告别大屏，让数据真正提升效能

2026-06-02

全文字数：5014字 | 约15分钟阅读

讲述｜任瑞峰 改进咨询顾问 IPP国际绩效改进师

在服务企业的过程中，我看到了大量真实的数据，也深刻感受到：在当前存量市场环境下，数据的重要性前所未有。

2012年，美国发布大数据研究与发展计划。次年，中国推出一系列大数据发展白皮书——2013年被称为“数据元年”。十年后的2023年，数据资产开始入表，许多行业的数据可以被作为资产进行认证和产值评估。

即便如此，多数企业仍停留在收集数据、制作看板的阶段。看一眼数据，发现某个表象，看到几个浅层问题，然后戛然而止。数据从未真正进入组织的决策与管理中枢。

有人会说：我的决策和管理是依据数据做的。但值得追问的是——究竟是数据在驱动决策，还是我们先用经验做好了判断，再用数据来证明自己是对的？

很多企业所谓的“用数据”，只是在支撑已有的经验而已。数据从不同维度分析，会发现不同的问题点，本可以驱动不同方向的决策与改变。可惜，多数时候它没有。

存量时代的四大挑战

当前企业普遍面临四大挑战。

第一，业务增长放缓。近两年，越来越多的企业感受到：增长不再像过去那样容易了。激烈竞争中，头部企业往往吃掉70%～80%甚至90%的市场份额，剩余大量企业争夺残羹。此时，经验和感性认知能否帮我们找到突破点？数据能否做到？

第二，成本压力。尤其是制造业，受经济与贸易环境影响，铜、存储芯片等原材料采购成本大幅上涨。AI的发展进一步推高了芯片成本，人力成本也在同步攀升。利润与人效从何而来？

第三，数字化形式主义。数字化转型的号召下，企业纷纷上马BI、SAP等系统。但这些系统是真正用上了，还是仅仅沦为看板、大屏、信息沟通的渠道？

第四，竞争策略的转变。增量市场时期，粗放式的发展模式下，做好一个点就能获得足够利润与份额。如今存量博弈激烈，增长突破点在哪里？竞争策略需要转向何方？

这四大挑战，都可以从数据中找到突破口。

为了应对以上挑战，本文将围绕三个方面来展开：人效提升、数据应用、利润挖掘。

首先，人效的提升，要么来自利润或效能的增长，要么来自成本的下降。但目前大多数企业讨论“人效”时，往往只关注人员架构和人力成本，视角较为单一。而数据可以帮助我们从更多维度出发，找到人效的真正卡点和突破方向。

其次，数据应用的困境。近年来，企业普遍开始收集和统计数据，数据也为汇报呈现增色不少。但问题是，数据是否真正用于解决实际问题？改进咨询一直在研究GPS-IE^®管理改进方法论，其核心理念是帮助管理者从语文式思维走向数学式思维，从感性管理走向理性决策。在这一过程中，数据是不可或缺的基础。

最后，利润挖掘。当前的利润究竟在哪里损耗？业务场景看似没有变化，企业也在不断调整人员结构和优化流程，但利润却迟迟没有提升，甚至在收入不变的情况下出现负增长，盈亏平衡点不断逼近。企业该如何从数据的角度出发，挖掘利润、找出利润突破的方向？

人效的真相：流程越严，效率越低

很多企业在数字化转型中不断确认需求，把审批流程做得规范、标准。为了避免返工和决策失误，流程一增再增，沟通频次一增再增，严谨性持续加码。但效率真的提高了吗？

第一，降本的陷阱。

近年来“降本增效”四个字被反复提及。降本确实能在短期内带来利润与人效的微增，但这往往是“消耗性降本”。减少人员，尤其是创新型人员，会限制业务发展，削弱开拓新市场的能力。同时，人员一裁再裁，客户体验感明显下降，企业抗风险能力持续走低。

一个典型案例，某酒店提升餐饮人效，第一反应是裁减厨房人员——当时销售收入有限，厨房确实存在冗余。这本身没错。但接下来一年，酒店婚礼及相关餐饮业务有所提升，厨房却出了问题：上菜速度慢，客户体验差；厨房精力不济，无力调整菜单、创新菜品、配合前台引流。业务上升的通道相当于被堵死。

第二，激励与目标的错位。

许多企业的业务部门中，20%的头部员工创造了80%的业绩。对这些人的考核是单独的还是全面的？不同业务线的经理考核标准是否完全一致？以“产品线+定制化服务”双驱动的企业为例：产品线侧重拓新，定制化服务侧重客户保障与优化。若用同一套激励方式，产品线本该拓新，却把精力耗在服务上；定制化业务本该深度服务，却把精力扑在拓新上。激励不足，积极性受挫，业务发展受限。

第三，目标管理。

战略目标、年度目标、季度目标、月度目标层层分解。定得过高，团队发现怎么也完不成，干脆躺平；定得过低，不用努力也能成功，没人愿意跳起来够一够。这时需要数学思维，需要数据，来帮助企业制定合理的目标。

我们来看一个制造企业的案例。一家制造企业通过数字化转型进行质量体系管理：质量策划、质检准备、质量检验、质量保证、实验室管理、质量改进——全流程审批极其精细。材料与成品由谁检验、如何抽样、哪个级别审批，实验室环节由谁检验、谁审批、谁核定，最后到质量总监确认，流程堪称完美。

但流程制定之后，质量解决效率下降了15%。原因何在？所有质量问题，哪怕是一个极小工件的瑕疵，都必须由质量总监亲自审核。过往出现过质量经理审核不当的情况，于是企业把所有流程全部指向总监。他们以为这样能改善质量问题，结果恰恰相反。

质量总监每天需要审批100多条质量问题。他的精力、他在质量改善上的能力，全被审批牵制。哪还有时间去思考如何真正改进质量？更严重的是审核延期。走完5个流程到总监这里，一小时过去了；总监确认细节，又一小时过去了。到质量改进落实时，一天已经过去。

我们介入后，帮助企业对所有质量问题进行分级分类统计，明确哪些级别由总监审批、哪些由经理审批、哪些由组长审批。最终，整体解决时间大幅降低。这就是用数据看人效的一个切面。

企业需要引入一个概念：有效工作时间。哪些职级的工作时间，我们根本说不清其价值？那些理不清价值的时间损耗，有没有被改进？人效提升的入口就在这里：减少无意义的时间，放大可呈现、可观价值的核心事项。

再看边际效益。如何判断加人还是减人？观察业务增长曲线的斜率变化。增加一个人，增长曲线变得更陡——人加对了，人效提升。减少一个人，增长曲线变缓、增长受限——减人出了问题。对人员绩效与效能的动态关注，是及时调整的依据。

数据的形式主义：大屏亮着，问题藏着

许多企业陷入数据大屏的误区。每天晨会、站会，大屏亮起，所有人轮流汇报昨日数据。说完了呢？团队氛围似乎变好了，但利润和收入增长了吗？恐怕要打个问号。

有些企业甚至设立了数据分析部门。但基础数据分析师往往存在一个问题：只做数据分析，却不给出实际建议。根源在于，他们的分析是技术视角、数据思维驱动的，与业务脱节。既不懂业务，也不懂管理。那么，他们做出来的数据，是业务部门和管理层真正想要的吗？双方是否就此进行过深入沟通和探讨？

另一个障碍是数据沟通的推诿。系统建好了，老板问：数据为什么是这个情况？内部开始互相指责。IT说业务给的数据不及时、不准确；业务说收集口径不一致，分析结果与实际情况对不上。公说公有理，婆说婆有理。资源被大量浪费，数据始终未能真正驱动决策。

曾服务过一家企业的销售部门。他们的数据汇报表格做得漂亮，能清晰呈现不同客户类型在不同区域的覆盖数量与覆盖率。总体来看，A类客户覆盖率低于40%。他们认为问题就在这里——但也只分析到这里。

进一步追问发现：客户经理与C类、D类客户的主动联系频率太低，很多时候是客户找上门，而非经理主动出击。于是得出结论：覆盖不足导致收入与利润不够。但业务收入真的是因为覆盖率低吗？只要联系勤一点、覆盖高一点，收入就能上去？如果是，那各个区域加人就行了。

我们选了两个区域试点，招聘临时工和兼职人员，专门打电话提升覆盖率。覆盖率确实有所提升，但业务、收入、利润纹丝未动。为什么？数据维度不够。

我们质疑的起点其实是一个“异常点”：C类、D类客户的联系频率比B类客户更高，但B类客户的收入与利润反而更高。这个异常点，企业里没有一个人关注。因为经验告诉他们：覆盖率高了，业务就能增长。C、D类覆盖率低，恰好印证了经验，于是其他异常被集体忽略。

重新收集数据、调研客户反馈后，真相浮现：问题不在覆盖率，而在于业务介绍说不清、没亮点；基础服务虽好，增值服务（优惠、情感关怀、体验感）却缺乏场景覆盖。客户真正需要的，不是更高的联系频率，而是把已经覆盖的客户牢牢转化为粘性客户。这本身就能带来成倍增长。

于是，他们在话术、客户关怀、产品体验上全面升级。半年后，C类和D类团队的数据提升了12.7%。这才是真正用数据解决问题：不再被看板的直观呈现所迷惑，不再让数据为经验背书，而是让数据成为决策的驱动者。

暗效能：利润被谁吃掉了

还有一类隐藏更深的效能损耗，经验完全无力触及。

这些“吃掉利润”的方面，恰恰不在我们的思维框架之内。有人会说：那我请专家。但专家给出的最佳实践，是否符合企业现状？能否复用？诊断是否切合实际？尤其高段位专家按时计费，成本不菲。所以需要两条腿走路：一是专家提供最佳实践，二是用自己的数据统计、分析，找出自身与最佳实践之间那些薄弱的、可控的环节。

案例一：收入涨了，利润没涨

一家生产屏幕及后端集成板的企业，收入持续增长，利润却纹丝不动。生产效率在业内算得上知名，问题出在采购成本上——供应商价格与原料规格长期未优化，采购成本年年溢价。

深入分析后发现更严重的问题：供应管理部没有跟上市场价格体系与材料规格的变化，仍沿用过往的价格和规格执行采购。老规格在损耗率、报损率、退货返货中推高了成本。更关键的是，供应商管理存在人情因素，整整5年，近20家供应商没有一家退出，只有新供应商不断进入，老供应商始终占据极高采购占比。

此外，设备闲置严重。有些设备甚至可以在闲置时租赁，却一直堆在仓库里。原材料与半成品周转天数不足。半成品的问题在于计划物流部门：他们以“报废标准期限”来衡量周转天数，而非及时清理呆滞。客户端同样存在微利润客户低频购买，却消耗大量客服、物流与售后资源。算上这些成本，原本微薄的盈利率被打到更低。这些问题，靠经验根本无法发现。

案例二：收入不变，毛利率逐年下滑

另一家制造企业，收入平稳但毛利率逐年下滑。一开始企业调整客户结构、分析收入总账，一切看似向好，看不出问题。后来转向精细化分析——把过去三年的每一笔订单的成本与利润拆开来看。这才发现：30%的小额订单，因为频繁的送货、换货、卸货，物流成本大幅增加，占总费用的15%。这个比例从五年前的不到15%一路攀升到30%。而企业内部对此毫无察觉，即便外部专家带着最佳实践进场，也未必能发现。

企业最痛的往往不是找不到策略，而是连关键目标都确定不了，连关键问题都找不出来。分析得越细、拆解得越深，策略和方案往往自己就浮出水面。所以，GPS-IE®管理改进方法论对于企业的一大价值，在于帮助企业通过数学思维和数据分析，找准那个关键的真问题。

行动指南：OODA循环与“砍沉通转”

最后，提供一个无论何种规模的企业都能执行的数据驱动闭环——OODA循环：观察（Observe）、定向（Orient）、决策（Decide）、行动（Act）。

观察：不是看流程，而是看数据。企业现在有什么数据？哪些用上了、带来了效果？哪些还有缺口？

定向：补足数据，进行拆解分析，找出真问题，为决策提供依据。

决策与行动：基于定向结果做出决策并执行。每一项行动都必须带来数据变化——如果没有，说明方向错了，需要重新调整。

这是一个让数据支撑决策、让决策反馈数据的闭环。

在此基础上，推荐四个动作：砍、沉、通、转。

砍——砍掉那些只能看不能用的报表。高层管理者不需要把精力花在部门内部自娱自乐的指标上。非当前痛点的数据，按季度或年度汇报即可。

沉——数据分析要沉到一线。数据必须能直接呈现部门的问题，并能基于数据给出改进策略。如果数据沉不到一线业务、沉不到基层执行，数据分析能力就是不合格的。

通——打通多平台、多部门的数据孤岛。很多企业的SAP、CRM、MES、OA系统各自为政，同一维度因统计口径不同而数据不一。连基础数据都不一致，分析从何谈起？

转——从大屏转向小屏。从宏观的、展示性的数据维度，转向精细化的、每个人桌面上、贴纸上的数据指标。问题出现，就要被看见。