數據驅動決策
Data-Driven Decision Making
什麼是數據驅動決策?
- 不靠直覺,而是靠數據做決定
- HiPPO(最高薪者意見)的克服
- DX 的核心思維
數據驅動決策一旦扎根,會議上的發言方式也會跟著改變。原本「依我的經驗,這個橫幅應該會比較好」的主張,會變成「過去四週點擊率分別為 1.2% 與 2.7%,連結到付款來看,差距縮小為 0.4 個百分點」。更大的改變是決策會留下紀錄。只要記下依據哪些數字、為何選了那個方案,哪怕只有一行,三個月後若結果不理想,就不必追究是誰的責任,而能回顧是哪個假設錯了。組織從失敗中學習的速度,大多就取決於這一點。
實務上首先要區分決策的性質。可以回頭修正的決定(郵件標題、配送說明文字、折扣金額),用測試來確認比開會更快;難以回頭的決定(撤出事業、投資數十億的設備),則用資料把選項縮小到三到四個,但最後一步交給經營層判斷。A/B 測試也有條件。若每週訪客只有數千人,1~2 個百分點的差距在統計上無法區分,因此要麼等樣本累積 3~4 週,要麼改以顧客訪談代替。指標也應把營收、流失率這類落後指標,與「前兩週使用次數」這類領先指標成對觀察。事先區分哪些領域由資料決定(data-driven),哪些只作參考(data-informed),就能減少許多不必要的爭論。
現場最常出現偏差的地方有四種。第一,儀表板有 30 個,但每月登入的人只有五位,這只是做出了報告,並沒有改變決策。第二,把相關當成因果來解讀。若因為「用過優惠券的客戶回購率較高」,就把優惠券全面發放,等於只是替原本就會購買的人多加一層折扣,利潤反而被壓縮。第三,指標一旦變成目標,就會走樣。若把諮詢件數設為 KPI,就會出現把 3 分鐘的通話拆成兩通的情形。第四,「再多撈點數據來」成了逃避決策的擋箭牌。數據驅動並不是拖延決策的方式,而是小步試錯、快速修正的方式。
隨著大數據與分析技術的發展而興起的經營方式,被視為 DX 的核心文化。
我們以虛構案例來說明。A 公司以線上方式販售健康機能性食品,全體員工 90 人,年營收 KRW 42,000,000,000 (≈ US$31,435,700) 規模。回購率在兩年間從 38% 降到 26%,每週會議上卻只重複著'景氣不好'、'競爭對手把折扣下得很猛'這類說法。執行長指示 要在 3 個月內用數字找出原因。
- CRM 組長將購買紀錄依月份分群後發現,首次購買後 45 天內再次下單的客戶,一年留存率為 61%,超過該期限的客戶僅為 14%。「原來問題不是景氣,而是 45 天啊。」
- 行銷負責人將首次購買的 12,000 名客戶隨機平分為兩組,於第 30 天發送服用提醒簡訊,進行為期四週的 A/B 測試。一開始只使用不含優惠券、單純的提醒文案。
- 結果是 發送組回購率 19.4%、對照組 15.1%,相差 4.3%p。另外加上 KRW 3,000 (≈ US$2) 折價券的群組,回購率雖高出 0.6%p,但客單價低了 KRW 8,200 (≈ US$6),因此折價券方案就此作罷。
- 客服組長主張"增加簡訊就會爆發拒收"而表示反對,但四週下來,拒收率只從 0.7% 上升到 0.9%,僅增加 0.2%p。確認數字後,客服組長反而率先贊成全公司導入。
- 半年後回購率由 26% 升至 33%,每月營收增加約 KRW 180,000,000 (≈ US$134,700)。更大的改變是,會議上的第一個問題變成「這是哪一個客群(cohort)的數字?」執行長如此表示。
Ja-ryong Gu
金鍾赫