基于数据分析的经济预测模型,基于数据决策

在供应链管理中，大家都提倡用数据说话，并且认为数据就等于事实，任何人只要提出了数据，人们就应该支持他的观点。为了客观和公平，人们也往往用数据进行绩效评估。其实，要让数据驱动的绩效评估系统真正发挥作用，至少要注意以下三个方面的内容：

01 绩效的数据指标和战略的关联

数据驱动的绩效评估只是加强经营管理的一个工具，旨在切实了解现状，发现差距并进行有效的改善，以达到或者超过既定的目标。

这里有一个前提就是我们努力测量的绩效要和组织的发展战略相一致，否则，我们绩效测量的数据收集地越准确越频繁，可能离目标越远。

基于数据分析的经济预测模型,基于数据决策

我们对绩效评估的数据分析，不要因为相关技术的发展，数据的获取和分析成本越来越低，我们不要尝试分析所有的数据，而且任何数据分析完都要有反馈，都要有行动，不能为了数据分析而分析，甚至好公司的绩效数据分析，只有展示而没有分析，也没有建议的下一步行动计划，更没有相关资源的统筹协调。

企业的绩效数据分析要和组织的战略目标相关联。

思考什么是组织战略目标的成功？

成功的标准是什么？

应该用哪些指标去量化？

02 绩效的数据指标和结果的管理

在我们的绩效管理指标和组织的战略目标进行有效的关联之后，我们就要将指标进行分解，然后对每个指标进行有效地监控。

基于数据分析的经济预测模型,基于数据决策

比方说公司的大的目标是要实现利润3000万的目标，我们除了要监控每个月是否完成了250万的利润指标外，我们要进行更为细致的分析，比方说新老客户的采购比例，老客户的采购金额的变化，新老产品的销量、单价已以及利润率等。

比方说我们要评估准时交付率的指标，除了有总体，更要有细分，比方说我们可以按总体指标进行分解，除了评估所有客户所有产品的交付情况，更要了解不同客户，不同产品的按时交付情况的差异。

把结果指标按照一定标准贴上标签并按一定的维度进行分类，则可以让我们更细致、更准确地了解绩效现状。

03 绩效指标和过程指标的管理

就像不能仅仅靠称量体重来实现减肥的目标一样，在管理实践中，我们也不能仅靠监控结果指标来实现业绩的改善。结果指标只能给我们一个改善的大致方向，具体解析来要通过什么路径以及每一步怎么行走实现，我们还需要设置合理的过程指标。

所谓过程指标，主要是从结果指标通过结合专业知识，通过在不同场景下的因果分析，规划处的只要做了什么，什么结果就会发生，什么目标就会实现。

我们对规划的过程指标/任务有没有按既定时间、数量以及质量发生，监控和分析执行情况，如果有大的波动，则需要深入分析，看产生该问题的具体原因是什么？怎么进行补救以及在后续工作中预防。

所以，在基于数据的绩效评估中，要先理解和构建一定的背景，而不是利用大数据进行盲目的分析，如果分析不能指导后续的行动，那么分析本身就是巨大的浪费，包括数据的获取所涉及到的硬件、软件和人工，分析和沟通过程中的探讨、澄清以及汇报等，甚至分析报告的报关等。

在绩效数据评估的过程中，还要注意数据的真实性，主要是研究数据的收集流程，看看是系统自动收集还是人工收集，如果是人工收集的话，会不会受情绪、立场以及关系的影响，及有没有可能员工知道数据的不准确性，但是他不想或者不能进行更正。

在分析的过程中，慎用求和，比率等汇总型数据，因为这些数据会损失大量的信息，也不能代表整体状况，容易误导决策者。比方说好多企业对供应商的质量水平喜欢用百分比或者PPM来衡量，其实这些数字只能模糊地展示一个大概轮廓，而中间大量的个体信息被忽略。比方说甲乙两家供应商的合格都是90%，供应商甲交付了10件，有1件不良。供应商B交付了1000件，有100件不良，我们对两个供应商的信息水平以及他们合格率的置信区间会差别很大。比方说对于尺寸10±0.1mm, 甲乙供应商都在供应，都有该尺寸不良，比方说供应商甲的实际尺寸是10.11mm, 而供应商乙的实际尺寸12.00mm,尽管他们的不良率相同，但是他们的过程能力却差别很大。

接下来，我们建议用以下步骤进行分析：

基于数据分析的经济预测模型,基于数据决策

a) 看分布

分布可以让我们从汇总数据，从看不出任何规律数据表中的数据，向图示化转化，我们除了能得到他们的所有个体数据之外，还能看到他们之间的相互关系，比方说他们的分布类型，有没有很大程度上偏离它“应该是”的分布。

比方说，供应商对于某尺寸的测量，假设理论上应该是正态分布，而实际上却不是正态分布？作为供应链管理者都要认真研究，努力去发现问题线索。比方说，如果发现是平顶型的数据分布，则有可能供应商的测量系统的精度不够，不能分辨出零件与零件之间的差异，则需要做详细的MSA分析。还有如果发现数据分布是孤岛型的，则有可能是不同的机台，不同的班次，不同的设置，甚至不同的原材料引起的差异，都应该引起供应链管理者的重视。再比如如果分布发现偏斜，则需要详细分析产生极端值的原因，是理论上就应该这样，还是由于操作不当，控制不严引起的或者是其他原因，而不是只是评价一个平均值或者百分比。

b) 看稳定或者趋势

所谓的稳定，主要是看我们的绩效指标随时间变化的趋势。只有随时间稳定了，我们的绩效指标才可管理，可以预测，否则就是把绩效管理交给机会，交给概率，好与不好全靠运气。

这就要求我们在收集数据的过程中，不要孤立的数据，至少要带上时间的标签，否则只有一个数据，能给我们进行数据分析和决策的信息有限。

当然，对于制造类流程，我们希望绩效指标稳定，不要有大的变化。但是对于有些管理类流程，比方说，利润率，我们则希望他们有一直变好的趋势，对于这类的数据，我们将之放在时间轴后，先看发展趋势，再看波动大小，如果是向好发展，思考我们是采取了哪些动作使得指标向好发展，还是向好发展只是“机会”下的正常波动，以及变化的幅度能否被我们的动作充分地解释。

c) 看能力水平

我们除了要看合格率之外，我们更要看波动的大小，即标准差，所谓标准差就是与“标准”的差，数学上的定义为与平均值的平均距离。在管理中，因为我们的绩效不可能是一成不了的，都会有些波动，我们除了要关注平均绩效，比方说是在高位运行，是在低位运行，还是极其不稳定。

在六西格玛管理中，就是用统计的方法构建流程的整体波动范围，比方说±3σ来表示整体的波动范围，能包括99.73%的数据，然后我们用这个整体波动范围和管理要求或者客户规格进行比较就可以得到我们的能力水平。

d) 看关系或者规律

主要是利用大数据分析和探索我们的行为以及外界条件的变化是否影响以及如何影响我们的绩效指标。

这里主要是指我们的结果指标和过程要成对进行收集或者一个结果指标有多个过程指标，这样我们才有可能分析他们之间的关系与影响。

一旦通过大数据找到了相互的影响或者规律之后，我们就能知道偏差产生的原因以及方便地采取改善措施，促成绩效完成。这样才能形成PDCA闭环，打造企业利用大数据持续改善的生态系统。

最后，企业要切实建立基于数据的绩效评估系统，还需要做好以下几个方面的工作：

1) 公司领导倡导数据说话，科学管理，并率先示范，落实到日常管理中，让员工意识到管理层会用数据要求和考核员工，他们就会朝着这个方向努力。很多时候，员工更在意他们被要求和考核。

2) 员工相关能力的培养，建立基本的数据管理意识和数据分析技能，做到会收集，会分析，会解读，能识别数据背后的含义。

3) 公司提供必要的资源支持，比方说大数据相关的基础培训，软硬件的购买，以及数据库中相关字段的定向开放，让有需要的员工可以方便地获取数据，而不是系统中储存了大量的数据，而个别员工因为没有相应的权限而导致巧妇难为无米之炊，没有很好地发挥数据价值，为公司经营服务。