孙正义的超强数据工作法(txt+pdf+epub+mobi电子书下载)

作者：三木雄信

出版社：东方出版社

格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT

孙正义的超强数据工作法试读：

如果上司这么问，你会怎么想？“数据、数据，不用那么强调吧……”

这或许多少会让人觉得有些厌烦，对数据不敏感的人恐怕就更是如此。而我有段时间几乎每天都被上司用数据如此狂轰滥炸。这位上司就是软银集团的社长孙正义。

我将在这本书里介绍我从孙正义社长身上学到的“数据化工作法”。“生意场上，数据至关重要。”这句话或许你已经听得耳朵都要长茧子了。还有很多人不堪于公司和上司所要求的“以数据为依据”“用数据证明业绩”的压力。但是，我在这里要介绍的孙正义的“数据化工作法”则完全不同。它不同于日本常见的自上而下强加于人的“被动式数据化方式”，而是一种由下而上，以下推动上的“主动式数据化方式”。也就是说，将数据变身为武器，基层员工可以通过下情上达的方式说服高层，以达成自己所想。

怎么样？是否有些动心了呢？

那些一听数据就心烦的是不是也有些好奇了呢？“数据化”是解决问题最有效的方法

我25岁加入软银集团，当时被分配到社长办公室，跟着孙正义社长参与了许多公司项目。例如：

在微软合资企业开创了专营二手车信息服务的“车要点”（现“carview”）项目。

与美国纳斯达克市场合作开设了日本纳斯达克证券交易所。

收购日本债券信用银行（现“青空银行”）。

开通了ADSL业务——“Yahoo！BB”。

粗略列举一下也都是这样的大型项目，无论其中哪一个，在日本几乎都是史无前例的全新挑战。因为都是从零开始，没有哪一个进展顺利过。公司里总是硝烟四起，问题接二连三，还都闻所未闻。而最后，解决这些问题的关键可以说都在于“数据”。

首先通过数据把控现状，其次对现状进行分析，寻找问题所在及其根本原因，有针对性地拿出解决方案并实施。之后再次用数据对结果进行把控和分析。以此循环式流程快速运转，高效迅速地解决问题，这就是孙正义的“数据化工作法”。

当然我也得到了这一工作方法的彻底培训。而且，由于我在社长办公室这样一个距离社长最近的地方工作，毋庸置疑，接收到的指令也都具有高难度。刚开始要达到这些要求非常辛苦，但随着对“数据化工作法”日渐熟悉，很多事情以惊人的速度得到解决，我自己也在亲身体验自己解决问题的速度日渐加快。与此同时，对本书开头部分提到的孙正义社长说的那些话也日渐理解深刻了：“数据化”就是这么个强有力的解决问题的工具。“数据化工作法”使工作效率飞跃性提升

在我逐渐熟练掌握“数据化工作法”之后，不仅孙正义社长，公司里很多人都来找我帮助解决问题。在他们看来，似乎只要交给我就总会有办法解决。听起来好像很厉害，但实际上也就是个万金油外带收拾烂摊子。

所有项目中最不容易的当数Yahoo！BB。业务一开始便收到了大量申请，但另一方面ADSL的开通工程大幅延迟，客服中心接连不断地接到投诉和咨询的电话。孙正义社长得知这个消息后，和以往一样对我说“你去解决”。于是我便成了客服中心的主管，负责所有问题的处理。具体过程我会在本书中做详细介绍，而其中发挥了最大作用的自然是“数据化工作法”。

平息了如此混乱的局面之后，也使我更加确信数据化的巨大威力。后来，在我离开软银集团自立门户之后，作为“解决问题的专家”仍然有很多企业和项目前来找我。另外，以外部董事的身份，我还数次帮助不同的企业针对他们自身难以解决的问题提出解决方案并加以解决。例如，有一家从事网络广告的公司在采取了我建议的“数据化工作法”之后，不仅成功摆脱了赤字，股价也猛涨到过去的10倍。

我还有幸受邀参与过国家和政府项目。例如，曾一度引起社会骚动的养老金记录不全问题爆发之际，我就受邀参加到当时社会保障局组建的工作委员会中，专门负责处理退休金登记疏漏这一重大社会问题。当时需要确认编号的材料堆积多达500万件，但在我运用数据化工作法之后，一年的工作效率就翻了3倍。

数据化误用现象大肆蔓延

现在我正全身心地经营自己的英语一年速成培训机构“TORAIZ”。我们奉行的宗旨是：一年内保证能够流利地说英语，而且提供与以往英语培训机构不同的新服务。可也因此同软银集团一样，接连不断地出现了很多前所未有的问题。不过，这些问题也都通过数据化快速地得到了解决。结果，于2015年春天，业务开通一年之后便迅速实现了盈余，并在东京、千叶、大阪一共开设了6所分店。并拟定了今后开店的计划，企业规模也在急剧扩大。另外，在我们公司基本实现了零加班。

随着TORAIZ业务的不断扩大，员工的工作量也在不断增加。但由于每位员工都能高效地开展工作，因此我对公司的生产效率有着高度的自信。这全都是“数据化工作法”的功劳。

虽说如此，正如上文所述，不用我再多说，大家也都知道数据化工作法吧。在我迄今为止的著作中，我多次强调数据化的重要性。可是，每当我演讲时，还是一如既往地被问到这样的问题：

我知道数据化很重要，但是，应把什么内容进行数据化呢？

如何进行数据化分析，并运用到工作中去，关于这一点我还是不明白。

尽管大家能够理解必须进行数据化，但对于具体如何将其应用于自身工作以及业务上还没有头绪，这些苦恼和疑惑我听过很多。最近，统计学书籍大受青睐。很多人开始关注数据化以及数据分析。但是，大多数人认为即使读了统计学或数据分析的书，对自己的工作也没有丝毫帮助。另外，我也经常听到这样的质疑：

公司已经有大量数据，为了制作这些资料，员工都在拼命工作。可即便如此，销售额和利润完全没有提高。数据化何止是没用，简直就是在浪费时间啊！

的确，我也承认存在这样的现实。很多企业重复着没有意义的数据化工作，从而陷入“数据梗阻”、生产效率低下以及员工士气消沉的困境。特别是那些业绩不好的企业，这一倾向尤为明显。但是，这些都是误用数据化导致的。

所谓数据化终究只是达成目标的工具而已。为了数据化而数据化完全没有意义。数据化误用的蔓延说到底是经营管理者的责任。但遗憾的是在日本能够正确并熟练使用数据的管理者实在太少了。话虽如此，但是基层员工只是一味抱怨高层无能，实际上并不能解决眼前的问题。

那些高级的统计学知识和数据图表制作方法，统统不需要

那么，到底如何是好呢？解答这一疑问就是这本书最大的目的。

孙正义社长灌输给我的数据化工作法，在我处理无数问题的过程中不断得到完善。我想把这一工作法告诉更多的人。基于这个想法，我希望商务人士能够快速解决所面临的问题，并摆脱“数据梗阻”，从而重新焕发活力。这就是我写这本书的初衷。

第1章介绍数据化的功能以及数据化工作法的基本情况。有些内容可能是老生常谈，但是我经常被问到的“将什么进行数据化”这一问题，至今还没有谈论过。第2章详细介绍数据分析法。这里将介绍“七种工具”，只要能够熟练掌握，就可以处理工作中的绝大部分问题，同时介绍一些简便的工具，如Excel的数据分析法等。第3章针对使用数据化却未能解决问题的原因，以及持续“误用数据化”而容易陷入的误区进行说明。第4章介绍与数据相关的各种各样的规律和理论。你的身边应该也有擅长数据的人，那是因为这些人多多少少了解在商务上有用的规律和理论。第5章集本书之大成，以软银集团的“三维经营模式”作为学习案例。人们容易将软银集团的快速发展归功于孙正义聪明的头脑和灵敏的商业嗅觉，但实际上无论哪项战略性举措背后都有确凿的数据支撑。因此在这一章中，将以软银集团的经营模式为例，来解开至今为止介绍的数据分析法以及数据的相关规律是如何应用到实际中去的这一谜题。

本书中介绍的数据化以及数据分析的方法皆可通过Excel表格轻松实现。一元回归分析法、多元回归分析法、帕累托图分析法……一听到这些，你可能会想“必须要掌握高级的制表方法才行”，但其实并不需要。只要按照这本书中写的去做，你就会惊奇地发现原来这么简单就可以做到。当然，也不需要学习统计学的专业知识和复杂的数学理论。对数学盲效果更加显著！即便如此，可能还是会有很多人认为自己并不擅长数学。应该还有很多人只要一听到“数据定量”“数据积累”“数据压力”等带有“数据”的词，联想到的就都是些负能量的词汇，因为那些都是被人强加于身的数据。

孙正义社长独有的数据化工作法的基本准则就是“为解决眼前问题，要自己主动去收集处理数据。为了完成自己想做的事，实现自己定下的目标，我们需要收集最有用的数据。在熟练掌握并从容运用这些数据的同时，逐步跨越眼前的障碍，实现最终的目标。这就是本书介绍的数据使用法。

无论怎样的难题，只要体验一次那种游戏闯关成功的成就感，就会切实地感受到数据这个工具是多么得力的帮手。迄今为止，越是那些对数据敬而远之的数据盲，越能感受到它的效果。而且，肯定会觉得数据越用越有趣。届时，您的工作肯定会结出超越以往的成果。  第1章 数据化工作法的优越性及七大要点

无论是什么企业，工作中每天都会出现问题。主管无论是反复思虑，还是实地与员工进行沟通，依旧想不出打破僵局的办法的情况也时有发生。我在软银集团工作的时候也是如此，公司内部到处出现这种状况。而不知为何，孙正义社长却对我说：“三木，你去想办法解决。”

他好像特别期待我能够胜任“解决问题专家”这个类似“万能清扫工”的角色。而这项工作在我离开软银，自立门户之后还在继续做。那些绞尽脑汁仍无法解决问题、几乎走投无路的企业以及机构都会向我求助，我作为外部董事及顾问等长期不间断地处理了很多难题。当中有苦于发展萎靡的初创企业，也有被养老金记录不全问题逼到绝境的原社会保险厅这样的政府机构。

然而无论接手什么样的工作，我一直在做同样的事情，那就是尝试将问题数据化。数据化之后，问题的本质就会渐渐明晰，这样一来就相当于解决了问题的一半。

第1章首先回答“为什么数据化之后问题能够得到迅速的解决”这一问题，之后介绍数据化工作法的“七大要点”。孙正义社长执着于数据化的原因

无论是哪位商务人士或多或少地都带着数据意识在工作。销售人员会关注本月的销售额，网络市场营销主管会关注网站的访问量以及转载量，人事主管会关注应届毕业生的应聘人数以及员工的离职率等。倒不如说，完全不关心数据的人反而非常少。企业经营者和管理层人员更是如此。因为，无论是中长期的经营计划还是平时的预算管理、成本管理，运营一家企业必然要涉及的事项全部都是以数据为基础展开的。

但是实际上，到底有多少人真正了解数据的威力，并将其运用在工作中呢？当被问到这一问题时，大部分的人恐怕要在心中画上一个问号吧。而在这种情景下，孙正义社长对数据的执着程度却远远超越了其他经营者。我也曾经近距离地观察过美国雅虎的骨干以及许多国际知名企业家的工作状态。这让我更加确信孙正义社长对数据的执着程度已经达到世界顶级水平。

由于在这样的经营者身边工作，软银的员工自然而然地需要学会“用数据思考、用数据说话”。董事以及管理级别的人自不必说，连基层一般员工都在贯彻这一方针。即使在日常的汇报、沟通和商议中，人们只和拿数据说话的人交谈。这是软银集团的企业文化。

若被孙正义社长叫来开会，他会连珠炮似的问你：为什么和上月相比是110%？怎么能增长到130%？130%难吗？！有什么依据？而我曾数次看到企业骨干们无言以对落荒而逃的样子。尤其是作为社长办公室秘书长的我，相伴在孙正义社长身边工作，就更不用说，从未被手下留情过。也正因如此，我才能将“一切用数据来考虑”这一商业基本技能变成自己的东西。

只有当目标被数据化之后，人才能真正行动起来

孙正义社长为什么如此执着于数据？那是因为他比任何人都知道数据化的好处。数据化最大的好处之一就是可以让我们看到，为达成目标我们需要实施哪些具体步骤。

各位从自身以往经验中应该可以体会到这一点。比如说：只想着“希望减轻体重”的话，减肥大多无法开始。那么，数据化之后会怎样呢？但如果是“三个月内减掉6公斤，即每周减1斤”的目标，那谁都能明白。这样，“如果每周减1斤，那么稍微减少晚饭的量便有可能实现”。这样一来，需要具体做的事便很明确了。因此，当人们知道自己接下来具体该如何做的话，便很容易开始朝着目标出发。也就是说，将目标数据化之后人们才能真正行动起来。

同时，数据化具有提高行动力的效果。减重也同样，只要每天测量并记录体重，就可以想着“还有3公斤就能达到目标，加油！”因为只要进行数据化就可以看到自己努力的成果，明确与目标间的距离，也就更有努力下去的动力。

销售额停滞？何不用数据分析一下问题

在工作以及商业问题的解决上，数据化也有着同样的效果。将问题数据化之后，下一步的具体行动就会更清晰，人们也会更积极主动地去解决问题。这是因为用数据表示问题，能更精准地把握现状，明确问题的本源所在。乍一看乱麻般理不清的混乱状态，进行数据化之后就能找到问题所在，由此也必定能找出解决问题的方法。

有一家企业的销售部一直在烦恼如何能提高销售额。为了能约到客户面谈，便增派人手，拼命打电话，销售人员经常熬夜加班，在外跑业务，但情况依旧没有好转。

我接手这一问题时，将问题进行了数据化处理。不仅需要拿出整体销售额和订单数据，还需要“新增顾客数”和“连续下单数据”，此外，我建议他们将这些数据按照“地域”“职业”等类别进行调查。最后，通过调查得出以下两点结论。

虽然新客户的数量在增长，但两次以上的持续下单率却很低迷。

美容业的持续下单率以绝对优势领先，而其他行业总体都较低。

由此可见，在正确把握现状的同时也找到了问题的核心所在。核心在于两点：一是好不容易争取到的新客户迅速终止了合约；二是跟没有希望继续交易的对象耗费了过多精力。

至此，下一步该做的事也就很明确了。那就是集中精力针对美容行业展开营销。因此销售部的主管们放弃了广撒网式的电话营销，开始针对客户名单中的潜在客户，聚焦美容行业进行推广。结果大部分新客户不仅续约，累计订单数量也顺利上升，整体销售额也实现了增长。

就像这样，数据化之后再难的问题也能找到解决的办法。而且，能大大缩短解决问题花费的时间。这也是孙正义社长如此执着于数据并充分发挥数据威力的原因。

软银集团自创立以来，不断开拓一个又一个新领域。从软件销售开始起家，创立网络搜索引擎“Yahoo！JAPAN”，参与ADSL业务，开始进入手机行业并独占iPhone销售权，利用机器人pepper的开发趁势打入机器人产业……而且，这些都在短时间内得以实现。

打入这些既没有经验也没有技术积累的未知领域，必然会发生各种各样的问题。但即使如此，软银集团能如此快速发展可以说完全是得益于“问题数据化”的工作方法。由于孙正义社长以及员工们有效运用了这一技能，软银以高于其他公司几倍甚至几十倍的速度迅速解决了问题。也正因为如此，当初白手起家的一家小型初创企业才能够在短短35年间成长为市值总额达10万亿日元的大型企业。数据化告诉我们“该从哪个问题着手”

当商业贸易以及工作进展不顺利时，许多问题同时爆发的可能性很大。销售额提不上去，顾客的投诉越来越多，为了应对这些问题，员工们频繁加班，因过度疲劳而辞职的人也不断出现。就像负能量的连锁反应一样，公司上下到处火山喷发。我想经历过以上情况的人应该不在少数。

但是，一举解决所有问题并不现实。能用在处理问题上的人力、精力以及财力等都是有限的。因此，必须选出需要优先解决的事项。但话又说回来，即使开会讨论解决方案，也极少能够形成统一意见。有人主张“应当增加销售员数量”，有人坚持“下功夫搞好促销宣传活动”，还有人提议“雇用专门处理投诉的专家”。所有人都站在各自的立场说话，导致意见难以达成一致，或者由于问题太多不知从何下手以至穷途末路的企业案例也真实存在。这个时候，数据化便是最强有力的帮手。因为只要进行数据化就能明确着眼点，找到入手的地方。

我在软银的那段时期，担任ADSL业务Yahoo！BB客服中心的主管。当时，负责介绍业务的客服中心每月会接到超过100万个客户电话。内容繁杂，有关于业务的咨询，也有对软银的意见和投诉等，总之电话数量非常庞大。

如果那样持续下去，业务成本以及客服员工的开支将会持续膨胀。更严重的是由于针对业务咨询无法准确地做出回应，会导致千辛万苦争取到的客户资源流失。因此对当时的我来说，及早找出解决办法已是迫在眉睫。

解决20%的问题相当于整体上解决了80%

然而在听取基层员工的意见时，大家却各持己见。例如，“在网站上增设‘常见问题’一栏，这样客户就不必事事打电话咨询客服了。”“受理产品咨询的代理商销售人员应该对产品做更加详细的说明。”“为提高客服人员的应对能力，是否应该对他们加强培训？”“或者干脆缩短客服中心的服务时间吧！”

像这样即使收集到再多的提案，依然无法弄清楚“应该从哪个问题开始入手”，也梳理不出解决问题的顺序。所以我让工作人员将客服中心收到的业务咨询和投诉的记录全部打印了出来。之后，在客服和公司员工的帮助下，把这些资料按内容的不同进行了分类。而且并没有什么严格的标准，只是一个粗略的分类。比如这是关于调制解调器质量的，这是关于使用方法不明确的，这是对销售的投诉等，一边粗略地看一边就进行分类，大致分开就可以。

因为我让他们大致分为七类，所以最后在我面前出现的就是七座小山。其中有两座，明显比其他的要大很多。一目了然，这两类占到了整体的80%。也就是说，只要解决这两个问题，就相当于解决了问题的80%。如此一来，该从哪里下手也便一目了然了。

判断解决问题的先后标准就是“解决哪个问题能带来明显成效就从哪个问题下手”。显然，材料堆积如山的这两类问题必须要最优先解决。如果是调制解调器的质量问题，那就交给质量管理部门或者调制解调器的制造商处理；如果是使用方法的问题，就去完善产品使用说明书和网站的FAQ；如果是对销售的投诉，就去改善销售手册，或重新制定对代理商的指导体制。像这样，只要知道解决问题的先后顺序，具体的行动也就明确了。之后，带着适度的紧迫感将解决方式付诸行动就可以了。

大家应该都听说过“二八定律”。这一定律说的是：任何一组东西，20%的因素决定了80%的成效。解决实际问题时，我们可以认为只要解决20%的问题，整体完成度就能达到80%。客服中心的案例很好地证实了这一定律。

数据化能让我们找出解决成效最大化的那20%的问题，并由此能迅速提升解决问题的速度。各类问题频发，茫然不知所措的状况下，也能以最短的时间和最快的速度改变现状，解决问题。无的放矢的提议和建议喊得再响也不能采纳

如果不进行数据化，我们将很难客观得知哪些问题是“解决之后成效显著的问题”。我在听取客服的意见时发现，人的意见很容易带有主观性。有人坚信过去的成功经验，有人和其他部门存在隔阂，还有的下意识地在维护自身利益。也就是说，人们的思想中各种因素错综复杂地交织在一起。因此很多时候只有通过数据化来明确客观事实，才能发现那些平时被忽略的事情才是最大的问题。

最危险的就是，只采纳那些地位高或者喊得响的人的意见。正如上文的事例那样，当销售额提升不上去，又不能将客观事实呈现出来的话会有什么后果呢？召集一个极其冗长的会议，结果却很可能就是公司领导的一句怒斥：“说到底还是你们干劲不足！销售人员都给我更加鼓起干劲，把业务跑起来！”

这样的情况，大家必定无言可辩，之前所有的讨论也会全部白费。无论提议和意见怎样无厘头，下属也都只能顺从，而且问题也永远也得不到解决。这恐怕是最低效的行为了吧？这样的企业迟早会被淘汰。

但是另一方面，无论对谁来说，数据都意味着不容辩驳的事实。这个数据无论是公司社长提供的还是新人提供的都毫无干系。数字“1”那就是“1”。再了不起的人或者声音再大的人都无法改变这个事实。这就是孙正义社长执着于数据的原因。

大家可能会觉得孙正义社长是坚持己见的独裁者，但事实恰好相反。无论对方是下属、年轻的新人，还是初次见面的客户，只要是正确的想法，即使与自己意见相悖，他也欣然采纳。他完全不在意对方的地位和身份。

那么，怎样去判断是否正确呢？标准就是“数据”。

孙正义社长不会凭借主观的好恶去判断人们的意见和想法。能用数据证明这样做可以出成果的话就通过，不行就驳回。正是秉持如此直接的想法，再大的问题摆在眼前也能选出最佳的解决方案，并迅速付诸实施。

但多数企业当中都存在这样一个传统，那就是只要是上司说的，白的也能变成黑的。因此人们习惯于只按照上司的命令去做，自己却不做过多思考。这也造成了目前许多企业无法解决自身存在的各种问题，也无法具备在这个变化莫测的时代里生存下去的竞争力。为了摆脱低迷的状态，每个人都应该主动地选择用数据思考、用数据说话。上司没行动是因为没有使用数据

数据化可以使那些纸上谈兵的上司和光有大嗓门儿的意见得不到通过。从相反的角度来看，数据化还可以使那些一直被忽略的一线员工以及年轻的新人的意见得以通过，成功说服上层。上文叙述的Yahoo！BB客服中心的案例也证明了数据可以说明一切。

将客服中心收到的咨询内容进行分类处理，得到的结果就是弄清了对调制解调器质量的投诉最多，这也致使我试着进一步探究其深层原因。分析发现，只要调制解调器质量的投诉减少，客服中心的咨询率就能从5%降到4%。如果换算到每一通电话的成本上，则咨询率每减少1%，每个月就能削减4000万日元的成本。我把这些数据报告交给销售组，告诉他们解决方案就是要求调制解调器制造商提高产品质量，于是提议很快就得到了落实。“对调制解调器的投诉太多了，请您帮忙解决。”若只是如此说服上级的话，恐怕他们不会有所行动。但若是在客观数据的事实基础上提出“如果这一问题得到解决，会对公司的经营产生如此之大的好处”，那么上层的人也会接受并主动行动起来。说白了，如果不把数据换算成金钱，上级便不会把它当成自己的问题来解决。

上级只会命令基层的问题基层自己解决。想让上级拥有责任意识，让懒散的上级行动起来，那就把公司即将损失的金额摆在他们眼前。如果不这样的话，无论何时也无法从根本上解决问题，直接面对问题的员工们只会身心疲惫。因此，面临难题的一般基层员工和年轻的新人更应该运用数据化方法。

如果为解决这个问题进行投资，就会得到这么大的利益提升。

将这一说辞用数据展现出来就是说服上司最有效的方法，也是下级驱动上级最有力的武器。图1 数字是驱使上级行动的最强武器实践“数据化工作法”的七大要点

讲述到此，相信大家能体会到将问题进行数据化处理的好处以及重要性。然而，还是有很多人虽已明白数据的重要性，但还是不知具体该如何行动。

每月的销售例会上都要做数据汇报。除了这些还应做些什么？

根据上级的指示，已经被迫拼命收集很多数据了，还要怎么样？

肯定有人这样想。但是本书提倡的数据化不是胡乱地收集数据，或者仅用于确认过去的业绩。使用数据的目的是为了解决眼前的问题，最高效地达成目标。为此，掌握数据运用的诀窍必不可少。在这里，针对构成“数据化工作法”（通过数据化快速解决工作中问题的方法）基础的七大要点进行说明。要点一：数据不应被动接收，而应主动获取“问题是数据化真的很重要！”当我向商务人士表述这句话时，经常得到这样的回答：“已经在开展数据化了。每次开会的时候，公司总会塞给我庞大的数据。”

但是，这些数据都是别人强加给自己的东西。进行数据收集和数据化的人，不是自己，而是上司或者其他部门的人。那么，使用别人收集来的数据真的能解决自己面临的问题吗？当然，如果公司和自己对问题的认识完全一致的话，那么公司所给的数据可以原封不动地应用到自己的工作中去。但是大部分情况是，会议资料完全帮不上忙，被扔在角落里，无人问津。公司给的数据无法解决自身问题，这是因为你弄错了应该利用的数据。上司以及其他部门的人无法准确地把握每个个体所面临的问题。

如果你是经常奔走于基层的销售人员，每天都能直接跟顾客接触，能清楚地了解店内商品的销路以及顾客的倾向，因此可以察觉到哪里出了异常，哪里需要改善。但是，公司里的管理者，以及其他部门的人没有机会了解销售的现状。无法正确把握现状，就无法准确抓住问题，因此他们收集来的数据不会对现状产生帮助。

如果是这样的话，那这些该由谁来做呢？

为了解决自身问题，必须亲自对必要的数据进行测算和分析，真正将“数据”这个工具用好。也就是说，对自己有用的数据，要自己去收集。

对工作有用的信息，最初并不是以数据的形式存在的。刚开始的时候，大多数情况下，这些信息都只是让你有一丝隐隐的感觉或者感到略微的不协调。只有不放过丝毫灵感，随时思考“是否存在可印证这一现象的数据”，并抱有问题意识的一线员工在进行必要数据的收集之后，才能使数据化变得有意义。因此，首先应拥有“自觉进行数据化管理”的强烈意识。这是实行数据化工作法的第一步。图2 由“被动数据化”转变为“主动数据化”要点二：数据化的目的是探讨“今后该怎样做”

在软银集团中，只谈结果的报告是不被认可的。“这周发展的新客户数以及投入成本如下所示”，向孙正义社长所做的报告若以此种方式结尾的话，便会立刻遭到训斥。

不应评判“做得怎么样”，而应探讨“今后该怎样做”。

总之，不应着眼于过去，而应放眼未来。数据化的目的在于，指导人们下一步该做什么。对过去的分析自然是很有必要的，但是，归根结底，那只不过是指导人们下一步该做什么的前期准备罢了。换言之，无法指导人们在未来，也就是下一步该做什么的数据化是没有意义的。每一位员工都应意识到这一要点，同时，上级及管理阶层的人也应铭记在心。

多数日本企业通过数据的形式，详细制订了每位员工应达到的成果及绩效目标。然而，仅仅给定一个数字目标，就让员工们各凭本事去执行的公司占据了大半。情况严重时，指责员工是何等的无能，有些上司甚至使用数据来让下属认识到自身的不足。这样做的上司也许是希望下属能保持一种危机感，然而，下属若因此被逼入绝境最终动力减退的话便意义全无了。如果你站在上司的立场，一定要考虑到“这个数据化对员工开展下一步工作是否有用”。

孙正义社长唯有措辞严厉了些，但针对上述事项，他的想法却是始终如一的。即便现阶段的业绩不是那么可观，但在此情况下，对那些能基于现状，考虑接下来该怎么做，并采取恰当行动以加以改善的属下，都会给予积极的评价。反倒是那些尽管报告的数据很顺畅，却无法回答接下来该怎么做，并企图用“正在探讨中”之类的措辞搪塞过去的下属，则会毫无情面地开除。

实行数据化不是为了让人在回顾以往时感到满足，也不是为了让谁成为恶人，而是为了创造未来。这一点，请一定要铭记于心。要点三：数据化的第一步是“划分”

亲自收集和解决问题相关的数据，并以此来指导未来的行动，这个重要性已经理解了。可是，实际操作时，该收集什么样的数据才好呢？

提出这种疑问是理所当然的。任何现象都能够以数据化的形式表现出来。眼前的苹果也是如此，可从重量、高度、颜色浓度、糖度、在日本的收获量、各品种的收获量、各都道府县内的收获量、出口量……无论什么都可以用数据对其加以描述。

即便决心要去收集数据，可是以什么为依据去判断“这与解决问题有关”却毫无头绪，为此困惑也很正常。但实际上，首先应做的事已经定好了，那便是“划分”。

前文所举的营销部的案例中也应用了这一方式。我们按职业类型对新客户进行了划分，并计算出客户延续率，最终得出“将经营活动集中于美容行业”这一有效的解决方案。

在软银工作期间，我之所以能在客服中心的业务改革中取得成功，也是因为我对客户的咨询问题进行了划分，并按照缓急程度进行了排序。如果不进行划分，只关注整体销量、整体收益或是投诉总数的话，问题便永远都得不到解决。不进行划分也无法得到有用的数据。

清点之前先划分，

这是数据化工作法的不可动摇的规则。

划分方法并不是只有按种类划分和按形式划分这两种。“按环节划分”也是一种可帮助解决问题的有效手段。工作必然包含着起点（输入）与终点（输出）。试着对工作过程进行划分，然后测算出各个数据。假设你是一名房产中介的销售人员，并苦恼于每月的签约数未达成目标。这种情况下，“起点”指的是你初次接触到客户的时候。具体来说，就是客户来访或是通过邮件发来询问的时候。而“终点”指的是同客户签订合同。定好起点与终点后，便将这之间的过程划分为若干环节。

对于房产中介行业来说，可划分为“倾听客户要求、提供房屋信息”“带领参观房屋”“合同条款谈判”“贷款审查”“签订合同”等环节。像这样进行划分后，就能得到各环节中的客户数并计算出成功率。“在提供房屋信息的客户中有七成选择参观房屋，然而其中只有5%的客户同我们进行了合同条款的谈判”，若能知道这些的话，就能推测出在走向谈判的过程中，出现了哪些问题。

白领工作效率低是因为没有进行“环节划分”

看了以上说明，也许会有人觉得我只是验证了一个理所当然的事实。但实际上，大多数人都只关注“未能达成每月目标”这一最终结果并苦恼于“该怎样做才好”。却很少有人能将自己的工作过程划分为若干环节，并将结果出来之前的过程用数据化的形式表现出来。“划分为若干环节”是数据化的基础，其普遍应用在厂商生产产品的过程中。汽车的生产过程就被明确划分为“压床”“焊接”“涂漆”“模制”“组装”“检测”这几道工序。进而计算出各个环节中的成品率，严格核实不良品的发生率。另外，各个环节的时间都有严格的要求，甚至会以秒为单位对各个零部件设定目标时间。因此，能够立即测算出“今天‘焊接’→‘涂漆’的过程中的不良品率比目标值多了0.1%”，就可以让人思考“明天如何才能将不良品率降到目标值以内”，并做出下一步部署和实施。

但是，白领的工作中不像厂商那样实施明确的环节管理。因此，白领工作的每一个进程都无法被数据化，也无法通过数据充分地进行分析及验证。日本工厂的生产率至今仍居于世界领先地位，然而，白领行业的生产率却十分低下，其中一大原因是白领工作中未普遍应用“环节划分法”。正因如此，商人若想做出一番业绩的话，就必须要自发地对工作内容进行环节划分，并将其数据化，这点很重要。

刚开始划分得不细致也没有关系

至于划分的依据，我们可以设想到“按形式划分”“按行业划分”“按环节划分”等形式。只是，并不存在什么时候必须怎样划分的固有框架。因为不同性质的问题，不同的场合，其对应的划分方法也是不同的。或许有人会认为“没有标准的话，想划分也无法划分”，但并不是这样的。没有规定的话，自己决定划分方法便好。

思考该如何改善Yahoo！BB客服中心的服务质量的时候，我并不是从最开始就决定好该怎样归总打印出来的咨询信息的。我和员工分工合作，各自阅读几十张咨询信息，在此过程中不自觉地形成了“这个和这个应该分为一组吧”之类的划分依据，自然而然地划分了信息。结果，就将咨询信息划分为了“调制解调器的质量”“对业务的投诉”这样的类别。

因此，没必要最开始就明确决定该遵循什么划分依据。虽然内心很迷茫，但只要试着开始进行划分，在这过程中就能渐渐明白该遵循什么划分依据。

小组一同致力于解决某一问题时，最好每名成员都能分好工，各司其职。我经常做的是：将小组成员集结起来，让他们在报事贴上写下他们认为问题出在哪里。例如，在经营英语口语培训班这一事业时，希望减少退班学员的数量。这时可以召集各培训班的管理者，给他们每人发五张报事贴，让他们写下能回想起的学员退班的理由。然后将这些报事贴贴在白板上，试着对其分组。

这片区域的人是因为钱啊，

这些可总结为“公司加班”“照顾孩子”“忙”……

就像这样，将报事贴在不同的位置上进行移动时，渐渐地就形成了若干组。即便没有明确的划分依据，也能够结合现场的实际情况采取恰当的划分方法。这项工作并不是由一人完成，“集结大家一起做”才是关键。集结所有熟知该问题的人，尽可能多地收集有助于数据化的材料。而且，众人要即刻发表各自的意见，以此来迅速分析现状。通过这种方式，解决问题的质量和速度可以同时得到提升。

因此，遇到实际问题时，若也能像这样“先划分”的话，就能从数据化中得到启示。暂且划分得不细致也没有关系，从眼前的事物开始，试着去划分吧。图3 小组一同致力于解决某一问题要点四：知道问题所在后，进行细致划分和数据测算

粗略地进行划分并知道问题的所在后，就试着进行细致划分并进行数据测算。针对这一点，也没有相关规定，但有几个“测算要点”如果能提前掌握的话会很有帮助。例如，测算“每天”的数据，这是最初级的数据化方法。每天测算一次员工的总加班时间后，就会发现“虽然周一和周五很少加班，但周三和周四却超出了加班的目标值”等倾向。另外，测算“不同地点”的数据也是经常被使用的数据化方法。例如，连锁企业想要比较各商铺销售额的时候，就必须按照“商业街商铺”“小区商铺”“商场商铺”等这样的地理位置的特殊性来进行划分后才能进行比较。

根据人的不同而得出的测算结果有时也是有效的。因为即便是向同一行业的人订货，负责人不同，最后的结果也会不同。将客服业务外包给某公司后，负责人A负责的小组收到的投诉很少，负责人B负责的小组收到的投诉却很多，这种情况也是有可能存在的。如果仅以公司为单位测算数据的话，无法察觉到这些情况。只有测算了各个负责人的数据后，才能够知晓这些问题。

就像这样，再进一步地进行细致划分并测算出数据的话，大多时候就能够离解决问题更进一步。若有时间迷茫于“该测算哪一个数据”的话，不如着手去做，这一点很重要。通过要点三的提示，我们应该能大致预想到问题出在了哪里，所以自此作出假设也没关系。

工作的起点与终点之间，在你觉得是原因的地方测算数据的话，就一定能够发现些许事实。若起初注入了100升的水，最后却只有30升的水流了出来，那么这之间一定有哪里发生了堵塞。因此，对这段区间进行分段，测算出各区间水的流入及流出数据的话，就能准确找出是哪里发生了堵塞。无论多大的问题，只要对起点与终点之间的区间进行细致划分并测算数据的话，就能发现瓶颈的所在。要点五：目标是“用公式表示”现实问题

只是收集数据没有任何意义，这句话或许我已重复多次了。“数据”本身不具有任何意义，人们容易对此抱有误解。例如，“日本的总人口是1.3亿”，这个数据虽是事实，但也只是事实，只是在确认“日本住着1.3亿人啊”这一情况罢了。因此，单纯的数据是起不到任何作用的。

重要的是要对数据进行“体系化梳理”，使其转化为“信息”或“知识”。

这些词在日本使用得模棱两可，但在国外都有明确的界定。信息指的是“整理数据后，得到的带有解释或相关意义的内容”。即信息指的是对数据是“什么意思”这一问题进行解释后得出的答案。“日本的总人口是1.3亿。这个数据近年来整体保持平稳，日本正迎来人口逐渐减少的局面”，只有在这种情况下，“1.3亿”这一数据才称得上是信息。

知识指的是“将信息体系化梳理后归纳得出的内容”，是对“今后该怎样开展工作”这一问题做出的回答。“人口若持续减少的话，2060年的总人口将会少于9000万，老龄化率将会达到40%。因此，必须重新制定社会保障制度，让少数的在职人员能够供养多数的退休人员”，这其中的数据才能称作知识。

日本人总觉得“是数据就会有用”，但单纯的数字是没有任何意义的。将单纯的数据提炼为信息或知识，将现实中模糊的现象转换为有意义的数字，从而指导下一步行动，达成目标。只有做到了这一步后，才能称作数据化。

商业世界的一切都能通过公式表示

将单纯的数据转换为有意义的信息或知识。总而言之，就是“建模”。简单来说，就是“将现实中模糊的问题或现象转换为公式，进行体系化梳理”。

这样说也许有些唐突，想必大家都知道牛顿万有引力定律吧。其内容是：“所有物体之间都存在着引力。引力的大小同物体的质量乘积成正比，同物体间距离的平方成反比。”用公式表示为。就连“苹果从树上掉下来”这一单纯的现象也能通过公式进行建模。

同样，商业世界里发生的所有现象也能够通过公式表示。并且，这些公式必须是可解的。因此进行数据化后，问题就能够得到解决。或许会有人因为我举了牛顿这个例子而觉得模型化是件非常困难的事情。实际上，模型化就发生在我们身边。商业世界里的一切都是由数据构成的，所以通过公式表示是完全可行的。例如，零售业的营业额是这样计算的。

每平方米的营业额×店铺面积×营业天数

某个营业部的营业额是这样计算的。

每个营业员每天的营业额×员工人数×营业天数

怎么样？没有那么难吧。孙正义所说的“用公式思考吧”指的就是这个。

听到“公式”这个词，也许会有人因为“自己不擅长数字运算”而畏缩不前。但是，商业活动中使用的基本是乘法运算，就算还有其他运算也只是加减运算而已，只要懂小学算术就没问题。可以说，是否拥有要点一中所说的“自觉进行数据化管理”的决心要比掌握数学知识以及对数字敏感更为重要。

公式化之后，能够得到比较准确的预测值

将商业现象模型化的好处就是“能得出预测值”。能够预测未来，就能即刻知晓“接下来该怎么做”，从而能迅速采取下一步行动，比竞争对手更快地完善不足之处，获得巨大的成功。要想在商业竞争中取胜，恐怕没有比这更有利的了吧。

最开始开展Yahoo！BB服务的时候，软银集团曾进行过“太阳伞促销”。“太阳伞促销”就是在街头支起太阳伞，搭成简易的销售点，然后在附近不断分发装有调制解调器的纸袋。那时，我们也算出了预测值，并以此为基础制订了销售计划。将“选址”“打工者的熟练度”等要素用乘法进行计算的话，就能很容易算出一天大概要发多少调制解调器。将选址转换为“每小时人流量”，就能够进行数据运算了。同时，以工龄月数为参考，规定打工者熟练度的数值，熟练为3，一般为2，不熟练为1，以此进行计算。将人的技能及经验等本质要素像这样进行数据化处理，就可以通过公式进行计算了。

提前算出预测值，并以此为基础设定目标的话，即使出现了无法达成目标的销售点，也能迅速采取应对措施。“达不成目标，是因为销售点雇用了熟练度低的打工者。因此，下一次从其他地区调经验丰富的打工者过来吧！”就像这样，可以即刻知晓接下来该怎么做。“能够预测未来”将成为最强的商业武器。为了得到该武器，养成“用公式表示一切”的习惯非常重要。图4 “用公式表示”的益处要点六：数据化后，持续高速执行PDCA循环

正如上文所述，数据化的目的在于指导人们的下一步行动。商业活动说到底还是要实践，无论使用多少数据进行分析，不转化为行动的话便不会有任何成果。虽然通过使用数据我们可以分析现状并算出预测值，也能以此为基础制订计划，但是只有实际操作后，才能知道计划是否可行。“做完周密的市场调研后，本应能开发出符合消费者需求的新商品，然而实际销售的时候，却完全卖不出去”，这种事时有发生。最重要的一点是进行数据化并制订目标或计划后试着去执行。然后用数据测算执行结果并加以检验，若问题没有得到解决的话，就执行其他的解决方案。持续高速执行PDCA循环是达成目标的最快方法。“数据化工作法”与PDCA对应后，具体如下。

P（计划）：用公式将问题进行体系化梳理，理解各数据间的关系，制订计划。

D（执行）：执行计划。

C（检查）：分析计划与执行间的差异，按照缓急程度把握问题。

A（改善）：执行改善方案。

我简单地解释了PDCA的各环节，但软银集团有时会先实行计划后制订计划，有时还会两者同时进行。总之，不能止步于计划，也不能将时间花在无用的事情上，我们追求的是尽快执行。

软银集团认为“失败要趁早”

当然，执行计划时也可能会失败。而软银集团是在充分汲取失败教训的情况下执行计划的。重要的不是结果成功与否，而是“尽早发现现实与计划间的差异”。执行结果中得到的数据最为准确，毕竟计划阶段得出的数据只是“预测值”，而实际执行后得到的是“实测值”。这才是最宝贵的，但若只是反复把时间花在计划上是决不会得到这些的。因此，软银集团才认为“失败要趁早”。

测算并分析预测值与实测值之间的差异就能知道为何会产生这样的差异，从而制定出更准确的改善方案。执行改善方案后，情况便能确实得到改善，从而离目标更进一步。反复并持续执行PDCA循环是找到正解的最快方法。身处难以预测将来的时代之中，在制订“计划”上花费再多时间提高计划准确性的效果也是有限的，这是孙正义带领的软银集团中所有人的共识。

害怕失败，花过多时间去制订计划的企业

另一方面，大多数企业都有在制订计划上花费过多时间的倾向，因为他们害怕失败。因为太害怕失败，所以他们细致地收集所有信息，在公司内不断进行讨论，并认为“全员一致通过后，才能够开始执行”。然而，在此期间，商业环境及行业环境都在不断改变。无论是多么划时代的想法，只要错过时机，不但会被对手超越，消费者的喜好也会改变。

这是因为在制订计划上花越多时间，员工就会越疲惫越丧失动力。因为无论怎么修改计划，不实际去执行的话就无法获得“做到啦，成功啦”的成就感或充实感，所以当然会出现这种情况。即便好不容易走到了执行这一步，能迅速进行检查或执行改善方案的企业也不多。因为计划是花很长时间好不容易制订出来的，所以打算暂且观望其走向。这种倾向在很多企业中都存在。

原本大多数日本企业“会每季度或半年重新制订一次目标或方针”。短的也顶多一个月制订一次。与此相对，软银集团检查及改善的循环是多久一次呢？答案是“随时”。软银集体追求的并不是每月、每周或每天执行一次新循环，而是每一次确认完当前数据后，便即刻考虑下一步行动。

该想法之所以可行，是因为构建了可以即刻掌握所有数据的体系。例如，员工可以使用终端设备随时确认手机新用户数等信息。若得出“今日的新用户数似乎无法达成目标”的判断，就立刻构思改善方案，并立即执行。这便是软银集团员工的日常。比起那些每季度或半年一次将员工召集起来，让他们不紧不慢地汇报过去数据的企业，谁是商场中的赢家便很明了了吧。

不是让数据化只停留在数字表面，而是迅速将其转换为行动，然后持续高速执行PDCA循环。

这便是软银集团强大的秘密。要点七：解决问题后继续开展数据检查

通过数据化解决问题并非最终目标。工作中会频繁出现新问题，一旦达成目标，就应该紧接着向更高的目标进发。同时，商业环境时时刻刻都在发生改变，过去适用的数据划分方法及公式随着时间的流逝也会逐渐与现状不符。因此，即使在同过去相似的场合下做着同样的工作，也应找出符合现状的划分方法，顺应时代变化更新公式。因为不这样的话，就有可能会遗漏重要数据或算出错误结果。

例如，智能手机出现的时候，由于没有重新审视其类别划分，出现了很多落后的IT企业。在此之前，人们皆通过电脑接受各种网络服务。因此，智能手机上市后，也仍有许多企业在统计网页浏览量及网络服务用户数时，未划分哪些是智能手机端登录的用户，哪些是电脑端登录的用户。结果这些企业犯了一个致命的错误，即他们未能把握住智能手机的使用者会越来越多这一动向，始终把服务重心放在电脑端使用者上。

现在来说也许难以置信，在环境改变的过渡期中，必然会出现一些企业被时代所淘汰。能够抢先注意到环境的改变，也是数据化工作法的益处所在。若每天都检查数据的话，就能发现诸如“迄今为止基本持平的预测值和实测值之间突然产生了偏差”之类的变化。这种情况下，很有可能是因为环境发生了某种改变。察觉到这些，就相当于抢占了先机。只要谨遵上述的数据化要点，找出产生偏差的原因，就能先于其他公司采取行动。

软银集团正因为能够及时察觉市场动态，才能够以绝对优势战胜对手。数据化并非只用于解决一时的问题，而应成为每日的习惯。可以说这是在商业上长期获胜的唯一方法。现代商业中最重要的五个数据

就像这样，软银集团的一线员工时时刻刻都采取着数据化工作方式。虽然每位员工会因不同的服务内容及业务处理不同的数据，但每一个数据最终都与公司的经营紧密相连。反言之，对公司经营无用的数据，不论怎么收集和分析都没有意义。因此，一线员工也应从经营的角度理解数据。

虽说如此，其实这并非难事。因为公司的经营能用以下的五个数据简单地进行梳理。

客户数量

客户单价

客户停留期（从成为客户到不再是客户的期间）

客户获取成本

客户维系成本

公司的经营是通过掌控这五个数据来维持的。对经营来说，最为重要的是提高利润。营业利润可用以下计算公式表示：（客户数量×客户单价×客户停留期）-（客户获取成本+客户维系成本）

因此，为了使公司的利润最大化，需要如下掌控数据：“客户数量”“客户单价”→提高“客户停留期”→增长“客户获取成本”“客户维系成本”→降低

这种将上述五个数据上调或减少使公司利润最大化的方式，可以说是公司经营的终极目标。同时，这也是数据化的目的。分别测算数据、列公式以及算出预测值都可以算作“掌握这五个数据”的前期准备。若不明白这个本质的话，无论怎样提醒“数据化很重要”，都无法理解其奥义，最终只停留在单纯执行命令的层面。公司经营不下去的话，在公司工作的员工也会受到极大的影响。因此，不要片面断定“一线员工不懂经营”，而应自觉参与到对五个数据的调控中去。当员工皆意识到这一目的时，公司营业才能够得到提升，员工与公司才能够一同成长。软银集团就是靠以这五个数据为基础的经营模式成长起来的。

现在的商业中，尤应注重“客户停留期”。即注重“客户终生价值（LTV）”，指的是“公司从与客户所有的互动中所得到的全部经济收益的总和”。如何才能在卖完一次商品或提供完一次服务后继续获得利润？尤其是在人口，即消费者的数量逐渐减少的日本。这个想法很大程度上左右着公司的经营。打印机就是成功将客户终生价值这一理念贯彻到经营模式中的代表案例。只靠卖打印机是无法获得利润的，让客户接着购买自家的打印墨水，生意才算是成功。可以预测，在IoT（物联网）普及后这种商业模式将得到推广。

目前，大多数的经营模式都是卖完产品或零件后就同客户中断联系。然而，这之后若能在网络上同客户保持联系的话，就能为客户不断提供新服务，同时还可以很容易地同客户保持长期联系。今后公司就可以从所有产品的保养费、维修费，或是促成客户再次购买产品中获利，将目标转化为“尽可能长期地从客户中获得利润”。

当然，软银集团也从最开始就意识到了“客户终生价值”的重要性。孙正义社长常说：“长期开展下去的业务是最好的。”即公司最需要的是能持续为公司创收的业务。从数据化角度看软银集团的经营的话，就能清楚了解软银集团始终重视上述的五个数据这一事实。我将这种以五个数据为中心的经营模式命名为软银集团的“三次元经营模式”，本书第5章中有详细论述。当今时代，如何利用数据将产生致命性差距

本章的最后，想再谈一下为何当前要实行数据化管理。数据自始至终都是商业中不可或缺的东西，各式IT工具升级之后，数据的收集及分析变得极其便宜且简单，这是过去所不能比的。例如，从庞大的文本数据中提取有关联性的词，并加以分析，不久之前这对于一般人来说还是不可能的事。因此，人们想要分析用户反馈的调查问卷时，只能委托专业的企业顾问，支付不菲的咨询费。然而，如今在“KHCoder”这一工具的帮助下，诸如此类的分析简单得任谁都可以做到，并且该工具可免费下载。

收集数据以及数据化已变得如此简单，这意味着什么呢？擅于利用数据的人和企业，与一成不变地靠直觉及经验的人和企业之间会产生致命的差距。由于不需要耗费任何成本也可以完成数据的收集，所以对于预算少、人手不够的初创企业及中小企业来说，只要其管理层及员工掌握了数据化技巧，他们就有可能做出震惊世人的革新。相反，对于预算及人手充足的大型企业来说，若其无法有效利用数据的话，他们便会被对手或新兴势力赶超，渐渐走向衰败。另一方面，需要注意的是，数据化变得简单后，人们会容易做一些“无谓的数据化”。我周围的人也是如此，我经常听他们说公司让他们处理各种各样的数据，然而那既没能解决问题，也没能使公司的业绩提升。结果，只是白白浪费了时间。这种因做无用功而陷入“数据化代谢”的企业有很多。

虽说收集数据不花钱，但不做任何准备就去收集数据的话，无论有多少时间都不够。毕竟虽然不花钱，但是要花时间。并且，时间也是不可忽视的成本。在无法达成目标的数据化上耗费成本，致使效率低下，这本身就是本末倒置。数据化确实是万能的工具，但必须以正确使用为前提。（本书第3章说明了数据化过程中容易让人犯错的“数据化陷阱”，并且说明了有利于解决问题的数据化与让人浪费时间的数据化之间的不同。）  第2章 解决问题的利器：数据分析的七种工具

随着IT工具的升级换代，人们步入了以低成本收集各种数据的时代。然而，问题在于该如何分析数据并将其有效利用在工作及业务之中。最近，出现了学统计学的热潮，亦是因为有很多人想知道该如何有效利用数据吧。当然，学统计学自然有其用处。可是，你的工作有因此取得进展吗？即便理论知识掌握得再好，也仍有人不知道该怎样将其应用到日常的工作之中。因此，本章将介绍我在实际工作中常用的“数据分析的七个方法”。

1.流程分析

2.散布图和一元回归分析

3.多元回归分析

4.帕累托图分析法

5.T型账户

6.差异分析

7.LTV分析法

本章并非只对各个方法进行单纯的解释，而是具体说明什么情况下该用什么样的方法以及如何使用，想必大家能因此领会所谓的“通过数据化解决问题”究竟是何含义。同时，本章还将推荐几款十分便利的数据分析工具。这些都无需具备高级统计知识，无需熟练掌握Excel技能。请你试着从今天开始就在实际工作中使用这些方法。流程分析——方法简单，却效果出众

最先向大家介绍的是“流程分析”。

软银时期自不必说，如今在我开办的TORAIZ中，我每天也都在使用此方法。

所有的商务人士应该都经历过手里的工作无法达到理想状态而烦恼的时候吧？这种情况下，流程分析不仅可以帮你梳理工作流程中哪里出了问题，还能帮你谋划出具体的改善方案，效果出众。

对工作流程进行划分，记录各阶段数据，草拟解决方案并执行，最后再用数据进行检查。然后再持续不断循环执行这一过程。

这是最基本的方法，操作本身也很简单。

虽然用Excel操作会更容易些，但用笔记本记录也没关系。当然，这完全不需要统计学知识。

试读结束[说明：试读内容隐藏了图片]

下载完整电子书