数据分析要驱动决策！这个道理人人都知道，可实操起来，到底咋驱动法？很多同学见都没见过，偶尔写几句分析建议，还被喷回来……咋整？今天系统分享一下。
破局的关键，在于：不要一脚踩进烂泥坑里。和决策有关的因素那么多，指望一个神威无敌大将军公式全部计算清楚，是不可能的。想脚踏实地的解决问题，最好的办法就是：从最简单的地方开始，一步步做。
设想一个最简单的场景：卖盒饭。一个盒饭成本5元，如何决策？
●如果卖10元，诶，有得赚，可以搞
●如果卖5元，诶！我干这干啥……
你看，多简单，搞掂。
问题是现实没这么简单，要升级难度的话，第一顺位考虑的是：成本并非只有可变成本，还有固定成本。
设想一个简单的场景：开个店，请俩伙计卖盒饭。
● 前期投入：开店需顶手费、装修、设备，假设一笔2万元
●固定成本：店租3000元，俩伙计工资6000元
●可变成本：每个料理包5元
其他细项先不考虑
这样得先考虑，前期投入用多久收回，假设需要10个月，则分摊到每个月需2000元，加上店租、工资，一个月成本就去到11000元，每个盒饭还卖10元，则每个月得2200个盒饭才能回本，卖到3000个才有点赚的……
不过这么看起来还是简单，再升级难度的话，就得直面“你怎么知道，每个月能卖3000个以上盒饭？”这个问题。
想知道每个月能卖多少盒饭，最简单的方法就是：我以前做到过。我有成功经验想复制一份，这是最靠谱的理由了。但是要注意一个细节，就是这个3000个盒饭，可能只是个平均数，很少有业务是均匀发生的，一般都会有淡旺季（如下图）。
不过，此时决策还是很简单，就是：
●新开店，避开淡季。
●老店，在淡季前预留资金，避免缺钱。
就差不多了。
再升级难度，问一个问题：凭什么，它一开店就有3000盒？！
开店肯定有成有败，最直接的因素就是：位置。位置不好会扑街，道理就这么简单。
好在，位置相对容易量化，通过打标签的方式，能大差不差地描述出来（如下图）。
量化完以后，虽然不是100%准确，但是至少有一定概率，能发现，XX类位置成功率高，差不多搞掂。
不过并非所有问题都这么容易量化，再升级难度，会面对更多难量化问题。
一个典型的难量化问题：店长。店长肯定会影响业绩，但是到底咋影响？量化起来相当有难度（如下表）。
难量化的背后，是因为影响逻辑本身很复杂。同一个人，可能因为状态不好而表现失常，可能换个地方就水土不服，和下级搞不好关系。因此虽然我们可以同样用概率来解释，比如A类店长成功率60%，但是这个60%，已经包含了很多未知成份（玄学内容），决策开始变得难以把握。
不过这才4级难度呢，更难搞的在后边。
谁说的一个店卖3000个盒饭，一定是一直3000，很有可能如下图所示，是个持续增长过程。比如我主营外卖渠道，我在外卖平台投入运营力量越大，卖的盒饭越多，此时就会走出下图走势。
很多同学会本能地说：
● 这样可以算投入产出比
●可以拟合增长趋势
●可以计算边际收益
以上都对，并且可以用数据公式拟合出来
但是！真遇到这种曲线，人们真正担心的是：拐点在哪里？顶点在哪里？啥时候会触顶。而且更糟心的是，可能影响拐点的因素，根本不在自己企业之内。
比如：
●行业整体不景气（P）
●大量竞争对手加入（E）
●潜力用户已耗尽（S）
●新技术带来新产品（T）
这些都会导致拐点的到来，并且通过内部数据完全拟合不了。
更更糟糕的是，这四个因素都很难量化，并且充满不确定性。如果一定要排序的话，P＞E＞S＞T。如果量化分析，内容太多，可参考这篇：数据分析八大模型：详解PEST模型
估计到这里已经把很多同学纠结得头晕脑涨，不过别着急，这还没到头呢，更纠结的在后边。
前边五个等级，都假设：我们有一次的成功经验，所以可以总结规律，探索影响因素。更纠结的问题是：如果我们没有呢？！
比如我们只做到过2500盒，可现在偏偏领导要定个3000+的目标……
此时要把之前的所有假设全部推翻！因为
1、成本变化：量上去了，伙计/门面/厨房都得扩
2、因素变化：每个3000+需要特别能干的店长，杂鱼干不来
3、环境变化：有没有这么多顾客吃料理包呀！不确定……
并且，在没有测试的情况下，即使以上三点都论证是OK的，也有翻车风险。因为纸上谈兵始终有问题，得测试过才知道。可测试本身又会影响业务：如果单独测每一项，单体之和不等于整体。如果测整体，那么就相当于我们得做成一个MVP，才能证明价值。想想都难。
不过，很快你会惊恐地发现：其他假设也有被推翻的可能。比如：说过投了固定成本，就一定有产出？！
如果是生产线投入，遇到投钱打水漂问题相对较少。但是在研发、品牌宣传、用户运营上投钱，很有可能一去不复返。
●研发的新功能用户不喜欢
●品宣很热闹可用户不掏钱
●烧钱效果好可钱停用户走
此时，不但需要和难度7一样做测试，而且得观察的是增量效果。即”我叠了BUFF以后，有没有额外带来收入”。
啥？你说还有更难的？是滴，有！
最难的是啥？当然是以上各种情况全部揉在一起。
因为有各种风险，所以划分了现金流业务，基建业务，创新业务……
因为有不确定性，所以每一类业务有轻重缓急，有成功概率
这样理论上，能做出如图决策路径，但是里边每一个参数，都是需要前边7个等级的分析支持，且不同业务之间相互牵扯，分析起来非常困难。
实际上，难度0到难度8，是决策五个层次（下图建议保存并背诵，面对复杂问题时拿出来看看，到底现在纠结的是哪层的问题）。
而数据之所以难以驱动决策，就是很多公司，直接把困难8级扔给分析人员。没有对0~7级问题做深入研究，更没有清晰每个决策的阶段和目标。导致每一次决策，都得从0到7搞一遍，ppt拖得很长，看似科学，实则是填字游戏，堆砌文字。
特别是，很多业务部门刚愎自用，单独讲每一条因素，他都说：“我早知道了，你不用算”，可各种因素组合起来，到底每个业务面临的问题是啥，量化以后风险大小如何，从来没有认真计算过。至于业务部门为了自己的绩效，估计扭曲数据，粉饰太平，更是不在话下。
所以，如果同学们觉得没见过数据驱动决策，这也很正常，并非每个公司都这么规范认真，我们要做的是0级~7级的基础积累，积累越多，我们自己掌握的本事就越大，也越有机会到真正优秀的公司实践。
