未来的数据，能够像经验与知识一样为我们提供分析与预测吗？

在现在这个数字化时代，数据就是每家公司最宝贵的财富，是新时代的石油，如何能够更好地利用数据来给公司创造价值是摆在公司每个人面前的一道课题。不过还是有不少人对于数据的用途抱有疑问，觉得相比一堆杂乱无章的数据，他们还是更加愿意相信自己的经验和知识。从笔者这些年从事数字化转型的经验来看，如果运用得当，在事件分析以及预测方面，数据能比经验和知识做得更好。

举一个例子，维克托·尔耶·舍恩伯格在《大数据时代:生活、工作与思维的大变革》一书的第5章，价值：“取之不尽，用之不竭”的数据创新中给出以下例子。

设想一下，即使是一名非常有经验并且熟悉当地路况的司机，在碰到突发的道路堵塞（例如某个路段在临时施工或者发生了交通事故）时，这名司机只能凭借经验来选择其他道路，但是此时他的经验无法提示他，其他的可被选择的道路是否也存在类似的拥堵状况，最后很有可能会导致选择的路径不是最短的。

但是对于谷歌街景（Google Street）来说，其收集的汽车的GPS数据不但可以用于优化谷歌地图，还可以通过近乎实时的数据来准确地告知这名司机那条才是最短路径，并且可以不断地通过实时数据的更新（包括司机的GPS定位）来调整和更新这条最短路径，这就是数据的力量，只有大数据可以做到这种程度的预测和分析。

接下来，从笔者在过去几年担任中国区CIO的一家耐用品行业高端品牌公司的三个案例来进行说明为什么数据可以比知识和经验做得更好。

案例1：基于大数据的分析来同时支持工程项目销售额的预测，可以比单纯依靠经验和知识做到更加精准

在过去的很多年里，工程项目（主要是高端酒店和精装修房）占这家公司销售额的半壁江山，公司对全国四个大区的工程项目的销售额预测都是非常粗放的，基本上就是参照固定比例：30%左右的销售额比例分摊给东区（江浙沪经济水平最高，工程项目理论最多），30%左右分给西区（西部大开发），北区和南区各20%。但是每年各个大区的实际销售额都会和这个固定的比例相差较大。由于总部对于各个区域实际情况不是很了解，所以也一直没有办法深入了解背后具体的原因。

这个问题一直持续到2020年，销售VP期望数字化部门可以配合工程销售能成立项目组，尝试利用大数据来提升工程项目销售额的预测准确度。

经过一段时间的研究和探索，项目组决定基于以下多个渠道获取的数据来进行销售额的预测。

1. 对接CRM和全国最大的工程信息网天辰网的数据，自动获取全国主要工程项目（酒店和精装修房）的线索和最新情报并且整合到CRM中，然后通过自动化技术手段来配合销售对CRM系统中的核心线索进行匹配和筛选，这样确保整个工程销售团队，包括销售VP对某个区域的主要工程项目有一个整体的了解。

2. 通过爬虫获取当地的房地产指数、收入水平、GDP指数，以上的数据可以从国家的数据库中获取。

3. 把以上两块数据通过技术手段和数据分析平台进行整合，再结合工程销售团队提供的公式，可以给出有充分数据支撑的预测。预测出的数据是，2021年西区工程销售额占比超过40%，东区占比25%左右。截止2021年4月，这个数据和实际数据仍然非常接近。

案例2：基于产品唯一码来准确识别经销商串货问题

产品串货是中国几乎所有的零售行业公司都无法回避的问题。对于这家耐用品公司来说，过去很多年一直只能凭销售和抽查人员的经验去最有可能串货的区域门店随机抽查，但是其效果甚微，想要在全国超过2000家门店中寻找串货的商品无疑是大海捞针。由于缺乏数据支持，也很难及时对串货的公司进行惩罚。

由于疫情的缘故，整个2020年的串货尤为猖獗。借此，中国区总裁决定在2020年初成立项目组来利用数字化手段来解决这个问题。

首先以最新的一款旗舰产品作为试点，这款产品的每一批次在该厂商的OEM工厂出厂的时候会被贴上唯一码，之后再通过以下的一系列数字化手段跟踪这款产品的供应链信息。

1. 上述唯一码会记录该批次会发往那个经销商，并且这个数据会在第二天凌晨由这家OEM工厂自动传回厂家的云端数据库。

2. 每批次的该产品在经销商入库的时候，需要经销商扫描该唯一码来记录收货的经销商的信息；同时这个匹配记录也会在第二天凌晨自动传回厂家的云端数据库。 

3. 系统会每天自动匹配每个批次从OEM工厂出库的数据以及经销商入库的数据，一旦发现不匹配的情况，会自动发出警告，并且每周末生成为匹配报告，发给厂商的主要人员。 

4. 系统也会针对每个批次为不同经销商设置最长的收货入库时间（从工厂出库算起）。对于所有超出收货最长时间的批次（有可能是经销商入库的时候忘记扫码，也或是故意遗漏），系统也会自动发送报告给厂商的人员，确保厂商的人员可以及时跟进这些批次的供应链信息。

通过以上的数字化平台的搭建以及提供的数据，可以自动匹配该最新款旗舰产品超过90%的工厂出库和经销商入库信息，最大程度地避免了该产品在一级经销商层面的串货现象。

当然这个平台还远远谈不上完美。由于该耐用品公司的几乎所有的一级经销商是负责一个单独的省，再由一级经销商卖货给该省的二级经销商（或者叫做分销商）。

所以一级经销商仍然可以在从OEM工厂收货之后，把对应批次的产品卖给其他省的分销商，以此来赚取差价（因为一些最大的一级经销商会享受比其他经销商更高的采购折扣）。但是这个问题也可以通过分销商入库的时候对该产品的唯一码进行扫码来进行数据匹配来解决。

无论如何，该数字化平台所带来的数据分析以及预警的效率和准确率都远远非厂商人员的经验可以媲美的。

案例 3：如何利用人力资源数字化管理平台能更好地辅助HR来对员工的绩效做出很好地分析和判断

这家耐用品公司中国区的HR在2020年之前只是通过简单的纸质文件+Excel这样极其粗放的方式来配合中国区主管经理来管理下属员工的绩效。大部分员工的绩效评估包括晋升是依赖于主管经理和HR的经验、直觉和知识，结果往往事倍功半。主要原因在于一堆纸质的文件以及Excel文档很难有效协助HR和主管经理来对员工绩效做出综合的评判。

从2020第二季度开始，中国区数字化部门配合HR、主管经理以及总部花了差不多9个月时间实施了全球头部的人力资源数字化管理平台，而该平台能够更好地提供以下更为直观有效的功能：

1. 全面可视化关键客户（Key Account）项目完成比例；

2. 对员工入职至今的所有绩效进行完整的数据分析；

3. 采用由数据驱动的综合人才管理战略，管理整个员工生命周期；

4. 绩效评估时会通过爬虫等手段来横向对于所在区域同一行业的销售绩效；

5. 更加清晰的目标管理和持续绩效管理。

随着数字化平台的上线，之前纯粹依赖个人经验和直觉的决策开始逐步转型到以数据为基础的决策。

其中有一个典型的例是关于2020年底的评选不同大区的销售经理中的晋升人员。其中，东区和北区区域的各一名销售经理在2020年底分别完成了在原有KPI的130%和120%的销售额。若根据经验判断，如果要在其中选择一位作为晋升的对象，东区销售经理必定是首选（考虑到两个区域的相似的体量）。

但是在有了数字化平台的支持以及对于各个区域数据汇总之后，可以全方位了解这两位销售经理过去一年在内外部的表现，如参与各种培训，对于经销商的支持，经销商反馈等，以及结合东区和北区同一行业销售表现的平均水平，和这两个区域的房地产、零售指数等，得出来北区销售经理达成120%的难度远远高于东区经理。

同时，由于他在2020年对北区经销商的大力支持，经销商对他的评价也非常高。最后管理层决定给这位北区经理晋升到北区高级经理，同时决定，到2021年中，再结合具体数据考察东区经理，以此决定届时是否会给与他升职的机会。

最后，我想要强调的是单单依靠精通数据或者数字化人才来搭建或者改进数字化平台是远远不够的，还需要所有的现有的业务部门的人员来培养数字化理念、学习如何利用数字化平台来更好地结合数据、经验以及知识来提供更为精准的数据分析以及预测。