在工作過程中經常會遇到做決策的工作，客觀的數據分析結論和成熟的方法論能提供參考依據。

工作中很多地方都需要用到決策，比如產品功能確定，試行推廣試驗，產品定價，市場活動策劃，那麽這些工作一般是如何去決策的呢？

比較常見的切入點是數據和方法論，講兩個案例就明白了。

案例一:再討論某個產品時，領導提問A功能是否要保留，還是剔除。產品經理依據產品功能的使用率以及功能模塊的點擊率提出分析：通過走訪客戶調查到A功能的上線率超80%居前列，說明前期客戶選型需求很強烈；但是實際應用是該模塊點擊率卻最低。我們需要在對為什麽這個模塊使用率低進一步調研，使用上是否要進一步優化簡化，完善該功能的學以文檔，引導應用。

這個就是典型的利用數據說話，根據數據走向，直接得出結論。

案例二：

有一天，領導召集所有市場人開會，問產品如何推廣（比如面向企業用戶的FineBI這個BI軟件）。其中一個運營說了自己的看法：既然產品已經成型就要推向市場，就要召集用戶增加用戶數（類似UV）。增加用戶數可以聯絡渠道找合作，還可以走線上宣傳獲取試用客戶信息。之後要考慮用戶活躍度還有留存率的問題，按照這樣的思路去做。

這個就是典型的方法論，通過方法論，把問題逐一拆分來解決。

以上兩個案例都分析得有理有據，思路也很清晰，在日常工作中，大部分也都是這麽做的。

通過上述某一個方法中的一個，只要說的清楚，基本上團隊都會認可。但是我認為，這樣的分析往往過於“書呆子氣”，認為只要拿出數據，提出方法論，就能得到結論，但其實這裏面並沒有任何實際的人為分析或場景分析，或者說這樣的推理論證並不嚴謹，考慮的因素並不全面。

比如案例一，有市場經理就提出了，其實A功能之所以上線率很高但是使用率很低的原因，大部分是因為銷售在向客戶講解產品功能的時候，把A功能作為亮點和賣點來吹捧，A功能確實很吸引人，也很“花裏胡哨”，但實際場景是，技術人員需要花很多的時間去利用這個功能開發，但實際的利用率很低，後續維護成本也很高。

所以，這裏認為數據/方法論=結論，其實有誤區的，數據並不是全部，不能全依仗數據來說事兒，忽略人依靠業務經驗對問題的洞察。應該是通過數據或方法論後，在結合人的實際分析（或場景分析），最後再得出合理化的結論。即：數據/方法論+人為分析=結論。

在我們平常工作中，強調數據事實，作為分析依據固然很重要，但這只是一部分，而不是全部。在實際的業務分析時，依靠業務經驗的分析洞察往往更重要，不能到領導問你什麽什麽問題，你說等一下我去找一下數據。有時候太過追求這些並不是什麽好事。

恰逢最近在看《從0-1》，越發覺得好的產品，好的策略不是依靠既有的事實或者通用的規律挖掘出來的，數據的大部分應用也是在對歷史數據做分析，總結過去，統計規律。好的創意好的營銷玩法，往往有時候是對人性的探索，對某些哲學理念的看透。

當然，這裏不是在說數據或方法論不重要，他只是作為決策的一部分。這也是為什麽會有數據挖掘學科，去挖掘深層規律，預測未來趨勢。也為什麽會有很多廠商、數據分析領域的人去“呼籲”業務人員去自己數據分析，嘗試使用一些輕型的BI工具如FineBI去把玩手中的業務數據，切換維度做自主的分析，基於業務理解。

以上的想法都是基於個體，站在行業、企業角度可能並不是這樣的態度。比如為什麽有很多企業去花費大量金錢、人力、時間去搭建數據分析平臺體系。這個體系裏面包含了方方面面的業務數據，也為千千萬萬個大小決策提供依據。整體來講，就是為了提高總體決策的準確性，防範風險。

數據/方法論固然重要，但人為分析更有價值！