寫這篇文章的初衷，是因為最近和一些企業交流時，發現大家在數字化轉型的過程中都或多或少遇到了同一個困惑——如何提升員工的“數據思維”，讓每一個人都能理解數據的價值和規律，甚至都具備數據分析的能力。即便是對于金融這樣走在數字化前排的行業來說，也在受類似問題的困擾。

和其它傳統的實體行業不同的是，金融幾乎就是一個基于數字的“游戲”。但是，擁有數據是一回事，能把數據價值釋放出來又是另一回事。

不少金融企業表示，雖然行業整體在平臺建設和數據整合方面取得了可觀進展，然而對于如何提高數據的利用率，真正釋放數據要素價值，還有很多問題亟待解決——比如，內部員工如果不具備數據思維，就不能在日常開展業務的過程中把數據的價值納入考慮范圍，即便企業坐擁海量數據，也可能形同虛設。

所以，InfoQ 帶著“如何提升企業員工的數據思維”這一問題，采訪了曾在被奉為“數據驅動金融先驅”的 Capital One（美國第一資本銀行）任職多年的晉梅博士。

晉梅是中國科技大學數學系本科、美國喬治華盛頓大學統計學博士，畢業后就加入了 Capital One；回國后，她先后在量化派、頂象技術、全量全速等公司任職，現在是神州信息資深金融科技專家。對于金融和互聯網的業務經營、數據建模、運營分析和風險管理，她擁有著非常豐富的實戰經驗。

而針對我們的“迷思”，晉梅可以說是“一言驚醒夢中人”——她說——企業數字化做不好，大概率是因為，只看見了數據思維中的“數據”，但對“解決問題”鴕鳥式逃避。

01? 數據不是越多越好，模型不一定越復雜越好

一提到“數據思維”，我們常常會聽到這樣的說法，一定要積累海量的數據、一定要用上復雜的算法和模型、一定要實現對業務的顛覆式創新。事實是這樣嗎？晉梅認為，數據思維的本質，不是追求數據的積累或是算法的復雜度，而是要清楚地知道，如何用好數據、更好地解決實際問題。

“比如說，有的企業的基礎設施不夠完善，業務線上化程度和數據積累也很有限。但他們在業務邏輯上想得很透、對業務流程的拆解很到位、對提升和增長所需要重點關注的環節抓得很準。在重要環節上，他們敢于提出問題和關鍵假設，然后有的放矢地去積累數據。他們及時復盤，基于分析結果一邊優化、一邊提出新的問題和假設——在這個過程中，即便他們只使用了幾張不超過 10M 的 Excel 表格、只運用了小學生都能熟練掌握的四則運算，我們也不會認為這樣的企業沒有‘數據思維’、算不上‘數據驅動’。”晉梅強調，“能夠踏實做到這一步的企業，就算是已經吃透‘數據思維’的內核了?！?

她舉了個例子：拿所有銀行都在做的公眾號來說，即便是在沒有后臺權限的情況下，運營分析師也能根據有限的公開數據——比如推文標題、位置和時間、內容和形式等信息，判斷出某個分行或者業務部門在特定時間段內對公眾號渠道的定位是什么、重點關注哪些客群、營銷什么產品和服務、主推什么賣點和權益、覆蓋廣度和投入力度如何等等。如果進一步結合每個推文的閱讀量、轉發量、點贊量、評論關鍵詞等數據，還可以做定性和定量的主題分析，圍繞分行或業務部門經營目標有針對性地給出內容運營的優化思路和測試路徑，甚至還能在用戶運營和權益規劃方面給到非常有價值的建議。

換言之，數據是否具備業務價值，不完全取決于規?；蝮w量，而是看是否能解決需求或問題。即便數據資源有限，在特定場景下也可能創造價值。反之，數據體量大固然蘊藏著更大的潛力、更多的可能性，但如果沒想清楚要解決什么問題、為什么利用數據就能提供更有效的解決思路、如何使用數據才能達到預期效果這些問題，就會既增加數據成本、更增加決策難度。

那么，越來越流行的 AI 分析工具以及復雜的模型或算法又是不是必選項呢？晉梅的答案依然是否定的?！昂偷降资且苗P子還是挖掘機、要用水果刀還是手術刀這類問題一樣，我們要分析數據、挖掘洞察，應該選擇什么方法、使用什么工具，依然需要具體情況具體分析，合理、有效、劃算的才是好的?！?

比如，當下非?；鸬亩桃曨l或直播，對于擁有海量用戶和內容的平臺來說，需要相對復雜和專業的算法來識別用戶的偏好、內容類目，通過給用戶和內容分別打上標簽，進行及時和準確的推薦，以此增加用戶的粘性、催生更多有需求的內容。

但是，在這個生態中，能利用數據去成就和放大業務價值的，除了專業的算法團隊，還有運營團隊。在直播的過程中，運營全程緊盯人氣數據、帶貨數據，分析觀眾畫像、流量來源、觀眾互動和商品轉化，捕捉有可能影響交易量的潛在因素，通過持續測試和優化投放策略、調整直播間的“人 - 貨 - 場”來創造價值。

“在這個過程中，他們常用的分析方法在絕大多數情況下并不涉及復雜算法和數學模型，很多運營指標也只是基本的加減乘除，但這完全不妨礙優秀的運營人員利用數據去解決轉化的問題?！睍x梅表示，“我合作過不少頂級的運營，他們不會寫 SQL、沒聽過邏輯回歸、也弄不懂 GBDT，但他們把堅持數據驅動作為信仰，是真正具備數據思維并從中獲益的人?！?

所以，在她看來，是否需要 AI 分析工具、使用什么復雜度的模型，先要明確業務的目標，基于這個目標去做細化拆解、梳理環節，提出關鍵問題和假設，再結合數據的實際情況，綜合評估不同方案的可行性、投產比、優勢短板后再做選擇。

02?數據是錦上添花，而不是救命稻草

尤其是在數字化愈演愈烈的當下，市場上不乏打著“數字化轉型”的旗號販賣焦慮者，也不缺把“數字化”當作救命稻草，或者拿著錘子到處找釘子的企業。越是這樣，企業越是要從做業務的初心和商業的底層邏輯出發，對自身的核心競爭力有清晰的定位，對市場需求和趨勢發展有客觀的判斷，對數據科學的優勢和局限性有必要的認知。否則，很容易陷入先把“數據思維”當作萬金油，一頓操作猛如虎卻沒有感受到業務突飛猛進的尷尬境地。到了最后，只能“甩鍋”給數據。

以這些年業界對 Capital One 的解讀風向變化為例：晉梅表示，因為短短幾十年 Capital One 就躋身全美頭部銀行，很多人給它貼上了“大數據風控先驅”的標簽，而后冒出來很多主打“大數據風控”的公司，號稱他們的風控模型里用了成千上萬個特征，智能到恨不得每分每秒都在自我迭代，甚至可以連模型帶系數從 A 銀行直接遷移到Ｂ銀行去幫后者快速冷啟動。但隨著后期 Capital One 遇上股價波動、業務調整，業界同樣著急下結論——表示“Capital One 走下神壇”。

那么，事實果真如此嗎？晉梅解釋道，“成就 Capital One 的肯定不是所謂的‘大數據風控’，Capital One 也沒有什么秘密武器，只是一直遵循著‘提出問題、分析問題、解決問題’的結構性思維方式，讓數據恰如其分地發揮價值罷了。”

據她介紹，在日常的業務推進過程中，Capital One 的算法模型團隊會頻繁和業務反復溝通金融產品要素、目標客群、推廣渠道、營銷策略、市場環境和宏觀趨勢。雙方不僅對業務的歷史、現狀、未來規劃都有充分共識，還會對建模樣本的選擇策略、模型的框架、建模的方法、模型適用性、模型的驗證、上線后的監控、可能會出現哪些問題、出現這些問題后的應對預案等信息去做充分的討論——包括對入模的原始數據、衍生特征的業務價值和投入成本客觀評估，以及對關鍵變量的系數從符號到數值是否合理、映射到業務上代表著什么等問題逐一明確。

“脫離了具體業務和場景的模型不但很難放大數據的價值、甚至可能帶來毀滅性的災難。”晉梅強調，“在 Capital One 工作這么多年給我的啟示就是，永遠不要在沒梳理清楚‘產品 - 營銷 - 運營’閉環的業務邏輯和關鍵問題之前，盲目扎入漫無邊際的數據海洋；不預設問題、說不明白要驗證什么的建模和分析，都是低效甚至無效的?！?

所以，商業的本質，歸根結底還是供給和需求的匹配，是用對的產品或服務、在對的時間和空間、以對的方式滿足用戶的需求。對于大多數企業來說，直接創造價值的不是數據本身，而是讓數據助力實現供給和需求之間的極致匹配。

換句話說，企業自身如果沒有好的商業模式、好的產品和服務、好的客戶體驗，那么即便是再先進的技術、再優秀的算法模型、再多的數據也無法幫助它扭轉乾坤——比如風靡一時的共享單車，背后也有海量數據在驅動資源配置，但是商業模式變現慢、服務管理不完善等問題同樣導致了它最終的失敗。過度高估數據價值，指望數據創造奇跡，讓本就不符合邏輯的商業模式翻身，那多半會失望而歸。

03 要運用數據，先忘掉“數據”

“所以，我覺得‘數據思維’，歸根結底是因為有了數據加持，從而更有底氣和把握做出正確決策，繼而更高效地解決問題的思維。我們不能拘泥于字面上的、狹義的‘數據’這個詞本身?！睍x梅強調，“甚至可以試著先忘掉‘數據’，捋一捋業務模式、搞清楚要解決的核心問題到底是什么；在此基礎之上，再引入數據、考慮數據能幫到什么，進而刷新對業務模式和核心問題的理解?！?

具體來說：第一，理解業務、提出問題；第二，拆解成多個子問題；第三，逐個分析和評估；第四，總結和決策。晉梅表示，這種結構化思維指導下的、解決問題的框架在如今的數字化背景下非常適用。

“首先，企業要明確目前業務上面臨的核心問題是什么，大家充分探討和論證、要達成共識；然后，是對問題進行拆解，可以根據業務流程、關鍵要素或者部門職能等維度細分成多個子命題。圍繞每個子命題要敢于提出關鍵假設、圈定測試范圍、排好優先級；第三步用包含數據分析在內的手段，對第二步拆解出來的問題和假設進一步量化、驗證和評估。最后一步，基于前面的分析結果，總結和決策。在落地執行、業務迭代的過程中一定還會碰到新的挑戰、出現新的問題，這時候再從第一步開始、螺旋式推進?！?

以銀行的權益運營為例：

第一步，明確要解決的問題是，通過豐富的權益持續滿足客戶的需求，提升客戶體驗、加強客戶的粘性，繼而提升客戶的經營價值；

第二步，要做到在對的時間、把對的權益、以對的兌換積分金額和對的兌換方式去滿足客戶的需求?？梢园凑铡叭?- 貨 - 場”的運營模型進行細分拆解，圍繞著每一個維度，做好基礎標簽體系的建設，梳理交互環節，根據可提升空間和價值明確優先級；

第三步，對關鍵環節開展數據采集、積累、分析和建模并提煉洞察。比如，通過兌換數據，可以把同一個 AUM 層級的客戶按照兌換品類的偏好進一步細分群，也可以評估兌換流程的轉化效率、從而定位優化兌換體驗的環節，還可以根據權益單品的兌換熱度調整選品策略和組合策略；

最后，通過對這些信息的綜合分析，業務團隊和運營人員就可以更有據可依地開展分群運營、渠道優化、商品管理和供應商管理等工作。

晉梅告訴 InfoQ 記者，很多企業尤其是技術人員在推動數字化的過程中，經常把自己局限在第三步，沒有考慮具體問題和具體場景的全貌，只是接受一個籠統的需求、確認下字段的口徑就開始做分析和模型，最后往往不能提供業務用得上、切實輔助決策的輸出。

比如，建模同學 M 接到需求說要給 A 產品做信用評分卡，他兢兢業業找出來 A 產品的歷史數據、認認真真建模和回測，感覺都沒問題了就交付給策略同學 P 使用。沒過多久，策略同學 P 就抱怨 M 的評分卡不好使，時靈時不靈。

后來才發現，業務團隊為了完成增長 KPI，自行調整了 A 產品的受眾群體，把過去只聚焦在優質客群的 A 產品推向基數更大但信用資質略差的客群。為此，他們新增了 A 產品的進件合作渠道，在展示坑位、流量費用等方面也都做了調整。但是，在推進這些嘗試的過程中，他們只使用了過去優質客群的歷史表現數據，自然，M 同學原來建立的評分卡的有效性就非常有限。

所以，晉梅認為，解決問題的經典框架中的每一步如果沒有放在整體邏輯中去考慮，很難有價值可言。上面這個例子的漏洞就出在沒有對問題進行合理的拆分和定位。除此之外，還有的企業會在第一步明確問題的過程中，就開始出現目標上的偏差。

“比如，有些銀行在做 APP 的時候要拼日活數據，為了達標玩命地在 App 里添加功能，儼然一副要和字節拼內容、和騰訊拼社交、和 PDD 拼電商的架勢。且不說銀行 App 在這類比拼中到底有什么優勢，就說日活數據的提升如何與銀行經營指標掛鉤？或者流量真的來了，銀行要用什么產品和服務去承接去變現？而這些接得住流量需求的產品和服務目前是什么狀況、有沒有需要優化的地方、優化的節奏又是什么？完整的商業模式、業務鏈路和實現節奏企業自己是要先想清楚的。否則就是盲目投入，很可能錢花了不少卻總說不清產出在什么地方?！?

也就是說，這背后要求企業對自身業務的走勢有清晰認知和合理的規劃，能夠識別和解決到業務的“真問題”而不是“偽需求”。

04 每個人都該有“業務體感”和“數據思維”

那么，在一個企業當中，究竟誰應該具備這種結構性思維和解決問題的能力？在傳統認知中，我們通常認為創造業務價值并且在這個過程中負責解決具體問題的，是沖在前線的業務部門。而技術部門扮演的是執行者的角色，只要在幕后負責接收業務需求，然后針對性地做開發、找技術、做模型。

但是，時過境遷，如今數字化轉型的背后需要源源不斷的技術內燃力，技術已經成為其中的關鍵角色，這意味著過去這一套協作模式無法奏效。

所以，晉梅的答案是——無論是一線的業務人員還是中后臺的技術人員，所有人都應該具備上面所說的解決問題的思維和能力——更確切來說，每個人都要有“業務體感”和“數據思維”。

她講了某區域銀行的例子：“在診斷這家銀行營銷系統時發現，他們很多營銷活動的響應率居然都能達到 90% 以上。即便是非常牛的互聯網爆款產品，也很難達到這么高的響應。所以，當我們把這些數據拉出來看的時候，就發現了問題。這些高響應率活動的營銷方式都是短信，而這個所謂的響應率其實是送達用戶手機的比例，除了被攔截的短信，超過 90% 多都能送達。事實上，短信送達后用戶并不一定會點擊參與這些營銷活動，而這一步的點擊率是比短信觸達率更具業務價值的指標。更讓我震驚的是，這個數值高達 90％、以‘響應率’自居的指標，在這家銀行的營銷系統里已經靜靜躺了幾年了。”

在晉梅看來，這就是缺少“業務體感”，進而對數據的業務意義和價值、對數據所反映出來的業務漏洞也不敏感的一種表現。很多企業拼命花錢做項目、上技術，最后要么沒效果、要么說不清楚效果，就宣告項目失敗，其實背后可能不是技術水土不服，而是圍繞業務閉環本身該做的思考和論證太過敷衍和草率。

但是，現實情況是，這種兼具“業務體感”和“數據思維“的人才非常稀缺，他的基本能力要求是既要懂業務又要懂技術，復合能力疊加，培養難度也加倍。晉梅指出，企業要解決的當務之急，需要業務人員與技術人員的“雙向奔赴”。

“一方面，技術一定要去理解業務，明確業務目標、流程和痛點，你要清楚自己通過哪些技術、算法能產生什么樣的影響，帶來什么樣的價值；另一方面，業務對技術的理解，不要只在大數據、人工智能這些熱詞表面，比如，當你的業務對技術、對數據的依賴越來越重，起碼要知道關鍵技術的基礎原理、構建邏輯、優勢、短板和局限性等?！睍x梅指出。

05 業務技術雙向奔赴

——“說人話”比“造新詞”更重要

很多人認為，技術與業務人員之間的隔閡是天然存在的，由于工作內容的差異，雙方關心的問題并不相同，無法在同一套話語體系下溝通是非常普遍的現象。晉梅表示，這個問題不是沒有解，但也沒有捷徑。

“業務、技術、數據等核心部門首先都不要回避這個問題，其次要一起迎接這個挑戰。技術不要認為業務背景的人肯定聽不懂技術和數據，高段位技術的一個重要能力，就是讓業務人員聽懂技術的價值；同樣，業務也不要認為技術人員弄不明白商業模式，高段位業務一定要具備的重要能力，就是簡單、直接地講清楚業務本質?！?

據晉梅介紹，Capital One 把這樣的文化觀念通過制度和流程的方式做了固化和沉淀。

比如，在人才招聘過程中，無論是業務、數據還是技術崗，面試時都會安排一輪案例分析。主導這一輪的面試官都是 VP 級別的高管、擁有一票否決權。而在整整一小時、和高管 1V1 的面試中，候選人會被提供一個具體的業務問題，圍繞著這個問題會被給到業務背景、數據報表等信息，但這些信息不是一次性、一股腦給到候選人的（這也符合我們在實際工作中碰到的情況），而是由候選人和 VP 展開多輪互動，詢問、確認、提出假設、分析解讀、給出建議，然后再被提供更多信息后，進一步分析和優化建議。

也就是說，在整個面試過程中，候選人身上沒有“業務崗”、“數據崗”、“技術崗”的標簽，而是一個先快速吸收背景知識，然后提出問題、分析問題和解決問題的角色。

再比如，在部門協作過程中，Capital One 模型團隊在每一次對模型進行調整時，都會和業務充分溝通調整的原因和方式，調整前后的對比，新模型的優勢、短板和局限性；反之，業務團隊每一次做業務策略調整時也會把調整背景、調整方向、預判影響等信息同步給模型團隊。并且，在整個流程中，雙方不是對立的狀態，也不是各自扛各自的指標，而是一起扛業務最終的收益。

此外，Capital One 在培訓體系中還有一個比較有意思的做法，是在內部培訓中設立了一門叫做“COF Lessons Learned”的課程。這是一門不斷積累案例的培訓，積累的都是公司付出過代價、在踐行數據驅動業務的道路上實實在在踩過的“坑”。而培訓的老師，首選是那些曾親身參與和經歷過這些“坑”的同事、尤其是負責人。案例的內容很豐富，包括對這些項目的業務背景、入坑復盤，梳理當初的思路是什么、為什么會出現問題、是哪個點沒有考慮清楚、或者溝通上不夠順暢，最后導致了什么樣的業務結果等等。

并且，為了讓每一位員工清醒認識數據中既有真相、也有盲區，模型會揭示規律、也會制造錯覺，Capital One 還有另一門叫做“Statistical Pitfalls”的內訓課，專門講述各類統計模型和數據分析在支撐業務決策的應用過程中，可能存在的局限性和常見的誤區。

“任何技術、任何工具，只有對它的優勢、短板、適用性、局限性等有客觀的認識，才能把好鋼用在刀刃上、真正發揮它的價值。而在這個過程中，前臺不應該自詡為商業奇才、中后臺也不應該以‘技術大神’自居，探討問題要以表達清楚、闡述明白為目標，不刻意、不做作?！睍x梅強調。06 總結

2020 年 4 月，《中共中央國務院關于構建更加完善的要素市場化配置的體制機制的意見》發布。這是中央第一份關于要素市場化配置的文件，首次將“數據”與土地、勞動力、資本、技術等傳統要素并列，明確數據是一種新型生產要素。

在這樣的背景下，企業需要對數據有客觀清醒的認知：首先，數據作為關鍵生產要素，的確能夠給企業帶來競爭力提升；但是，數據又不是萬能的，它解決不了根本的業務模式問題；另一方面，數據驅動文化的構建、數據思維的培養并非一朝一夕，即便是像 Capital One 這樣曾經被“封神”的公司，它的文化價值觀也是在不斷跌進去、爬出來，再跌進去、爬出來的過程中反復總結和打磨出來的。

所以，留給企業的課題是——在數字化轉型過程中，如何尊重規律、尊重分析、講究邏輯和依據——以業務為船舵，用數據做引擎。