经验决策与数据决策

经验决策与数据决策（共10篇）

经验决策与数据决策 篇1

企业投资决策典型经验分析及投资决策与评价

【摘 要】本文主要从投资决策与管理流程、投资决策方法、投资管理核心制度、投资管理及决策机制、投资管理体制等方面分析杜邦公司、壳牌集团、中石油、中移动的投资决策及管理实践，并通过分析研究总结归纳企业进行投资决策的成功经验，得出一般性的启示。

【关键词】投资决策；大型企业；启示

一、杜邦公司的投资决策与管理实践

杜邦公司创立的杜邦财务分析体系是一种被广泛应用的财务比率分析体系。这种财务分析方法从评价企业绩效最具综合性和代表性的指标“权益净利率”出发，层层分解至企业最基本生产要素的使用，成本与费用的构成和企业风险，从而满足企业通过财务分析进行绩效评价的需要，在经营目标发生异动时经营者能及时查明原因并加以修正，同时为投资者、债权人及政府评价企业提供依据。

（一）杜邦公司投资决策方法

杜邦财务分析体系的基本原理是建立财务指标系统作为投资决策的依据，将财务分析与评价作为一个系统工程，全面评价企业的偿债能力、营运能力、盈利能力及其相互之间的关系，并将其作为投资决策绩效评价的依据。

（二）杜邦公司投资管理核心制度

杜邦公司运用杜邦模型作为研究企业财务管理问题、分析企业经营业绩与财务状况的框架思路，以财务比率中最能体现股东财富最大化目标的净资产收益率为核心指标，按杜邦模型从盈利能力、运营能力、资本结构三个方面建立企业财务管理研究分析体系进行分析。

杜邦模型以目标管理为导向，紧紧围绕净资产收益率指标展开分析，具有极强的目的性与说明问题的能力。因而杜邦模型体系对公司的综合财务分析具有非常重要的意义，是企业相关利益者研究评价企业综合业绩的很好的一种分析体系。

二、壳牌集团的投资决策

壳牌集团组建于1907年，是当今世界三大石油巨头之一。从经营环境、自身经营状况等方面分析壳牌集团投资规划、财务基准指标及投资机会选择对企业投资决策具有很好的借鉴意义。

（一）壳牌集团投资战略

石油资源的稀缺性使壳牌集团较早开始在世界范围内勘探开发开拓业务以争取获得更多的资源和权益。同时，壳牌集团注重公司的可持续发展和核心业务增长，将营造长期竞争优势、实现可持续的有机增长作为战略重点。公司投资战略表现为：一是高度重视勘探开发业务，投资向上游大幅度倾斜；二是处置边际资产，优化老区投资；三是开始大规模投入天然气产业（发电业务和LNG国际贸易、跨国投资等）；四是增大可再生资源的投资。

（二）壳牌公司投资管理与决策机制

1、有序的投资组合管理。通过剥离进行的有序投资组合管理是壳牌集团在发展过程中进行并购不可缺少的补充内容。

2、有效的资金管理模式。壳牌集团公司实行集中的资金管理模式。这种集中式的资金管理模式要求其所属分支机构的对外外汇收支均通过总公司的资金管理系统进行。这样既可减少银行业务系统之间资金信贷中因未达账浮动/逾期造成价值损失，减少银行交易手续费，又可减轻银行系统中资金的“丢失或错账”等风险。

3、务实的投资理念。壳牌集团始终坚持务实的投资理念。壳牌不是以?量取胜而是以结构最优取胜，这是壳牌一直坚守的投资理念。

4、油气的勘探开发业务是集团投资的重点。壳牌集团根据油气的不可再生性以及勘探开发高风险、高难度等特征，在保持一定生产规模的同时扩大上游投资，增加新的油气储量和产量。

（三）壳牌集团投资管理与决策的核心特点

壳牌集团利用投资组合理论和优化技术，筛选出能满足公司发展目标的最优项目组合和投资结构。上游投资中，在充分发挥现有业务的基础上积极开拓或加强新业务；下游业务中，主要通过资本运营手段优化下游资产结构，提高资本效率，降低运营成本，提高投资回报率。

三、中国石油天然气集团的投资决策

（一）中石油集团的投资决策结构重心

中国国民经济发展对能源在客观上要求石油企业“走出去”。对此，中石油集团适时调整投资决策，开发海外市场，寻找海外资源，通过收购、合作等各种形式拥有海外可采石油资源是目前中石油集团持续发展的重要途径，也是石油投资的重中之重。

（二）中石油集团投资管理核心制度

投资管理方面，中石油主要是以中油财务公司为平台，通过资金集中、内部调剂，提高资金的利用效率，节约财务费用支出，逐渐形成了全额资金集中的收支两条线管理模式。

（三）中石油集团投资管理与决策机制

1、严格的资金计划管理。中石油集团在对计划收支项目充分具体化、明细化的基础上，规范和明确资金计划的编制与审核流程，保证资金计划的合理性与可行性。此外，对于突发性、应急性的计划外用款严格实行由总部审批、拨付的制度。

2、高度集中的债务管理。中石油对债务实行高度集中的管理，统借统还。总部按一定利率对各分（子）公司的长、短期负息资金计收利息，实现债务成本的合理分配。

3、市场化的内部融资机制。中石油各分（子）公司在总部均设有内部存款，用于确认资金的内部所有权。内部存款由总部统一管理，并按照一年定期存款利率上浮10%的利息率计息。

4、封闭化的内部结算体制。中石油依托中油财务公司的结算网络，对内部上下游企业之间的产品和劳务互供实行封闭结算，以避免资金体外循环。

（四）中石油集团投资管理与决策的核心特点

中石油公司提出基于战略集团思想的投资决策绩效评价，认为企业投资决策绩效评价和企业战略管理有着密切关系，战略动因是企业投资决策绩效评价的最主要的动因，战略是研究企业投资决策绩效评价的一个重要出发点。企业投资决策绩效评价的理论动因是多层次的复杂系统，企业的生命周期、公司治理结构、企业的组织结构、企业文化等等都会对企业的投资决策绩效评价产生重要的影响。中石油公司运用了多层次灰色综合评价模型对石油跨国投资决策进行了效益评价研究，利用系统工程、多元统计、灰色理论和模糊数学等多学科的定量研究方法对形成科学合理的评价体系提供了保障。

经验决策与数据决策 篇2

在现代企业管理中, 供应链管理日益受到重视。上游供应商与下游客户是企业重要的利益相关者, 对企业的战略、经营等诸方面产生决定性影响。资本结构是决定整个企业资金运动高效有序、长期稳定的基础;是衡量企业财务风险的重要依据;资本结构的决策也是企业重要的财务决策之一。因此, 资本结构一直是学术界研究的热点和实务界关注的焦点。然而, 从国内外研究来看, 客户-供应商关系对资本结构决策的影响尚未达成一致结论, 且缺乏充分的实证数据支持。本文结合相关的资本结构理论, 有针对性地选择中国通用设备制造业上市公司, 对客户-供应商关系是否以及怎样影响资本结构决策进行实证研究, 以期为通用设备制造业上市公司的发展提供一些参考。

二、文献回顾与研究假设

(一) 文献回顾

企业资本结构的决策是在显性契约和隐性契约同时存在的环境中产生, 这是与资本结构MM理论不同的另一理论分支的主要观点。研究客户-供应商关系是否以及如何影响企业资本结构的决策就是沿着这一理论方向而展开的。Titman (1984) 指出企业在考虑到破产对其客户的影响时会保持较低的负债率。假设一个企业的经营依赖于其客户或供应商的资本投入 (也称关系资本) , 那么如果该公司破产了, 这些关系资本的投入将失去价值。换言之, 客户-供应商关系与企业的资本结构存在一定的关系。Maksimovic&Titman (1991) 认为在客户-供应商关系中, 客户并不愿意与高负债率的企业合作, 因为企业的负债率较高从一定程度上意味着该企业可能不太在意它的信誉和产品的质量, 如果企业为了保持客户-供应商关系就会保持较低的负债率。Banerjee&Dasgupta (2008) 提出了资本结构的利益相关者理论, 认为企业与利益相关者之间的关系会影响企业的财务决策, 尤其是资本结构的决策。

但是, 客户-供应商关系对企业资产负债率的影响尚未达成一致结论。Bronars&Deere (1991) 提供了实证研究数据证明了当面对工会的强大威胁与压力时, 企业更倾向于保持较高的负债率。并指出债务是企业在与职工工会谈判中的一个工具, 因为债务的利息会减少企业分配给职工薪酬的盈余。而在客户-供应商关系之中, 债务工具有类似的作用。具体来讲, 就是当面对具有较高谈判能力的供应商或客户时, 企业会选择保持较高的资产负债率。Ross (1990) 研究者认为供应商 (或客户) 越集中, 其相对于客户 (或供应商) 的谈判能力越强。Subramanian (1996) 认为一个企业可以在一定程度上用债务保持其未来的盈余不被职工及利益相关者 (如客户、供应商) 分走。Snyder (1996) 建立了模型, 该模型表明了所占行业份额越高的客户对于其供应商来说更具购买力。购买力理论认为一个企业对其客户的谈判能力是由下游企业所在行业的集中度或所占市场份额所决定的。如果一个企业有许多潜在的客户, 那么它将关系资本分散到不同的客户中。由于与许多客户进行合作, 供应商企业就降低了由于客户企业破产给自身带来的损失。因此, 一个具有较低行业集中度或所占市场份额较低的客户 (或供应商) 对其供应商 (或客户) 资本结构的影响会相对较小。

在国外理论研究的基础之上, 国内学者对客户-供应商关系与企业的财务决策进行了实证研究, 并选择供应商集中度与客户集中度作为衡量客户-供应商关系的变量。国内学者徐涛 (2009) 利用上海证券交易所180家企业2004-2006年的经验数据, 对客户-供应商关系与商业信用政策的关系进行了检验并验证相关理论在中国的适用性。张敏等 (2012) 采用2002-2009年中国制造业上市公司数据, 检验了供应商集中度和客户集中度对公司审计师聘用决策的影响。

(二) 理论分析与研究假设

企业本质上是各利益相关者缔结的一组契约, 企业发展的物质基础除了股东投入的财务资本外, 还包括其他利益相关者投入的专用性资产, 如供应商和客户投入的市场资本。所以, 从理论上讲, 客户与供应商关系资本的投入会影响资本结构的决策, 即客户-供应商关系会影响资本结构决策。因此, 在客户-供应商关系中, 如果企业对于其供应商或客户越依赖 (即供应商集中度或客户集中度越高) , 那么就更倾向于保持较高的资产负债率。

对于通用设备制造企业来说, 由于其行业与产品的特殊性, 大多数通用设备制造业企业与其供应商和客户的交易往来多且密切, 属于长期合作, 即它们的合作往往处于成熟阶段。如果合作的关系一旦破坏, 对企业自身和供应商 (或客户) 都会带来损失。相比于合作初期, 通用设备制造业企业的谈判地位有所提升, 所以, 其更倾向于用负债来保护盈余或其他利益不被客户及供应商分走, 倾向于保持较高的资产负债率。

假设1:对于通用设备上市公司来说, 无论是供应商集中度还是客户集中度, 都会对资产负债率产生影响;对于通用设备上市公司来说, 供应商集中度 (或客户集中度) 越高, 其资产负债率越高。

通用设备制造业企业生产的通用设备可以用于一个行业以上。由于通用设备应用范围广泛, 对于通用设备企业来说, 其客户所处行业集中度不高, 通用设备上市公司对客户谈判地位较高, 具有广泛的客户。换言之, 在客户-供应商关系中, 相比于下游客户, 通用设备制造业上市公司更注重上游供应商。

假设2:对于通用设备上市公司来说, 相比于客户集中度, 供应商集中度对资本结构决策起主导作用。

三、研究设计

(一) 样本选取

中国证监会在2013年4月1日公布了《2013年第1季度的行业分类结果》, 制造业又分为很多子行业, 其中包括通用设备制造业 (代码34) 。本文有针对性地选择了通用设备制造业上市公司, 包括沪深两主板和中小板。由于创业板的上市公司自身特点, 本文在研究过程中并未包括创业板通用设备制造业上市公司。同时还剔除了数据缺失及ST样本公司。本文研究时采用横截面数据, 时间窗口为2007-2012年, 所有数据来自于锐思数据库和上市公司年报。样本分布如表1。

(二) 指标选取

1. 资本结构的界定。

资本结构的定义有广义与狭义之分。广义的资本结构是指企业全部资金来源的构成及其比例关系。狭义的资本结构是指长期负债与所有者权益的关系。在国内外对资本结构的实证研究中, 资本结构的替代变量有资产负债率、长期负债率、产权比率和流动比率等。但大多数学者选择了资产负债率这一变量来衡量资本结构。本文也采用资产负债率来衡量资本结构, 且资产和负债的计量均采用账面价值。

2. 客户-供应商关系的界定。

从国内外研究来看, 客户-供应商关系是指与主要客户和主要供应商的关系, 同时实证研究中依赖程度是衡量客户-供应商关系的重要指标。Banerjee (2008) 指出主要客户 (或主要供应商) 是指企业与其往来交易发生的销售金额 (或采购金额) 占年度总销售额 (或采购金额) 的比例超过10%的客户 (或供应商) ;或者虽然未超过10%, 但与其之间的往来交易对企业的经营来说非常重要的客户 (或供应商) 。国内学者在其实证研究中, 用客户集中度与供应商集中度来衡量客户-供应商关系。客户集中度是指前五大客户销售额合计与年度总销售金额的比例;而供应商集中度是指前五大供应商采购金额合计与年度总采购金额的比例。

3. 控制变量的选取。

影响资本结构的因素很多, 主要分为三大类, 即:国家因素、行业因素和公司特征因素。由于样本均为中国通用设备制造业上市公司, 故首先控制了国家因素与行业因素对资本结构 (即资产负债率) 的影响。其次, 公司特征对资本结构的影响因素主要考虑了公司规模、盈利能力、债务担保、资产结构、成长性、股权结构和自由现金流量这几方面对资本结构的影响。表2是对上述所有变量的具体说明。

(三) 模型构建

为了更好地研究资本结构与客户-供应商关系, 本文建立了多元线性回归模型, 如下所示:

其中βi (i=1, 2, 3......9) 为自变量和控制变量的系数, ζi (i=1, 2) 为随机误差, αi (i=1, 2) 是常数项。

四、实证分析与结果

(一) 描述性统计

表3反映了模型中各个变量中的描述统计结果。2007-2012年通用设备制造业上市公司的资产负债率均值为46.57%。从整体来看, 通用设备制造业的资产负债率不低。资产负债率的最大值为95.68%, 最小值为5.03%, 相差较大, 最大值约为最小值的19倍。供应商集中度均值为29.70%, 最大值为98.34%, 最小值为2.21%, 相差较大, 最大值约为最小值的44倍;客户集中度均值为29.10%, 最大值为82.70%, 最小值为4.92%, 相差较大, 最大值约为最小值的17倍。从整体来看, 2007-2012年通用设备制造业上市公司的供应商与客户集中度较高, 但不同的上市公司之间相差较大;供应商集中度差异大于客户集中度差异。其他变量的数据特征如下页表3。

(二) 相关性分析

供应商集中度在0.05显著性水平上与资产负债率正相关, 初步证明了假设的合理性;集中度在0.01水平上与资产负债率负相关, 与假设相反。需进一步通过回归分析进行检验。资产净利率、固定资产比率、第一大股东持股比例、营业收入均在0.01显著性水平上与资产负债率呈现一定的相关性。通过各变量间相关性分析, 初步证明模型的合理性。

(三) 多变量回归分析

表4是对模型 (1) 、模型 (2) 与模型 (3) 进行多元线性回归分析所得出的结果。模型 (1) 与模型 (2) 分别报告了以供应商集中度和客户集中度为解释变量的模型参数, 被解释变量均为资产负债率。模型 (1) 与模型 (2) 分别报告了以供应商集中度和客户集中度为自变量的模型的回归系数。结果显示, 供应商集中度与资产负债率正相关, 且回归方差系数显著不为0;然而客户集中度与资产负债率呈负相关, 但回归方程系数不显著为0。这说明对于通用设备制造业上市公司来说, 与客户和供应商之间的合作已处于成熟阶段, 供应商集中度越高, 即依赖性越强, 其越倾向于保持较高的资产负债率来保护自身利益和提高谈判地位, 与假设1一致。但是客户集中度对资产负债率的影响并不显著。

模型 (3) 是将供应商集中度与客户集中度同时作为解释变量, 资产负债率作为被解释变量。回归分析结果显示, 供应商集中度与资产负债率正相关, 且系数显著不为0;然而客户集中度与资产负债率呈负相关, 但系数不显著为0。说明对于通用设备制造业上市公司来说, 供应商集中度对资产负债率的影响起主导作用。与假设2一致。

在控制变量中, 资产净利率与资产负债率负相关, 且回归方差系数显著不为0;同时, 每股股东自由现金流量、Ln (营业收入) 与资产负债率正相关, 且回归方差系数显著不为0。结果表明对于通用设备上市公司来说, 在股利支付一定的前提下, 盈利能力越强, 留存收益越多, 举债越少, 资产负债率越低;现金流动越充足、公司规模越大, 企业应对财务风险的能力越强, 资产负债率越高。

五、结论

本文研究结果表明:

首先, 对于通用设备制造业上市公司来说, 客户-供应商关系与资本结构决策相关。客户与供应商的长期合作属于一种隐性的契约。这种契约没有外在的约束, 就使得客户与供应商企业依靠自觉遵守约定进而维护双方自身利益。对于通用设备制造业上市公司来说, 负债是这一契约中提供谈判地位和保护自身利益的工具。

其次, 供应商集中度越高, 资产负债率越高;但是, 其客户集中度对资产负债率的影响并不显著。这是由于通用设备制造业行业特征所决定的, 通用设备制造业生产产品可应用于各个行业, 其客户广泛, 其可选择的范围大。换言之, 其客户的行业集中度较低, 所以相比于供应商来说, 通用设备上市公司对客户的依赖较弱, 且对于客户具有较高的谈判能力。

最后, 对于通用设备上市公司来说, 公司规模越大、现金流量越充足、盈利能力越强, 其资产负债率越低。

参考文献

[1] .唐跃军.供应商、经销商议价能力与公司业绩[J].中国工业经济, 2009, (10) .

[2] .张敏, 马黎珺.供应商-客户关系与审计师选择[J].会计研究, 2012, (12) .

[3] .杜轩, 干胜道.公司资本结构、股权结构与经营绩效关系的研究——基于中国创业板上市公司[J].商业会计, 2012, (1) .

俯瞰大数据与组织决策 篇3

大数据对组织管理的影响

首先，大数据对组织管理的影响来自其生产力特征。这种特征主要包括四个方面：第一，掌握大数据的劳动者是智力工作者，他兼具劳动和资本于一身，是知本家，因此组织的数据管理，将从以管理者为主，转向一线员工掌握数据。第二，管理对象从管物、管钱，转向管理数据，大数据的特征一是大量化（Volume），一般在10TB规模左右，多用户把多个数据集放在一起，形成PB级的数据量；二是多样化（Variety），它包括结构化数据与非结构化数据，这些数据来自多种数据源，以实时、迭代的方式来实现；三是这些数据不仅是资源，而且是财富。因此组织管理中资源管理与财富管理将一体化。第三，劳动资源包括语义网等公共基础设施上分享的开源软件、Hadoop、NoSQL、数据分析与挖掘、数据仓库、商业智能（BI）等技术条件。管理资源可能是分享的，这不同于以专用性资源为组织边界的管理。第四，从劳动目的看，从事大数据是为了“从中获得知识和洞见以提升能力”，进一步说，要洞见的是意义，要获得的能力是智慧；有意义的数据是智慧的，没有意义的数据是垃圾；大数据要完成从客体的数据向主体的智慧的转换，忘记这一点就会陷入为数据而数据。

其次，大数据对组织管理的影响来自其生产关系特征。表现在生产、交换、分配和消费四个环节上。第一，在生产上，分布式计算的大数据，推动生产组织向去中心、扁平化转变，向自组织、自协调方向演化，智能化的大数据将促进劳动与资本的一体化，推动决策前移，并且可以提供平台支持创造性的自主劳动（如DIY+3D打印的“创客”）。第二，在交换中，具有语义功能的智能网络成为与现有市场互补的新组织形式，商品交换与包括情感在内的信息交流在新的市场结构中相互融合，用户体验和意义满足成为定价的重要因素，情境定价成为可能，依托数据分析可以实现一对一精准营销和“人单合一”。第三，在分配上，在数据财富归属与利用的平衡中，形成以“使用所有权”（access over ownership）为特征的分享型经济（Sharing Economy），在物质财富极大丰富的基础上，逐步实现以自由看待发展。第四，在消费上，在大数据引导下，出现产消逆转（C2B）和产消合一趋势，人们在满足生存发展需求基础上，日益产生通过自主劳动满足的自我实现需求。

第三，大数据对组织管理的影响来自其生产方式特征。不同时代，人相对于劳动对象的作用方式不同，生产的社会目的也不同，形成农业生产方式、工业生产方式与信息生产方式。大数据推动着信息生产方式的形成。农业时代的生产力以土地为中介，分散地从对象中解析出有助于满足人的温饱需求的功能；工业时代的生产力以货币为中介，集中地从对象中解析出有助于满足人的社会发展需求的价值；信息时代的生产力以数据为中介，集中与分散结合地从对象中解析出有助于实现生产目的的意义。功能、价值与意义的关系，在于前者为后者的基础，后者有条件地决定前者。对人均收入5000美元以上的社会来说，大数据有助于企业专业化地提高以意义满足（所谓“满意”）为核心的智慧水平，推动企业从因大而美向因小而美转变，实现小批量多品种、差异化、多样化的生产。推动企业在业态上从产品、服务向体验升级，在提高GDP水平（功能与价值水平）的同时，提高社会幸福水平（意义水平）。

大数据时代，组织决策的挑战和机遇

大数据时代组织决策会遇到以下三个方面的挑战，这些挑战又构成了组织发展的主要机遇。

企业化解风险的方式发生变化

在大数据时代之前，人们更多的是利用数据从历史中总结规律，例如按以往的需求分布来组织生产，以此来消除市场的不确定性。大数据时代决策最主要的功能是预测未来，也就是把握那些只存在于未来，从以往历史中难以推导出的需求，以此化解企业的市场风险。反过来说，这对于企业决策带来新的挑战，如果竞争企业可以预测未来，而自己的企业不能，企业就会失去未来。

巴拉巴西的《爆发》认为，人类行为93%是可以预测的。在日趋精密的数字技术条件下，有了从四处搜集来的信息，我们不会再把人类的行为视为互不相关、随意偶然的独立事件。相反，它们应该是相互依存的奇妙大网的一部分，是相互串联的故事集中的一个片段。它们会在不经意时显示次序，在意想不到之处偶然出现。人类行为遵循着一套简单并可重复的模型，而这些模型受制于更加广泛的规律。

如果说，企业生存的一般风险是德鲁克所说的企业系统不能适应环境变化的风险，在大数据时代，这种风险更多地体现在日常决策中，体现在组织决策要面向最终客户的需求变化，进行组织神经末梢上的随时随地的响应。

企业权力转移带来“无组织的组织力量”

大数据的特点在于意义主导价值，它将引起组织结构的变革。对于组织来说，价值体现在结构之中，意义也体现在结构之中。原有的组织形式是为价值而建立的，其结构是价值的结构。未来的组织形式，是为意义而建立的，其结构是意义结构。组织的价值结构与意义结构非常不同，最核心的不同在于，价值结构是机械结构；意义结构是生态结构。具体表现在：第一，机械结构是自上而下控制的，生态结构是自下而生涌现的；第二，价值结构是以集中方式控制的，意义结构是以去中心的方式自组织自协调的。大数据所赖以存在的语义网，就是一个自下而上涌现生成意义，在分散的节点间自适应与他适应的网络。

随着具有语义网特征的数据基础设施和数据资源发展起来，组织的变革就越来越显得不可避免。大数据将推动网络结构产生无组织的组织力量。最先反映这种结构特点的，是各种各样去中心化的WEB2.0应用，如RSS、维基、博客等。这些变化，一开始不易为人们理解。例如，人们经常不明白碎片化是怎么回事。事实上，碎片化是意义存在的状态。意义只有呆在适合自己的结构中，才得以呈现。人们容易忽略这是一种让组织变得更加智慧的力量。例如，面向WEB2.0化的客户关系，如果处理不好，是一种极大的挑战。因为一个能量极大的未知节点可以给组织带来拉登、郭美美一级的毁灭性打击，《公众风潮》就是对这种挑战的描述。相反，如果象同一作者所写《创新推动者》那样，使关于客户关系的组织决策碎片化，会使企业低成本地响应分散化的风险，避开网上客户无组织的组织力量的打击。因为大数据可以建立一条意义通道，使生产者与赋予企业意义的消费者建立一种多元化的联系，使产消双方产生一种象鱼水关系那样的无间隔的互动，从而从源头上获得更多的智慧。

nlc202309022100

大数据通过追随意义而获得智慧，这是它可以摆脱因追随价值带来的被动的根本原因。因为价值是组织化的，意义是无组织的，无组织的组织力量本质上就是利用意义来控制价值的力量。

企业价值生成方式发生变化

大数据将带来的另一个始料未及的变革性影响，是将使数据业务成为各行各业的主营业务，从而改变各行各业的业态。换句话来说，决策本身会发展成为一种主营业务。各行各业数据业务的主营化，有一些共同的规律，与大数据内在相关。它们都伴随着业务转型，从因大为美，转向因小而美：从集中但赢利越来越薄的大企业服务，转向分散但高价值的最终消费者服务。大数据的优势，正在这个方面。通过大数据，可以实现以往做不到的低成本洞察高差异的客户，在去中心的互动中贴近2.0化的客户。

电信业、金融业、流通业是数据业务主营化最先成形的产业。例如电信业原有主营业务是语音业务，但腾讯的数据业务占到76%以上，只用几年就以500亿美元市值超过了联通和中国电信，带动了行业的主营业务重心的从语音向数据的转移。未来各行各业几乎无一例外，都会冒出本行业各种各样的“腾讯”来；而原有的巨头都将成为各行各业的“联通”和“中国电信”。这种挑战从另一面看，就是完全的机遇，这种机遇一般属于12岁至22岁的未婚青年，一不靠老子，二不靠刀子，三不靠裙子，只靠大数据，10年赚100亿，而且阳光致富。

大数据时代的组织决策

一是决策从后台向前端转移，要把握后端决策与前端决策的平衡。大数据时代的组织决策朝向的方向是人单合一，即生产者与消费者的融合（钱皮又称之为“合工”，与分工相对）。由于要对分散的、需求多变的消费者进行随时随地的响应，过多依赖后台决策，难以即时响应市场变化，为此就要把决策从后台向前端转移，例如向位于“人单合一”前沿的客户关系人员充分授权。海尔采取的组织决策就鲜明的具有这种特点。

当然，决策前移后，要把握后端决策与前端决策的平衡。一般来说，一线员工对当面市场的响应灵敏是优势，但一线员工对市场全局和未来趋势未必能很好判断，这就需要后台决策，包括研发部门，提供服务。这种服务甚至需要社会化、外包，形成分析即服务（AaaS）产业。例如数据挖掘、数据分析、数据咨询等产业，以及一切以大数据为基础的高附加值的创造性服务。

二是决策从集中向分散转移，要把握集中决策与分散决策的平衡。人们对大数据决策容易有一种误解，以为就是数据大集中的决策。这是传统集中控制思维方式运用到分布式计算条件下常有的惯性。海尔的决策模式强调“群龙无首”。因为如果调动起每个自主经营体的主动性，使人人成为自己的CEO，这些一线员工就会进行分散CEO式的决策，没必要事无巨细非得通过龙首来决策。为此海尔用战略损益表等制度，进行战略性的价值管理，使每个员工在决策时，可以按企业的战略利益来权衡当前的形势，达到比集中式决策更优越的决策效果，其最高境界，就是企业无为而治。

事实上，大数据决策应是集中决策与分散决策的结合。共性的问题适合集中决策，个性的问题适合分散决策。而且二者不一定是对立的关系。例如，一线员工的分散决策，也需要并且可以调用数据中心的分析资源和计算能力；数据中心的决策，也需要与员工的本地数据，甚至客户的本地数据进行锚定和关联。按美国最新的情境定价理论，在一对一的营销中，产品和服务定价这种最关键的决策，可能要依靠用户本地数据（如手机中的数据）的参与，通过与数据中心数据的即时匹配来完成。用户数据参与决策将成为分散化决策的一个趋势。

三是决策从价值向意义转移，要把握理性选择与感性选择的平衡。受传统思维定式干扰产生的另一个误解，就是以为大数据决策就是事事用数据说话，排斥直觉判断和感性判断。固然大数据会使理性选择在决策中更为专业，并形成产业化的空前发展，但这只是大数据发展初级阶段的特征。当大数据发展到高级阶段后，它将回到自己的本性，也就是图灵当年指出的人工智能的理性与感性平衡的更高阶段发展。在大数据发展的初级阶段，人们通常沿袭理性派的思维，通过数据大来把握人的个性。理论上典型的代表人物就是巴拉巴西。认为人的随意之举也可以被完全预测，人的行为93%都可预测。

但是，人的自由意志哪怕只占7%，仍是数学算法无法穷举的。从意义分析观点看，人的潜意识、梦想、情感等高价值的数据，靠机器算法本身是难以全面把握的，这既不是数据量不够大，也不是算法不够优化，恰恰在于理性算法的盲区上。例如，Facebook倚重的人际算法（人看人，看对了眼，计算量并不大，但却可能是精准的），就补在理性大数据的盲区上。在大数据的高级发展阶段，直觉判断和感性选择，将成为比理性计算更高级的计算模式。因此，企业在借助大数据进行决策时，从长远观点看，要定位于体验——也就是意义决策——充分发挥大数据在面向高附加值的艺术、情感等体验领域的决策支持作用。在IT业，科学的赚小钱，而科学与艺术平衡的乔布斯赚大钱，就是现世的证明。

四是把握精英决策与草根决策的平衡。传统决策模式是精英决策，大数据不仅可以支持精英决策，它最独特之处，在于可以支持草根决策。精英决策的基础是优化，但以优化为核心的决策有两大盲区，一是无法对策“人算不如天算”型的问题，如复杂系统问题，非常规的问题等等；二是难以应对效率不经济类型的问题，如个性化问题。生物进化的历史告诉我们，对上述两类问题最有效的决策方式，就是生物多样性决策。草根决策由于不依赖优化，排斥“英雄所见略同”，恰恰保持了精英决策过滤掉的核心竞争力，也就是解决方案多样性。大数据靠分布式计算模式，可以把分散在各个节点上的草根的智慧汇集起来，形成臭皮匠反而胜过诸葛亮的决策效果。

大数据发展起来后，决策将形成精英与草根决策的互补：简单系统问题归精英决策，例如通过简化，可以找到规律的问题，由精英进行数据分析来决策；复杂系统问题归草根决策，例如无法简化，也找不到规律的问题，可以采用众包方式来解决。

用好大数据，需要培养“大数据思维”

大数据思维如果聚焦到一个点上，我把它归结为意义导向型的思维。培养这种思维的关键，是要把思维方式从价值导向，转型为意义导向。我在《新文明论概略》中，用上下卷70万字讨论的核心，就是这种思维方式的原理。

对于不想从哲学（或“道”）上弄明白的组织领导者和管理者来说，我们可以把“大数据思维”简化地理解为基业常青式思维。基业常青讲的是坚持企业核心价值观不变，其它一切禀赋都可随时随地因环境而变。前者是目的，后者是手段。传统的企业思维方式是价值导向的，就是一切围绕手段，整天想的是如何实现价值，难以避免的错误经常是为了价值而牺牲了意义，因企业核心价值观（做事的宗旨）不正，因而最终伤及企业价值；“大数据思维”相当于围绕企业核心价值观的思维，通过将意义专业化，让企业的一切价值活动，都专业化地聚焦于是否有意义，从而保证企业的基础性价值活动不偏离做事的宗旨。

“大数据思维”的养成，需要修炼。与一般企业家的修炼不同，它不是停留在企业家个人的头脑中，而且要变成一种企业文化，甚至变成利益相关者的共识。为此，它不可能是小生产个人化的，而是一种思维工程，按网络智慧的方式来培育。

数据挖掘中的决策树技术及其应用 篇4

数据挖掘中的决策树技术及其应用

数据挖掘作为一种发现大量数据中潜在信息的.数据分析方法和技术,已经成为相关各界关注的热点.其中,决策树技术以其出色的数据分析效率、直观易懂的结果展示等特点,倍受广大用户的青睐.文章首先对决策树技术进行较为详尽的探讨,然后利用SAS/EM工具,对该技术在客户关系管理中的应用进行了初步尝试.

作 者：中国人民大学统计学系数据挖掘中心 作者单位：中国人民大学,统计学系,北京,100872刊 名：统计与信息论坛 CSSCI英文刊名：STATISTICS & INFORMATION TRIBUNE年，卷(期)：17(2)分类号：C8关键词：统计 数据挖掘 决策树 SAS/EM

经验决策与数据决策 篇5

首先广告主可以根据自己的产品设定目标客户的特征，例如性别、年龄、所在地、收入等信息。“微决策”通过对微博数据挖掘，内置了一套社会化消费者行为模型能够准确判断消费者的年龄，消费能力，兴趣爱好等核心信息。通过这些信息的过滤，找到最合适的产品受众。

接着需要设置目标客户的关键词。“微决策”将定义好的目标客户规则用数学的方法投射到整个微博平台上，再从用户背景、行为、影响力、兴趣爱好 4 个维度来寻找相似的人群，尽可能精准的找到潜在客户。

找出你的目标客户之后，接下来就需要针对他们进行定点投放广告。通过决策规则，可以设定此次营销的总费用、微博发送形式、账号规则、以及发送价格等条件。根据广告主实际的需求进行有针对性的选择。

最后“微决策”会根据广告主设定的信息，通过算法计算出最优的营销方案。其中方案包括推荐方案、达人方案、以及微博易平台推荐方案和微易互通平台推 荐方案。推荐方案和达人方案是系统算法基于整个微博数据而计算出的最佳物理方案，但有时候却很难实际操作。例如我之前测试推广 36 氪网站时，系统给我推荐的最佳营销方案是让@李开复转发微博，

因此“微决策”通过和“微博易平台”以及“微易互通平台”的合作，系统会自动匹配这两个平台账号内的营销账号，给出最接近物理方案的推荐结果。

我想是个商家都会眼红小米手机在微博上的“营销盛宴”吧。一条短短的微博，被转发了 260 万次，覆盖近5 亿用户，微博链接被点击 30 多万次，3 天内增长 100 多万粉丝。不过遗憾的是，并非每个人都有足够的资源策划这样一场“营销盛宴”。选择一个好的营销方案，往往能够起到事半功倍的效果。

目前“微决策”只提供微博营销的“选号”功能，专注于提高广告主的决策效率，提供最适合的营销账号选择。自己本身是没有诸如@冷笑话精选这类的营销账号，不过团队也在考虑将各类大号集结到微决策的平台上。“微决策”后期还将会陆续推出营销账号分析、广告传播效果分析等工具，帮助用户完成从设定需求到最终执行营销方案的一站式服务。

微博数据挖掘是门大生意，前两天我们才介绍过基于微博数据挖掘的个性化阅读应用“今日头条”。“微决策”则侧重于用户行为数据和微博营销账号的挖掘工作，再根据广告主的需求，利用算法将两者匹配起来，以实现精准的广告投放。目前“微决策”团队已经完成早期融资，正在寻求 A 轮融资，已经和多家 VC 有过接触。

据Infomorrow团队(“微 决策”只是他们的其中一个产品)向我们 36 氪透露，投资人主要是看好社会化大数据挖掘的前景，以及对于他们团队的认可。团队的核心数据科学家均来自全球领先的消费者金融机构，整个数据团队在消费者 风险评分卡开发，预测模型建立，以及其他消费者数据挖掘领域拥有深厚的功底和经验。而社会化的数据挖掘只是一种手段，除了微博营销外，还有很多想象的空间。

经验决策与数据决策 篇6

1 数据挖掘概述

数据挖掘又可称为模式发现及知识发现等, 从不同角度具有不同的概述理解, 从技术上来说, 它在大量的数据中运用各类分析工具来发现数据及模型之间关系的过程, 依据这些模型及关系能够进行预测;从商业的角度来看, 它则是决策支持的过程主要运用AL机器及统计学等技术自动化地对企业原有数据进行分析, 并作出归纳性推理, 挖掘出其潜在模式, 从而预测客户行为, 从而帮助企业决策者进行市场策略的调整, 避免风险并作出正确决策。

2 数据挖掘在电网自动化中的应用

2.1 数据挖掘在电力系统调度运行的应用

调度运行在电力系统中处于核心位置, 其任务就是对系统的大量信息进行实时处理, 且作出相应的决策, 随着电力市场机制的运行, 调度中心不仅要确保系统的稳定性及安全性, 还要对各种经济问题进行考虑, 从投资者角度来考虑其经济利益, 并制定出较为合理的电价, 这样调度运行就更为复杂了, 要制定科学规范的决策, 就需要数据挖掘技术的大力支持。电力系统分为正常状态、紧急状态、警戒状态、测试状态和恢复状态。当某种状态被确定下来后, 就会发给操作员, 并完成操作, 而数据挖掘算法就能够帮助其进行分类处理, 使指令更为准确及时, 并且能够对电力系统的运行状态进行描述, 像电力系统中的紧急状态, 能够对多个母线电压降低和其他特征进行更好的发现与描述。

2.2 数据挖掘在电力系统故障中的分析及规划设计

在电力系统中, 故障受理系统会积累大量的数据, 而采取数据挖掘技术能够将数据中所隐藏的很多事实、关联及因素等有价值信息进行提炼, 像采用数据挖掘技术中的关联分析能够对故障发生的原因和其他因素相关性进行分析, 如雨量、温度、负荷及雷电等因素的关系, 以此分析出符合客观规律的故障原因, 并采用序列模式法来找出相同模式及常见故障的部件, 然后按照分类法对常见故障部件进行分析找出规则, 并把其作为重点预防维修参考, 以保证电力系统的安全可靠。对电力系统进行规划设计时, 需要对负荷模型引起的多种系统结构可能发生的故障进行考虑与规划, 要确定控制保护装置的参数, 就要对大量数据进行处理, 而数据挖掘就能运用各种分析工具对模型及数据间的关系进行分析, 并确定出相应的运行法则及故障发生时的应对策略。

2.3 数据挖掘能够进行电力系统的稳定安全评估并监视运行状态

运用数据挖掘中的决策树法能够将电力系统中的运行状态划为稳定及不稳定依据相应规则进行系统数据的自动分析直到将状态定为稳定为止, 运用所提取出的安全评估知识, 对系统正常运行中可能存在的安全隐患给予指导, 且能够运用可视化技术对稳定性进行分析, 并作出提高电力系统安全稳定的决策。相关工作人员能够借助数据挖掘技术所得出的状态监控及预测诊断结果, 进行电力系统使用情况的扫描, 并对发现的问题及时给予检修, 以延长设备的使用寿命, 减少检修的成本, 从而保证系统稳定运行。

3 数据挖掘在电网自动化中的决策及应用

3.1 数据挖掘在电网规划中的辅助决策

数据挖掘技术在电网的监控、运行及规划中都起到了辅助决策的作用, 接下来就以电网规划的决策为例进行决策过程的分析, 电网规划决策主要是围绕供电负荷的变化进行开展的, 电力部门决策者需要随时地掌握相关的第一手资料, 并对负荷特征的变化进行分析研究, 从而调整电网规划的策略, 整个电网规划工作内容主要包括对情报活动的收集、设计活动、决策方案评价、方案选择和执行及企业内部环境等, 在情报活动的收集阶段, 需要对供电负荷变化进行评估, 并搜集有关变电站的负荷信息、新产品资料及新技术, 从而作出决策的目标, 在活动设计阶段, 需要决策者依据各情报的研究规划方案, 给出相关的意见, 从而对方案结果进行评估, 在方案选择阶段, 需要对方案的效果进行考虑, 从而运用4PS策略来制定出符合要求的规划策略。

3.2 数据挖掘在电网自动化监控系统中的应用

电网自动化中的监控系统为整个电力系统的安全运行起着保障作用, 但是当发现电网中存在着安全隐患时, 若不进行辅助决策工具的计算, 仅依靠经验给予控制措施, 会影响到整个电网安全控制的准确性, 对电力系统中的数据进行挖掘是很有必要的, 电网自动化中的数据挖掘主要有实时业务和准实时业务两种, 实时业务就是变电站监控系统中的实时数据, 而准实时业务主要包括故障录波、电量计费计量信息及安全保护自动装置的有关管理数据, 它能够对大量的实时数据给予在线分析处理并作出决策。电力设备按照功能的不同是可以分为一次和二次设备的, 其中一次设备包含变压器、兼容设备及开关等监测系统, 二次设备则有继电保护、自动装置、故障录波器及就地监控等。现在的电力系统大多是运用现场总线进行来实现数据的总汇、传送及命令的传达控制的, 这种现场总线技术用地面积少, 组态灵活, 可靠性也比较高, 但当数据量比较大时, 就会出现响应比较迟缓的现象了, 为了进一步提高电网自动化监控系统的功能, 需要对数据进行进一步的挖掘, 能够依据电网的运行方式及稳定性变化情况进行电网故障的排除, 并根据电网的实时动态信息, 运用EEAC中的全时域仿真法来进行电网稳定性的定量评估, 进行数据挖掘后, 还能够根据电网的动态数据对发电机、变电设备参数、模型及复合进行在线辨别, 将识别的结果运用在电网计算上, 以提高计算的准确性, 还可依据自动保护装置动作行为对电网稳定安全进行分析保护。

4 结语

随着计算机技术的迅速发展, 电网自动化数据挖掘技术也得到了广泛应用, 并为整个电力系统做出了巨大的贡献, 它在调度运行、监测系统及故障处理等方面都提供了可靠的数据保障, 当然, 它的应用还存在着诸多的不足, 需要加大数据挖掘, 以为电力系统提供更为可靠的辅助决策。

参考文献

[1]王晓磊.浅析数据挖掘技术在电力行业中的应用[J].新疆电力技术, 2007 (4) .

[2]任志翔, 仇群辉.智能电网调度自动化技术思考[J].经济研究导刊, 2010 (7) .

经验决策与数据决策 篇7

在征求了俱乐部内部数据分析师的意见后，该队增加了对内旋角球（球转向守门员方向）的使用。战术转变产生了惊人的效果。在整个赛季中，曼城队依靠角球打入15个进球，成为英超角球得分效率最高的球队，其中2/3的进球采用的是内旋角球。

这一实践为数据驱动型决策提供了强有力的支撑。但是，还有一个附加因素需要考虑：主教练曼奇尼最初对数据的实际价值持怀疑态度。事实上，早在两年前，曼奇尼曾就球队角球的使用情况咨询过俱乐部的数据分析师。分析师回应，他依靠直觉偏爱采用的战术——外旋角球（球飞向远离守门员的方向）从数据统计上看并不理想。

曼奇尼选择相信自己的直觉而非数据分析的导向性建议。因为直觉告诉他，球旋向远离门将的方向减小了门将触球的概率，同时增加了进攻队员冲顶时争到头球的概率。但当曼奇尼发现两种变数存在某种联系的时候，直觉却模糊了他对两者关联程度的判断能力。换句话说，外旋角球和进球数可能存在着某种关联，但数据表明，内旋角球和进球数存在着更为直接的因果关系。

这一案例研究为我们改善商业决策带来哪些启示？一家美国零售商最近发现，两种不同变数之间存在着某种有趣的联系。当天气变冷，肉桂葡式蛋挞的销量上升500%——并非所有的葡式蛋挞，只是肉桂这一个品种。面对这种零星数据，零售商要做出抉择。每当预测天气即将转冷时，应该储备多少肉桂葡式蛋挞？还有一家零售商发现，羊奶干酪打折似乎能促进红酒的销售。希望减小红酒库存的时候，是不是应考虑羊奶干酪打折这种方法？

这两个问题的答案取决于大数据分析的核心问题：弄清相关性与因果关系之间的区别。人类善于发现事物的相关性——这是进化的特征——但是却在发掘直接相关事物的关系时显得有些笨拙。将相关性误解为因果关系所做出的决策是危险的，可能会遭受惨败，因为你所期待看到的影响可能并不会发生。

最近的一项研究显示，某国的巧克力销量与诺贝尔奖的人均比例之间呈现明显的相关性。各国是不是都该鼓励公民增加巧克力的消费来提高获得诺贝尔奖的人数呢？

为有效利用大数据，相关性分析应仅作为一个出发点去考虑。如果两个变量存在关联，我们该如何应对？当然，政府在推行“巧克力替代教育”的政策之前，应当首先考虑一下其他因素。比方说，看看那些获得诺贝尔奖人数较多的国家相对教育水平和研究预算，与巧克力消费相比，这两个变量与获诺奖的因果关系显然更大。

同样，那些葡式蛋挞和羊奶干酪的零售商们在拥有十足把握以前，需要对他们的假设进行验证。比如说，在确定因果关系存在以前，考察一些商店肉桂葡式蛋挞的“库存积压”情况；或者采取打折销售羊奶干酪的方式，看看红酒销量是否真的增加。

事物之间可能存在着一些简单的因果关系，但公司需要清楚每种因果关系都可能产生意想不到的结果。肉桂葡式蛋挞销量的增加是否意味着其他产品销量的减少？红酒销量的增加是否也意味着啤酒销量的减少或者牛排销量的增加？影响现代供应链的因素很多，而且还在不断增加：天气、社交媒体、特价商品、食品安全新闻等，都会影响消费者的行为，以及零售商应该购置多大规模的存货。这基本上就是一个混沌系统，完全准确地预测将来要发生的事情是不可能的。但模型越完善，预测就越准确，预测越准确，行动结果就越理想。

数据分析就像一幅印象派油画。当你退后观察，并把各个部分视作一个整体时，这幅画的意境才开始浮现，近距离观察是无法理解其中内涵的。这可以帮助我们解释为什么曼城队的新角球战术不太可能会长久取得良好的结果。实施从外旋角球到内旋角球的简单战术转变：多开点内旋球，少开点外旋球，这一简单的战术转变，亦会忽略了每场比赛中每次出现破门机会时的某些独特变数。

经验决策与数据决策 篇8

在当今社会，上至国家下之至个人，每时每刻不在面临着选择。而对企业和法人来说，一个正确的战略目标和决策则是公司长期发展的关键。由此可见决策的重要性。

决策，指决定的策略或办法。按决策的主体不同，决策分为个人决策和集体决策。

个人决策，即决策由个人做出。在一个团体或者是团队当中，往往需要一个领导者，而这领导者所做的决定就是个人决策。个人决策是一种单一性的决策，决策主体为一人，决策方向为一个。这就决定了决策与领导者的素质之间有着直接的联系。而个人决策存在着优点：

1、个人决策相当于是权力的集中，因此这就是其具备了对事物的认识的直观性和决策的迅速和有效性；

2、个人决策是领导者的决策代替团体的决策，因此这就体现了团队的凝聚力和决心；

3、个人决策是有个人的思维和阅历来做出决定，因此这也就具备了应对突发状况的紧急变化性和灵活性。

群体决策，即决策由群体做出。在一个团体和团队当中，因为人与人的不同因此做决策时需要考虑到每个人的想法，因此群体决策就愈来愈被当今社会所认可。群体决策的优点：

1、群体决策是群体的人来决策，搜集了大量的信息，因此这就使其具备了合理性和准确性；

2、群体决策是群体讨论和决定的，这就说明了群体中的每个人都熟知了决策的内容并认可决策，利于决策的实施；

3、群体决策因为群体中的人是不同的，这也就会体现出决策的创新性；

4、群体决策是使每一个人都能接受的决策，因此这也就决定了决策中的包容性。

通过对个人决策和群体决策的介绍和分析，个人决策与群体决策的比较主要体现在以下几个方面：

1、决策的科学性。个人决策是由个人的经验和阅历来进行决策的，这就会导致一种极端性和片面性，个人往往容易犯错误，所以在科学性方面个人决策缺少科学性；群体决策是由群体做出决策，正所谓“三个臭皮匠赛过诸葛亮”，因此群体决策中的集思广益则是为决策提供了科学性。

2、决策的创新性和合理性。个人决策中，决策与领导者素质之间有着密切的联系，也就是说明了领导者的素质决定了决策的创新性和合理性，而其他群体成员的意见则是辅助性的，这就容易导致决策不合理；群体决策中，决策与群体中的每个成员有关这样，通过讨论和探究也就容易促发成员的创造性，因为多数人的参与和提议，群体决策则是突显出了合理性和创新性。

3、决策的速度与准确性。个人决策，决策权在个人手里，决策只在一念之间，因此决策速度迅速并灵活，但是个人的局限性就确定了决策的准确性不高；群体决策，决策权在多数人手中，从人员的聚集和问题的讨论需要大量的时间，因此讨论时间的长，决定了较高的准确性和缓慢的决策速度。

4、决策的风险性。个人决策，因为决策是由个人做出的，因此其具有冒险性和风险性，但是“险中求富贵”也同样意味着高回报；群体决策，每一个成员参与，会打消一些成员的积极性，也会有盲目从众的人存在，因为风险由群体承担也就使成员懈怠，容易出现多数人的暴政。

通过对个体决策和群体决策的比较使我们对决策有了认识和对比，然而就当今社会而言，越来越多的人更倾向于群体决策。然而如何做好群体决策？需要关注这些问题：首先，作为一个团体或者组织，需要一个共同的目标和方向，这样才能促使着成员向一个目标努力，共同的方向和目标会激发人的动力和潜能。其次，好的群体需要好的理念和文化，需要成员摈弃自我，服务于集体或群体，并推进集体的发展，好的文化是群体决策的凝聚石。再者，群体的决策想要符合每个成员利益就必然需要有成员妥协，并合理的整合各方的利益。最后，群体决策是多数人的决策需要的是每个成员的认可和努力。

群体决策的需要切实可行的指导方法，再好的决策如果不能得到有效的执行,实现预期的效果,多无异于一张空头支票。所以群体决策执行的有效性,在整个群体决策程序中非常重要。首先，在决策时，就应当对目标进行合理的分解，根据时间、能力、大小等对目标进行彻底的分析和研究，以便于决策的实施和完成；其次，在确立目标的同时一定要明确责任，避免使成员之间出现不和谐、不合理的关系，严谨多头管理和空白区域，并制定相应的惩罚措施不能随意拼凑要适应事实；再者，对于各个成员的监督也是应该的，只有强而有力的监督才是对权利的保障和对权力的控制。最后，根据实际结果对决策进行检验。有决策就会有风险,因为未来是不确定的,而决策是要投人现有确定资源的。因此,决策做出后,还需要经过实践的检验。一个重要决策的结果如何往往需要经过几年以后才能显示出来,所以,在决策过程中要注意跟踪记录有关信息,从而不断用真正发生的结果检验决策的有效性。

决策与执行力 篇9

决策与执行力

读完王总裁的那篇关于执行力的文章，我首先想到的是决策与执行力的关系，一个企业要想发展，首先必须有一批精英，他们根据国家政策和市场行情做出正确的决策，然后有一套刚性的制度确保做出的正确决策能够顺利执行。强有力的执行力对于一个企业来说十分重要，但必须确保决策是正确的、切实可行的，这时强有力的执行力才显得非常重要，二者必须一致缺一不可，如果决策错误这时执行强有力的执行力，就会对公司造成很大的损失；如果决策正确在贯彻强有力的执行力，那成功就在眼前。决策和执行力就像人的两条腿，那条腿对于行走都很重要，所以不能只强调一方而忽略另一方。两方面都要抓，两方面都要硬。就像精神文明和物质文明一样，两者不可偏废其一，决策和执行力也一样。

再次想到的是强有力的执行力与永争第一的企业精神是密不可分的，只有各项正确的决策得到强有力的执行，企业才能发展，企业只有在持续发展中才可能永争第一，强有力的执行力需要公司全体员工共同来执行，企业的发展需要靠大家共同的努力，要想正确的决策得到强有力的执行这就需要调动全体员工的积极性，员工的积极性调动了，执行起来才会比较顺利；在执行每项决策时要向全体员工解释清楚，执行这项决策的原因及正确执行决策的益处，执行中可能遇到的问题等，要让全体员工知道从长远来讲执行决策是对大家有益的。

大数据优化定价决策 篇10

我们倒不是说制定合适的价格很容易：由于数字化促使多渠道越来越复杂，客户接触点的数量不断激增。不过，价位需要跟上来。由于许多公司没有发现大数据带来的机会，也没有见机行事，那无异于错失了丰厚的利润。提高利润率的秘诀在于，充分利用大数据，在产品层面、不是类别层面找到最合适的价格，而不是淹没在一大堆数字当中。

大到不能成功

对于每一个产品，公司应该能够找到顾客愿意支付的最合适价格。理想情况下，公司会将影响价格的非常具体的宝贵信息考虑在内，比如次好的竞争产品的成本与该产品对顾客而言具有的价值，然后敲定最合适的价格。的确，对一家拥有几种产品的公司而言，这种定价方法很简单。

要是产品数量繁多，问题就比较棘手。一家普通公司的收入中大概75%来自标准的产品，这些产品往往数以千计。人工制定价格的做法很耗费时间，几乎不可能看到可以完全释放价值的定价模式。要是大公司有成千上万的产品，它们想获得精细的数据，并管理这些复杂的定价变量……这些定价变量不断变化，实在是勉为其难。从本质上来说，这其实是个大数据问题（见图表）。

许多营销人员最终只是把头埋在沙子里。他们根据过于简单的因素来制定价格，比如产品制造成本、标准利润、类似产品的价格和批量折扣等等。他们借助老方法来管理产品，因为他们动不动拿“市场价格”作为不认真处理问题的借口。可能最为糟糕的是，他们依赖“久经考验、屡试不爽”的历史方法，比如所有产品的价格普遍上调10%。

林德气体公司（Linde Gases）的销售业务主管罗杰·布里奇吉（Roger Britschgi）说：“因此实际上发生的一幕是，每年我们根据规模和销量来提价，而不是科学合理地提价。我们的人根本不认为可以换一种方式来提价。而坦率地说，我们的人没有充分准备好说服顾客我们确实有必要提价。”

将数据转化为利润的四个步骤

想制定更合适的价格，关键是完全明白现在可供公司使用的数据。这就需要放大目标，而不是缩小目标。正如综合性能源和化工企业沙索（Sasol）集团副总裁兼营销和销售总经理汤姆·奥布赖恩（Tom O’Brien）提及这种做法时说：“销售团队知道价格，还可能知道销量，但这种做法需要了解更多信息：极其精细的数据，实际上来自每一张发票，按产品、客户和包装分门别类。”

事实上，将大数据成功应用于B2B环境方面最激动人心的一些例子实际上不仅仅着眼于定价，还涉及一家公司的商业引擎的其他方面。比如说，“动态交易评分”（dynamic deal scoring）提供了单笔交易层面的价格指导，还提供了决策逐级上报点、激励机制、绩效评分及更多方面，立足于一系列相似的盈/亏交易。使用较小的、相关的交易样本很有必要，因为与任何一笔交易息息相关的因素会有变化，这导致一系列总体交易成为毫无用处的衡量基准。我们已见过这种方法应用于技术行业，取得了巨大成功。将销售利润率提高了4到8个百分点（相对于同一家公司的对照组）。

想获得足够精细的数据，公司就要做好这四项工作。

倾听数据。制定最合理的价格不是牵涉数据的挑战（公司通常已经坐拥庞大的数据宝库），而是牵涉分析的挑战。最出色的B2C公司知道如何解释自己拥有的海量数据，并见机行事，但B2B公司往往一味管理数据，而不是利用数据推动决策。优秀的分析工具可以帮助公司确定经常被忽视的因素（比如更宏观的经济形势、产品偏好以及销售代表的洽谈），揭示什么因素左右针对每个客户群和产品的价格。

提高自动化。人工分析数千种产品太耗费时间和财力。自动化系统可以识别狭小的客户群，确定什么因素左右每个客户群的价值，并且拿来与历史交易数据进行比较。这样一来，公司就可以根据数据，为产品群和客户群制定有针对性的价格。自动化还大大简化了复制和调整分析的工作，因此没必要每次都从头开始分析。

培养技能、树立信心。实施新价格既在运营方面带来了挑战，又在沟通方面带来了挑战。成功的公司非常注重深思熟虑的变革计划，帮助销售队伍了解并接受新的定价方法。公司需要与销售代表们齐心协力，解释为什么实行建议价，这套价格体系是如何运作的，那样销售代表就会非常信任价格，从而竭力说服顾客。同样重要的是制定一套明确清晰的沟通方法，为价格给出一个理由，从而着重突出价值，然后针对具体顾客给出相应的理由。全面的洽谈培训也至关重要，以便让销售代表获得信心和工具，那样与客户面对面交流时，能拿出颇有说服力的理由。最优秀的领导陪同销售代表会见最难拿下的客户，专注于迅速见效，那样销售代表就能树立起信心，积极奉行新的定价方法。林德集团旗下瑞士PanGas AG公司的总经理罗伯特·克里格（Robert Krieger）说：“表明领导层支持这种新的定价方法这个立场，至关重要。为此，我们采取的做法就是领导层与销售代表一起拜见难缠的客户。我们不仅能够帮助销售代表，还能够阐明为什么制定新价格。”

积极管理绩效。想改善绩效管理，公司就需要借助实用的绩效指标支持销售队伍。最大的影响来自确保销售一线对于客户带来的利润了然于胸；销售和营销部门拥有合适的分析技能，得以发现机会，并牢牢抓住机会。还需要将权力下放给销售队伍，让他们自行调整价格，而不是依赖集中式团队。这不仅需要创业理念，还需要在针对特定的客户制定价格策略时有一定的创造力。在改变定价策略和绩效衡量标准的同时，可能还要改变激励机制。

我们已经看到了这一幕：软件、化工、建材和电信等众多行业的公司利用大数据，帮助制定更合理的定价决策，因而收到显著成效。这些公司都有数量众多的库存单位（SKU）和交易，还有一大批高度分散的客户；重新制定价格后，都发现利润率提高了3%到8%，这些价格是在极其精细的产品数据层面制定的。仅举一例，一家欧洲建材公司为几种有所选择的产品制定合适的价格后，利润增幅高达20%。如果公司想制定合适的价格，就应该充分利用大数据，并投入足够的资源来支持销售代表，否则它们会发现自己在为此付出高昂的代价：利润流失。

（原载麦肯锡季刊英文版，沈建苗翻译）