經理人都該了解的四大分析概念

4 Analytics Concepts Every Manager Should Understand
愛美.嘉露 Amy Gallo
瀏覽人數:1433
包括從A/B測試到線性迴歸等四種概念。

和很多專業人士一樣,我的工作不需要數據資料或分析方面的專業知識。我是作家和編輯,我處理的是文字,而不是數字。即便如此,現今所有的知識工作者,幾乎都必須經常使用資料分析的結果。例如,我必須了解,有關職涯中期危機的文章,在收到回饋意見方面的表現,是否優於其他主題的文章,以及原因為何,或者要了解,為什麼有特定標題的文章,會比其他文章帶來更多網路流量。

我還必須能夠閱讀與我報導的主題有關的研究,並了解這些研究的發現是否有效並可以延伸運用,我還要能夠向我們的讀者,闡述那些研究結果及其限制。

要做到這一切,我不能只對資料分析有基本了解,必須再深入一些。雖然我在研究所修的統計課很有幫助,但還不足以讓我完全掌握理解重要的概念,也無法讓我進行所需的資料分析相關談話。

所幸我有機會和這個領域中最優秀的一些專家談話,包括《資料賺錢術》(Data Driven: Profiting from Your Most Important Business Asset, HBP, 2008)的作者湯瑪斯.雷曼(Tom Redman),以及在哥倫比亞大學創辦應用分析課程的馮啟斯(Kaiser Fung),與他們討論資料分析的幾個關鍵主題。以下複習的四個概念來自我們的資料分析檔案庫,所有經理人都應該了解這四個概念。

隨機控制實驗

任何分析的第一步,就是收集數據資料。公司常見的做法是進行各種不同的實驗,從快速、非正式的問卷調查,到先導型研究、田野實驗和實驗室研究。其中一種較結構化的類型,是隨機控制實驗(randomized controlled experiment)。很多人在聽到這個名稱時,立即想到昂貴的臨床試驗,但隨機控制實驗不一定要很昂貴或耗時,而且可以用來收集很多東西的資料,例如特定的顧客服務措施是否能改善顧客保留率,或某個較昂貴的新設備是否比成本較低的設備更有效。在一篇複習文章中,湯瑪斯.雷曼讓我了解「控制」測試是什麼意思,以及如何確保它包含「隨機」這個元素。那篇文章還處理了以下問題:什麼是自變數(independent variable)和因變數(dependent variable)?設計和進行這些實驗的步驟是什麼?

A/B測試

最近各家公司更常使用的一種實驗是A/B測試(這是隨機控制實驗的一種類型)。這些測試最基本的作用,就是比較某個東西的兩個版本,找出哪個表現更好。公司使用它來尋找一些問題的答案,例如「哪一種內容最有可能讓人們點擊?或購買我們的產品?或在我們的網站註冊?」A/B測試用於評估很多東西,從網站設計、網路提供的商品、標題到產品說明,全都可以測試。關鍵在於,應了解如何解讀測試結果,以及避免常見錯誤,例如,太快結束實驗以致沒有得到有效的結果,或是檢視有各種指標的儀表板,但其實你應專注於少數指標。你可以從這篇文章更深入了解A/B測試。

迴歸分析

獲得資料之後,迴歸分析可讓你理解那些資料。當然,分析資料的方法有很多,但線性迴歸是其中最重要的方法之一,它使用數學的方法,來釐清兩個或更多個變數之間是否有關係。例如,如果你從事雨傘銷售業務,可能會想知道自己在雨天多賣出多少件產品。迴歸分析可以幫你確定,降雨量是否會影響銷售,以及如何影響。它可以回答以下問題:哪些因素最重要?哪些可以忽略?這些因素如何相互影響?或許最重要的是,對這些因素的影響力,我們有多確定?

幸好,迴歸分析通常不用你自己做,而是由統計軟體來做!但了解它背後的數學運算,以及要避免的錯誤類型,仍然很重要。在這篇文章中,我解釋迴歸分析如何運作,並說明一個經常被誤解的常見警告:不要把相關性與因果關係混淆了。

統計顯著性

完成分析之後,如果有結果,你必須弄清楚它代表的意思,這時就要提到統計顯著性。這個概念也經常被誤解和誤用。但因為愈來愈多公司依賴資料做出關鍵的商業決策,所以這是個應該要理解的基本概念。統計顯著性可協助你量化呈現實驗結果是偶然產生的,還是因為你衡量的那些因素而產生的。

有時候連我自己都不完全了解這個概念,幸好,一般專業人士不需要太過深入了解。幫忙複習這個概念的湯瑪斯.雷曼表示,更重要的是了解如何不誤用這個概念。

在你鑽研這四個概念的同時,另一個有助益的做法是閱讀我同事華特.福力克(Walt Frick)撰寫的量化分析概述。這是個很好的入門教材,說明資料為何重要、選擇正確的指標,以及從資料中提出正確的問題。還有一個很好的圖表比較了相關性和因果關係,協助你決定何時該對分析結果採取行動、何時不用。

最後,如果你因為需要理解社會科學研究,而對統計有興趣,我強烈推薦澳洲國立大學(Australian National University)研究員兼講師伊娃.維瓦特(Eva Vivalt)撰寫的這篇文章。她提供幾個訣竅,可用來判斷研究證據是否可信。

資料分析最終的目的,是為了做出良好決策。無論你從事什麼職業,或是你在公司扮演哪種角色,我們都希望且真的需要參考充分資訊之後,基於證據做出明智的決策。

(劉純佑譯)



愛美.嘉露

愛美.嘉露 Amy Gallo

《哈佛商業評論》英文版特約編輯,著有《HBR精選:如何解決職場衝突》(HBR Guide to Dealing with Conflict at Work)。她撰寫與演講有關職場動態的主題。


本篇文章主題數據資料