企业决策的数据陷阱，本文主要内容关键词为：陷阱论文,数据论文,企业论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
企业决策对数据的领带往往无意之中就如醉汉在路灯下寻找钥匙，路灯是他可以看得清楚的地方，却不是他丢失钥匙的地方。
近年来，随着国内企业科学管理观念的加强和信息化技术的普及，企业的决策者们已经意识到决策应建立在科学的信息的基础之上，而大量使用定量研究方法的各类调查数据正好满足了这种对“科学”的心理需求，统计结果常常成为企业决策的主要甚至是决定性的依据。
不少企业其中不乏知名企业对数字常常表现出一种痴迷。具体表现为市场分析会议的重点不是分析企业的基本面，而是分析预期受益、收入增长利润增长率的数字；报告会所用的PPT幻灯片如果缺乏图表数据似乎就苍白无力，不足于说明观点；年度计划中如果没有详细到诸如成本降低幅度这样的指标，就会觉得不够实际；求职者如果不能把过往的业绩用数字量化表达，其职业能力就会受到质疑。
这种对数字的痴迷正日益发展成为一种沉溺。较文字而言，数字对比显得更直观，更能看清事物的差异，从而有助于正确认识事物的本质。数字由于其高度概括、抽象和高效的反映了客观情况而受到青睐，但数字本质上来说是一种表现形式，企业的决策者们常常被披着科学外衣的各类数据引入陷阱，当数据远离它所应该反映的客观现实时，这种沉溺是十分危险的。
数据背后的五大陷阱
陷阱一：使用定量研究方法的数据是管理决策的必要条件
对“科学决策”的追求使得企业决策者在进行重大决策前总是希望自己的想法能有具体数据的支持。在管理实践中，关于“多少”的信息比较容易获取，而关于“如何”的信息则更具有决策意义。企业决策对数据的依赖往往无意之中就如醉汉在路灯下寻找钥匙，路灯是他可以看得清楚的地方，却不是他丢失钥匙的地方。
以企业的研发费用为例，每本教科书上都写着企业要创新就必须加大研发投入，研发投入比例越高则企业产品的成功可能性越大。然而全球性的管理咨询公司博思艾伦2006年的调查报告发现，在全美对研发投入最多的1000家企业中，没有明显的统计数据显示研发投入的水平与任何一个体现企业成功的数据有关联性，包括销售增长率、毛利润、营业利润、企业利润、市值或股东回报率等等。麻省理工大学的研究者、创新与建模专家施拉奇最近在金融时报上的一篇文章里表示，企业的研发与创新完全没有关系。他举了几个例子，包括利洁时公式在内，这是一家英荷清洁用品公司，也是一个具有高度创新能力的企业，它每年投入在研发上的费用仅占销售收入的1％，而同时期欧洲企业的平均水平是3％，美国企业则是4％。苹果电脑公司对研发的投入为收入的5.9％，远远落后于行业7.6％的平均水平。相反，通用汽车在过去25年里的研发投入高过世界上任何一家公司，但从通用汽车近年来濒临破产的传言来看，这种投入产生的效果是微不足道的。
这种拍板前为了调研而调研的做法可能产生两个不良后果：一是有可能使调查和数据采集成为给结论找数据的工具——结论已经有了，调研只是为了证明它，这将促使调研人员为迎合决策者的期望而有意地扭曲部分真相；二是可能延误时机。一般情况下，一次程序控制较严的调查前后至少需要一个月左右的时间，而市场和环境在不断变化，企业也许就在对调查结果的等待中失去了本来可以把握的机会。
9.11事件一发生，精明的浙江商人就预见到美国国旗的需求量可能会大增，马上联系工厂让其开足马力生产星条旗，猛赚了一把。可以想象，如果下订单前还要做个市调论证一番，这个机会早已成为昨日黄花了。
最近《科学》杂志上发表了一项研究，该项研究发现，对于一些比较复杂的决策(指包含12个变量以上的决策)，本能的决策结果远远优于种种理由推断出来的结果。理性的思维只能理解有限的数据，而人类经过数千年进化的磨炼，本能的决策过程更能应对复杂的决策环境。
陷阱二：数据反映了客观情况
对图表和数据的崇敬和迷信经常使得企业的决策者们不假思索的认为：统计数据是客观的，理性的，值得信赖的。然而，现实的情况是，数据与客观现实之间存在着巨大的差距。
在这方面最著名的例子就是可口可乐1985年那次几乎造成灾难性后果的可乐配方改进事件。在做出用一种口感更柔和、更甜的新可乐配方取代已面世99年的老配方的决策前，可口可乐公司耗资400万美元，动用大量人力，做了一系列的口味测试和问卷调查，统计结果显示大多数消费者认为新可乐更易接受，于是可口可乐作出了那个激起了数百万可口可乐爱好者愤怒的决定，使得公司不得不在两个多月后重新启用老配方并一再道歉。这一事件使得十年后戈斯维托(当时可口可乐公司的董事长)仍心有余悸，公开承认那是一个大失误，大灾难。
考虑到受访者在接受调查时不可避免地受到文化背景、受教育水平、个人性格及一些不可预知的心理因素的影响，而他们的答案到底在多大程度上反映了他们的真实情况，恐怕连心理学专家也难以给出准确的回答，对待这些统计结果时应该抱着正常的怀疑态度。
细心人会发现，刚刚出台不久的《汽车产业政策》里“国产化率必须达到40％”的原有规定悄然消失了，要知道“国产化率”这个词在汽车产业政策中曾经被屡屡提及，甚至成了企业老总考评的指标之一。笔者请教专业人士得知，所谓的“国产化率”，是按照类别计算，国产数量占总量的比率。过分强调“国产化率”的概念本身就走进了统计“误区”。就算99％都国产化了，可就是这1％——发动机是非国产的，丝毫不能体现我国汽车产业的技术含量。有人挖苦地说：“我们的汽车脚垫是国产化水平最高的。”
其实，任何一个参与过问卷调查的实际操作过程的人都会发现，最终摆在企业决策者面前的调研报告，很可能与“客观、真实、可信”相去甚远。抽样方式、样本规模、一线调查人员素质、问卷的结构、调查的引导语等问题都会导致数据结果和真实情况相去甚远。
陷阱三：数据产生的过程是合乎逻辑的
就目前我国企业管理人员的数学和统计知识来说，能精确的认识数据来源及其统计原理的决策者还是不多见的。大多数时候，很多管理人员认为数据的产生过程是合乎逻辑的，有些即使对数据产生的逻辑有所怀疑，也会担心显得无知而不愿意询问某些分析数据是怎么得到的，使用了哪些方法，这些方法隐含了怎样的假设。而这些问题往往是至关重要的。
原始数据的处理和分析模型的选择有很大的自由度。也就是说，同样的数据，可以分析出多种不同的结果。比如，回归分析的应用条件是变量之间存在着线形关系，如果实际上变量之间的关系是一个阶段函数，这种情况下得到的数据只会产生误导的结果。再比如，聚类分析时各变量权重的设定，交叉分析时变量的组合，因素分析时因子的构成，选用何种模型对统计结果进行分析，哪些数据和分析结果要写进调研报告等等问题，都没有一个明确的标准，任何模型的前提都是假设，那些没有考虑的因素都等于被忽略掉了。
统计分析人员可能由于对企业或调研所涉及的行业不够了解，而造成了数据处理和分析的偏差，也可能有意的将原始数据处理成他们希望得到的结果(也许仅仅因为他们认为这个结果更“合理”)。
陷阱四：数据不会被误读
大多数管理者认为，数据因为其客观性和高度概括性，从而不会被误读和产生歧义。现实的情况是，数据被误读的情况大量的存在于我们的管理实践。即使你的数据真实地反映了客观情况，数据处理的程序合乎逻辑和规范，并且决策的人聪明绝顶，具备统计和数学天赋，也难保数据不会被误读。
数据被误读来源于两个方面，一是我们使用的数据来源于对过去市场或企业的信号的采集，因为未知因素的不可知和变化性，它用于预测未来的发展情况时，其预测准确度是不可能达到100％的，因此，根据数据得出的预测结果只表明了发展的可能性有多大。百年一遇的洪水也许明年就会到来，三年一遇的市场机会或许要经过十年八年才能碰到。另一个因素是认知上的偏见，大量的行为心理学研究表明，人们的决策容易受到数据本身的误导。有研究表明，企业并购中60％-75％的案例是失败的，最常见的原因是收购者出价太高，推动出价过高的主要原因则是根据模型预测并购后的乐观前景导致的狂热情绪。
陷阱五：关注数据不会产生副作用
要得到各种数据，就要把各种工作要素量化，其结果是过度强调了极容易辨识的行为。让我们来看看在数字就是一切的绩效考核下的员工工作状态吧：生产工人为了完成生产定额，水龙头坏了视而不见，也不向管理部门汇报；销售人员为了完成销售指标，不惜置公司信誉于不顾，采取贿赂手段，获得政府支持；财务人员为了提高收款率，不惜破坏公司与客户多年来的默契；研发人员为了缩短研发周期，不惜剽窃他人专利，以减少研发周期。
对于企业来说，最有战略意义、最关键的指标都是软指标，要量化它们很难。麦肯锡最近一次针对1000多名上市企业董事的调查发现，大多数企业董事希望少听到一些诸如财务指标、绩效标准之类的数字，多听到一些不那么容易量化的事情，比如战略、风险、领导力培养、市场情况等。如果对这些至关重要的软指标缺乏必要的关注，转而关注那些貌似科学的诸如机理、粘度、冰点、模型、分布等的数据，那是相当危险的。现实的情况也表明，大量量化的数据很容易让人放弃原先的判断力，当决策者们拘泥于数据是否能够再精确些时，往往放弃了其他能更真实的洞察真实情况的评价方法。
一家知名的国内调查公司常常调查合作伙伴的满意度，他们衡量满意度的办法是对服务中的各方面因素打分，然后努力改善分数低的项目，没人认真考虑服务中哪些因素对合作伙伴来说是最重要的，其结果是大量的努力耗费在一些对改善伙伴关系没有重要影响的事情上。
如何对待数据
企业的管理决策者能做的最重要的转变，就是改变观念，还数据以本来面目。数据只是数据，是一种有用的信息，但不是圣经。总结上述数据的五大陷阱，管理决策者至少应该认识到，定量研究的数据不是决策的必要条件，数据未必反映了客观情况，数据产生的程序不一定合乎逻辑，数据有可能会被误读，过分关注数据会失去更主要的东西。从方法上来说，下述做法或许是值得考虑的。
方法一：回溯过往决策
每个企业都根据拥有的数据做过很多的决策，如果对这些过往的决策进行盘查，包括获得批准实施和未经批准实施的项目，检讨哪些决策是对的，哪些决策不太准确，哪些决策则完全错误，为什么会犯这些错误，这些错误与数据模型有什么关系，以及为了提高决策质量，需要哪些措施等，这样的回溯对大多数企业今后的决策是有益的。
方法二：质疑数据产生的逻辑
管理决策者不是数学家，面对数据和模型，虚心地向数据提供者询问数据产生的逻辑毫不丢人，当然企业也可以借助外力，让一个有着深厚数学基础的人，比如经济统计博士，或者社会学博士、心理学博士等，请他们做企业总统计师，或统计顾问，让他们关注这些数据产生的逻辑和可能存在的误差，从而为企业的管理决策保持清醒的头脑。
方法三：提出数据验证
不同的数据反映的事实的接近程度是不一样的。有形活动的信息最容易被验证，因而可信度最高，金融与财务的信息可信度要低一点，消费者行为的数据受环境影响问题颇多，人力资源测评的数据牵涉利益当然是问题最大。如果决策者能对上述数据提出验证的建议，我想，发现数据存在问题的可能性是非常大的。应用同样的方法采集的数据在同等条件下获得的结果稳定在一定的误差范围之内，这样的数据还是有一定的可信度的。
方法四：关注数据之外的信息
认知心理学原理表明，人们在关注具体的信息时，往往忽略了其他的信息。数据对客观现实的描述再真实和具体也不会解决问题，只有找到数据背后的东西才能使企业获得更好的发展。
有个企业在分析原材料消耗时使用统计指数体系进行测算，最后得出结论：本企业原材料消耗额比上年增长6.7％，绝对额增加8.21万元，其中由于原材料价格上涨4.1％，使其增加5.15万元，由于原材料消耗水平提高2.5％，使其增加3.06万元。总经理看后很不满意，问了几个问题：今年原材料价格还会不会继续看涨，有没有可能想点办法买到便宜点的原材料，原材料涨价因素能不能在企业内部消化一部分，企业原材料消耗水平提高是什么原因造成的，是工艺问题、设备问题、还是管理问题，在哪些方面采取措施能够降低消耗。这位总经理实际上是提出了藏在数字背后应该解决的问题。
方法五：关注原始数据
数据的深度加工可以使数据越来越精炼，但也会在加工的过程中损失很多有价值的信息。这些信息往往是不能量化的，或者微不足道但意义重大的。另外，层层上传，报喜不报忧的企业汇报机制常使数据离真实越来越远。因此，作为企业的管理决策者有必要关注最原始的数据，了解最初数据的范围和质量，就有可能发现更多更有价值的新情况。
方法六：平衡业绩与健康发展
对数据模型和客观标准的狂热或者有很多深层次的原因，除了数字的简单、可量化、操作性强、有预测性外，数据代表着企业运作的成本和利润。季度盈利考核目标这个指标虽然是客观数字，但它有损企业的长期竞争力这个难以量化的指标。2005年《麦肯锡季刊》发表的文章《建设健康的企业》中就指出指标数据存在的问题，业绩与健康之间存在着矛盾，它们需要平衡。企业的管理决策者在关注数据的同时，永远也不要忘记，战略、风险、领导力培养、市场情况、核心竞争力这些才是企业永葆青春的法宝。