據重要性理解的增強，對數據的需求會如雨后春筍般冒出來，顯然單單依賴人數不多的分析師是滿足不了的。授人以魚不如授人以漁，讓業務人員能夠獨立地進行數據分析，而不依賴于技術人員是我認為的決策支持2.0模式。
實現決策支持2.0模式有兩個關鍵：工具和能力。
如果讓他們和數據從業者一樣，掌握SQL，學會SPSS，SAS甚至R和Python，大可不必要。現在自助型的BI工具等低門檻、用戶體驗良好的數據產品完全可以讓用戶快速上手，比如自助式BI工具FineBI，最佳的使用方式是讓IT人員準備好數據，按照權限，業務人員可以自己決定分析維度，將分析字段拖入表中，類似excel的數據透視表。這是實現決策支持2.0模式的基礎。
當然，這里講的產品，不僅僅是操作功能集，還需要承載分析思路和實際案例。數據分析的門檻還是有的，深入的分析還是得往數據分析師方向走，這就會對大家提出一些其他的基本能力，比如統計學知識，數學能力等等。但是內心若有強大的意愿，有持之以恒的毅力，那都不叫事兒。