8-1 数据科学如何提高战略决策质量 - 孙煜征（B站：课代表立正）

数据科学提升战略决策质量的核心观点与关键步骤

核心观点

1. 数据科学在战略决策中的重要性
   • 数据科学不仅支持业务运营和提供预测、因果、推荐等能力，更核心价值在于提升战略决策质量，这一点常被忽视。
   • 数据科学家应参与战略制定，而非仅限于技术执行，需具备全局视角和业务理解能力。

关键步骤

1. 想全面

   • 深入分析决策相关的所有因素，全面理解业务背景。
   • 产品理解的三种层次：
     • 初级：关注短期指标（如收入/市场占有率），易导致“赔钱赚吆喝”或资源分散。
     • 中级：关注战略协同性，但可能陷入“伪需求”或依赖PPT决策。
     • 高级：回归本质，判断业务是否真实解决用户问题（Product-Market Fit, PMF）。

2. 抓重点

   • 衡量PMF的关键指标：
     • 标准指标：Adoption（试用率）、Retention（留存率）。
     • 更优指标：Net dollar retention（付费复购率）、毛利率（70%+表明产品具备护城河）。
   • 一线洞察比标准化指标更有效，需结合实际场景理解用户价值。

3. 定战略

   • 数据科学家需参与战略制定或深度理解战略，回答关键问题：
     • 竞品分析：能力差异、市场定位。
     • 市场规模：收支平衡点、增长潜力。
     • 护城河：迁移成本、竞争壁垒。
   • 灵魂拷问：业务何时达到意义？为什么是我们做？是否有替代方案？

4. 定策略

   • 基于战略制定具体策略，数据科学提供量化支持（如机会、成功率），指导资源分配。

5. 定指标

   • 使用北极星指标（衡量策略执行效果）和Guardrail指标（监控风险），避免混淆“指标”与“目标”。
   • 举例：减肥目标下，运动量/卡路里是策略指标，体重减少才是结果指标，后者无法指导行动。

6. 定优先级

   • 量化各模块机会与成功率，科学分配资源。

数据科学家角色与素质要求

• 核心素质：
  • 立场中立：坚持业务价值，敢于指出问题。
  • 动机纯粹：避免沦为工具，坚持说做对的事。
  • 视角全局：思考局部任务在整体格局中的意义。
• 专业能力：
  • 认知偏差/逻辑谬误识别能力（参考马斯克转发的认知偏差清单）。
  • 清晰表达复杂问题。

知识积累方法

• Domain Knowledge：桌面研究、专家访谈、动手实践。
• Product Sense：
  • 从用户实际体验出发，而非定义层面。
  • 培养共情能力，代入用户视角。
  • 带着先验认知持续更新理解。

研究结论

• 数据科学提升战略决策质量的关键在于深度业务理解、科学指标设计和全局视角，需避免将数据科学局限为技术执行，而是将其作为战略决策的核心参与者。