亿信ABI

一站式数据分析平台

ABI(ALL in one BI)是亿信华辰历经17年匠心打造的国产化BI工具,技术自主可控。它打通从数据接入、到数据建模与处理、再到数据分析与挖掘整个数据应用全链路,可满足企业经营中各类复杂的分析需求,帮助企业实现高效数字化转型。

亿信ABI

一站式数据分析平台

亿信华辰深耕商业智能十多年,
打造一体化的填报、处理、可视化平台。

当心!商业智能仪表板可能给你布这三个陷阱

时间:2019-01-08来源:哈佛商业评论浏览数:597

高管们为什么都喜爱商业智能中的仪表板?那是因为仅在一个屏幕上就可以简单直观地查看操作流程、销售指标和关键业务指标(KPIs)。在仪表板上,我们可以及时了解到工作情况,无须再等集中式的数据中心提供的周报或月报。一线管理者只需看一眼仪表板就可以了解工作状况,并且理想状态中,他们可以尽快做出调整。


然而仪表板并非像一些管理者认为的那么神奇。尽管它能传递重要事件的简况,但是它无法提供细节和背景等信息,而基于数据的有效决策需要这些信息。

数据分析主要包括以下方面:

描述现在和过去的情况

基于过去数据预测未来事件

给出一系列决策建议

然而大多数仪表板只能做到第一步,那就是描述发生了什么。从描述到预测到决策需要具备相关的知识,这些知识包括知晓数据是如何产生的、了解其商业背景和拥有从用户出发的批判性思维。这些知识对于理解数据中蕴含的意义至关重要。然而,仪表板提供不了这些。更糟糕的是,仪表板的及时性往往错使人们认为答案就在这小小的画面上。其简洁直观的特点让管理者忽视了基于数据决策中非常重要的细枝末节。

为了更好的研发和使用数据仪表板,你需要了解这三个陷阱。


重要性陷阱

每一个仪表板都建立在一个固定的重要性排序之上。这个排序多大部分是由IT工作者、设计专家,或是使用仪表板的顾问决定,他们对公司情况并不完全清楚。有时,优先顺序甚至可能是仪表板软件的默认设置。

很多时候,公司总是从统一的视角来看待数据,而这种视角与公司的实际情况并不相符。

例如,一个小型公司老板的仪表板展示了顾客购买时间的移动平均值。这一信息是否值得每天“头条关注”?可能不会。这个曲线所不仅需要更多的信息来帮助决策,并且,它其实还与这个老板的目标和商业模式并不相符。

不用说,仪表板上的任何信息都是相关和重要的。但是如果其信息展现的排序没有被认真地讨论过,而是通过默认软件设定或是软件设计人员决定,那么仪表板就无法发挥最大作用。


背景陷阱

大多数时候,我们认为分析学是客观公正、毫无偏见的。我们将“经验”、“量化”与“客观”联系在一起。这种危险的思想会导致管理者武断地追踪数据并简单地基于仪表板上出现的数据做出决策。毕竟,仪表板不会撒谎,对吧?

假设管理者的目标是最大化销售。他在仪表板上帮助设计了一个简单的销售曲线。这个曲线是一条向上倾斜的周期性曲线:




基于这些数据,管理者将会更加关注销售峰值(倒数第二个顶峰),同时也会找出达到这个销售峰值的条件有哪些。

然而,也有人根据以前增长周期的数据,认为图中的销售峰值所代表的真实销售量其实与销售预期相差值最大。如果我们加上销售预期曲线,就会得到下面这个图。


在这个例子中,最需要关注的时期是销售预期最高(灰色线最高处)和实际销售最低的时候。管理者想要销售成功的条件,应该注意观察这一时期,而非销售量最高或是销售预期最高的时候。


在这个例子中,最需要关注的时期是销售预期最高(灰色线最高处)和实际销售最低的时候。管理者想要销售成功的条件,应该注意观察这一时期,而非销售量最高或是销售预期最高的时候。

这个例子告诉我们,数据的呈现方式数不胜数。要仪表板呈现最相关和最有用的图表,需要分析人员和用户共同努力。


因果陷阱

在凭借仪表板做决策时,最危险的是错误地理解因素间因果关系。

比较分析是仪表板的重要功能,比如呈现不同区域的销售业绩,不同月份的财务表现,不同渠道的顾客调查等等。

管理者常常容易错误地把仪表板上的不同分组联系在一起,而事实上它们并无任何关联。

下面这张图是携带打火机或火柴人群得肺癌的几率和不携带打火机或火柴人群得肺癌的几率的比较。


从这个对比图中你会得出什么结论?携带打火机或火柴会导致肺癌?也许不是。你会猜测那些携带打火机或火柴的人群更有可能吸烟,而正是吸烟导致癌症。


从这个对比图中你会得出什么结论?携带打火机或火柴会导致肺癌?也许不是。你会猜测那些携带打火机或火柴的人群更有可能吸烟,而正是吸烟导致癌症。

然而,在他们具体商业背景下,管理者常常会陷入陷阱,得出打火机和火柴会导致癌症的结论。仪表板会误导他们将不存在因果关系的因素用因果关系串联起来。

假设一个大型包裹快递公司想要减少车祸数量。为了达到这个目的,他们为司机提供升级GPS系统的选择,以帮助他们避开高风险区域。监测了安装GPS司机行为一周后,一线管理者查看了她的仪表板,惊讶地发现升级后的司机的车祸发生率更高:


许多管理者看到这个图后就确定因果关系:因为那些升级了GPS系统的司机遭遇更多的车祸,所以GPS的升级产生啦适得其反的效果。


许多管理者看到这个图后就确定因果关系:因为那些升级了GPS系统的司机遭遇更多的车祸,所以GPS的升级产生啦适得其反的效果。

但事实上这次升级非常有效。如果管理者比较那些公司认为“可能发生车祸”或者“安全”的司机,就会得到以下图表:


对于两个群组的司机来说,这次升级都使他们驾驶更加安全。那为什么对所有组别来说车祸率反而上升了呢?因为,几乎所有“可能发生车祸”的司机选择升级设备,而几乎所有“安全”的司机仍留用老设备。司机已有行为掩盖了升级GPS系统的有效性。


对于两个群组的司机来说,这次升级都使他们驾驶更加安全。那为什么对所有组别来说车祸率反而上升了呢?因为,几乎所有“可能发生车祸”的司机选择升级设备,而几乎所有“安全”的司机仍留用老设备。司机已有行为掩盖了升级GPS系统的有效性。

如果没有仪表板,想要回答这次升级是否有效,需要一个学习过统计学数据工作者。而这个人肯定会问:“除了升级GPS系统,还有其他哪些因素可能导致车祸增多?”这样一来,就能轻松避免管理者的错误联想。

但是当管理者仅仅依靠数据仪表板,希望这些虚拟化工具可以帮助他做决策时,仪表板的重大缺陷就会显现。它不会呈现出背景和细节,因此管理者可能会得出大错特错的结论。

 

(部分内容来源网络,如有侵权请联系删除)
立即申请数据分析/数据治理产品免费试用 我要试用
customer

在线咨询