数据价值量化的困境

数据驱动已成共识，但“数据到底值多少钱”却始终难以量化。本文从业务场景出发，剖析数据价值评估的三重困境，结合实践案例与思考框架，帮助产品人重新理解数据资产的边界与落地方式。

首先有些数据是有价值的，这个观点是毋庸置疑的。但是往往我们在给领导汇报数据产生的价值时，很难进行量化，你说数据产生了很大的价值，领导反问你：到底有大呢？你说有价值就有价值，你搁着吹牛逼呢？如果没能量化，似乎你做的事情是非常没有说服力的。

我非常理解领导的想法，因为企业运行的套路也是如此，本质是为了赚钱，企业要知道赚了多少钱，也需要数据进行支撑。关于如何体现数据价值，我们常规的做法是，例如我通过数据分析，发现可以改进优化某一个销售策略，最终把你之前的销售额从100万提升到了200万，这就是数据产生的价值。

当然，企业也要支出成本，同样运维人员之前是十个人，然后通过数据统计优化相关的问题，减少了一部分运维人员人力成本，这也是数据产生的价值。

数据除了给企业提供额外的收入，减少相应的成本。还能规避风险。如果你能够通过数据分析帮助这家银行更加准确地区分好人和坏人，那么银行就可以放心大胆地给更多的好人发卡、放贷，增加收入和利润，同时，还能保证坏账率在合理的范围之内。这样的数据分析，谁能否认它的价值呢？这样的价值是把对风险的把控转化为收入的提高。同时，因为风险管控做得好，坏账率就低，还节省了催收成本。由此，对风险的把控，还可以转化为对支出的节省。这就是数据分析的价值。

所以总结数据价值表现无非就是三方面：收入，成本，风险。

好了，虽然我们可以通过这三方面，量化了数据带来的价值。但是领导仍然不满意。我们兴高采烈的去汇报，说因为数据质量巡检的上线，数据准确性达到了70%。领导泼了冷水说，才70%，要99%才行，你们怎么干的？精益求精的精神去哪了？

你内心骂骂咧咧，99%，你怎么不上天呢？原因就是我们在评估数据价值的时候，除了想办法量化，忽略了一个关键：参考系数。

例如我们说数据准确性提升到了70%，是因为之前的准确性只有30%，因为各种各样的客观因素，到达70%就是瓶颈了。这些往往是在量化数据价值过程中忽略的点，大家内心深处认为99%的准确性就是最牛逼的，但是却会忽略一些客观事实的存在。

反而言之，有些数据，例如客户的身份信息，法人公司的纳税人识别号，则是99%的准确性也是不够的，参考系数就显得尤为重要了。

另外一个我想提到的就是，我们在开展数据治理、数据分析等相关工作的时候，往往忽略了集团战略目标和业务场景。实际上这是一个非常严重的错误，因为没有业务场景支撑的数据，再准确也没用，也只是一堆垃圾。只有你清楚的知道今年的战略目标，你的数据才能发挥最大的价值。例如，地产公司今年要扩张计划拿100块地，那么土地、城市等相关数据才是建设的重点方向，通过这些数据可以给领导一些研判的依据，就能体现其价值。

最后，我想说咱们对于数据价值千万别好大喜功，吹上天了也不行。比方说，我上了某个数据平台，我减少了几个亿的成本，或者带来了多少亿的收入，其实也是不准确的。

我们在做数据价值量化的时候，往往都会忽略归因性。

例如：昨天我买了一双跑鞋，是哪些广告对我起了作用呢？我在路上的大广告牌上看到了该品牌的广告，在电脑PC上也看到了。后来，我又去百度搜索了“XX跑鞋”，看到了更多的信息。之后我还去淘宝搜索了，仔细看了产品评价。可我还是没下定决心买这双鞋。有一天正百无聊赖，突然看到朋友圈有个人也穿着这双鞋，非常帅气。最后，我终于下定决心要去购买了，可我不想去淘宝买，因为我是京东的忠实用户。最后，我在京东下单，完成了购买。

这么复杂的决策过程、这么漫长的购买周期，其间我接受了各种广告信息的曝光，到底是哪种广告对我产生了实质性影响？影响多大？我自己都说不清楚，怎么可能有其他人能够说得清楚？如果广告之于销售的价值都不容易说清楚，那么数据之于广告的价值又如何能够厘清呢？

所以我想表达的是，说数据没产生啥价值也不对，吹上天也不客观。太过于纠结到底产生了多大价值，然后还得量化经得起考验，其实挺难的……