{T}

数据至上 ：如何用数据增强你的职场说服力

很多人的汇报表现差强人意，其中一个核心问题就是没有数据结果的呈现。如果工作成果还不错，但是却没有运用数据把它精彩地展现出来，那就实在是太可惜了。

吃这种亏，说到底就是缺少数据思维的意识，或者运用的还不够好。所以，这里详细聊一聊如何用数据思维增强职场说服力。

什么是数据思维

数据思维，简单来说就是在分析问题、做决策、汇报工作等关键工作场景中，依靠数据说话。会使用数据思维和不会使用数据思维的人之间到底有多大的差异，通过一个案例来了解一下。

假如是一个部门领导，现在有两个下属进行月度的工作汇报。

第一个人是这样表述的。

我这个月的工作主要包括内容运营、竞品调研和社群运营。

在内容运营方面，我发送了很多文章，文章的阅读量非常可观，文章带来的转化效果也还不错，有很多用户都表示对我们的产品感兴趣。

在竞品调研方面，我看了市面上几个主要的竞品，分析了这些竞品近期的运营动作，和我们都差不多，没有太多的亮点。

……

在日常的工作中，这一类人很常见。

第二位下属的工作汇报是这样的。

我这个月的主要工作有三个方面：

第一个方面是用户调研的工作；

第二个方面是活动运营；

第三个方面是内容运营。

在用户调研方面，基于了解用户画像的目的，我花费了两周时间完成了 1000 份调研问卷的收集。问卷设计的问题共计 20 个，其中用户属性维度问题共计 18 个，18 个维度数据完整的问卷我定义为有效问卷，有效问卷的数量为 860 份，问卷有效率为 86%。

其中有价值的问卷共计 400 份，占有效问卷的比例约为 46%。在这 400 份有价值的问卷中筛选出 10 个典型的用户，花费了 5 天对这 10 个用户进行了一对一面谈，通过面谈收集了更多的用户生活状态的信息，从而为完整的用户画像提供了充足的资料。

……

听了两位下属的汇报，会给谁的工作给予更高的评价和认可呢？

毫无疑问是第二位，因为第二位能够通过数据来体现自己的工作成果，具有更强的说服力。 相比而言，第一位下属的表述充满了很多不精确的描述，"文章的阅读量非常可观……"到底是怎么样的可观？有多大的用户比例在阅读？"文章带来的转化效果也还不错"，到底多少是不错？这些模糊的描述让领导无法准确地量化他的真实工作成果，因而他也就缺乏足够的说服力。

宁向东教授对此就有个非常精辟的阐述：工作上的牛人做成果汇报，一般话不长，但是比较硬气，之所以硬，就是因为他们的工作报告都有数据，数据摆在那里，胜过千言万语。

如何成为运用数据思维的高手

成为一个善于运用数据的高手，至少要在四个方面展开数据思维的修炼：

  1. 锻炼数据的敏感性；

  2. 数据至上；

  3. 追求精确；

  4. 善用对比。 下面逐一来看。

1. 锻炼数据的敏感性

很多同学都类似于第一个汇报工作的人，脑海中只有文字概念，没有数据意识，其本质是缺乏数据的敏感性，从来不关注数据。

只要观察一下周边生活，会发现很多成果都是用数据来衡量。国家经济发展状况以 GDP（国内生产总值）衡量；公司发展用销售额、用户增长来呈现；人的身体健康状况用各种数据指标来衡量；就连明星热度都是以数据指数来衡量的……这是因为数据能够精确的反应事情的好坏程度。

关于数据敏感性， 可以从内、外两个方面来锻炼。

第一，对外界。任何结果性信息的呈现，都要关注是不是使用了数据？数据是怎么反应结果的？以此来练习对数据的敏感性。比如，参加会议时，多看看同事、领导是如何使用数据的。

第二，对自己。时时刻刻想工作如何借助数据来衡量，应该以什么样的数据来衡量。比如销售：销量多少；内容运营：转化率多少；新媒体运营：写了多少 10w+ 文章。

久而久之，就会对数据非常敏感，看任何问题，都会基于数据体现来考虑。

2. 数据至上

所谓数据至上，就是任何事情，能用数据，就不用文字。 需要在问题分析的时候、在执行落地的时候、在呈现结果的时候保持数据至上的意识。

  • 问题分析中数据至上 在工作中，绝大部分问题都是以数据的形式呈现出来的，比如这个月销售额下降了 300w，新客注册转化率下降了 3 个百分点等诸如此类的问题。

遇到这样的问题，第一时间是分析数据，依托于既有的数据，看数据反映出的问题，顺着数据逻辑来挖掘问题背后真正的原因。千万不要空想，不要说"这个问题的原因可能是……"，而是说"通过数据分析，这个问题主要的原因是……"一定要以数据至上的思维来分析所遇到的问题，这样解题才会更精准。

  • 执行过程数据至上 很多问题不是一下就解决的，通常有一个时间周期。数据思维强的人，就会在这个过程中，把时间节点 - 解决进度 - 解决状况关联起来，以数据来跟进问题的解决状况。简单来说就是关注在什么时间点，问题解决到了百分之多少的进程，问题的解决状况是什么样子的。

比如，可能在分析业务销售下滑的问题，并且产出了一个方案来解决这个问题，这个问题可能需要一周时间通过一系列动作才能看到结果。那么，解决方案就应该有相应的时间进度表，在方案落地的时候，关注第 1 天、第 2 天，第 N 天……问题解决了 10%、20% 还是 30%，以及按计划方案产出的结果是已经到了逾期的 20%、30% 还是 50%。

以数据思维来把控进程，对事情的进展把控也就更强了，产出的结果也就更加可控。

  • 结果呈现数据至上 当问题解决之后，就要进行成果的汇报，这时候，数据呈现就更不可缺少。一定要像上面第二个汇报工作的人所做的那样，把工作产出尽可能用数据呈现出来。比如，销售额下降的趋势是否止住了，目前的销售数据是多少，这个数据是怎么达成的，还有没有提升的空间，如果有还可以提升多少。

从说服的效果来说，比起苍白的语言，数据的呈现力不是几倍的差别，而是有和无的差别。比如，解决了一个流程转化的问题，说转化率提高了 5%，老板很容易就判断出来做得好与不好，而说转化率问题解决的很好，那么老板可能会相信，但是，也很可能认为压根就没有解决问题，这就是差别。

所以，职场上，在任何需要说服的场合，务必以数据来"包装"工作成果，增强说服力，不管是简历上、面试的过程中、汇报工作的时候、还是业务 PK 的时候，有数据就会硬气，没数据就没底气。

3. 追求精确

运用数据的时候要时刻保持精确性，因为精确能够体现专业性。

举个小例子，和上司沟通一个事情的时候，在时间方面就要追求精确性。可以说"领导，我有个问题想请教一下你，耽误您点儿时间，预计需要 5 分钟，您看什么时候方便。"这样不仅让上级容易响应请求，而且他会觉得是一个有时间观念的人。

如果上面这句话去掉 5 分钟这个时间，他比较忙的话，就可能拒绝或者搁置请求，因为他不知道要耽误他多长时间，对此没有一个确定性的预期。

再比如，在给财务打款的时候，为了方便凑了个整数多打了 0.1 元的钱，结果财务就找过来了要银行账号，要求把这 0.1 元退回来，因为 0.1 元没法入账，不符合他们的工作原则。

在运用数据思维的时候，要做到精确，就要注意以下这些方面。

  • 尽量不要用概略性的表述 有的同学表述的时候，喜欢加上"大概""差不多"这样的表述，或者用 30～50、6%～10% 这样的区间进行表述，目的是想给自己留一些余地。

但是，这样不确定性的表述，就会显得自己没有底气。所以，如果对自己的数据比较有信心，就不要习惯性的加上大概、差不多这些模糊性的陈述词，它不仅会让别人觉得不自信，而且会认为结果可能没有那么可靠。

对于区间性的表述也是，如果能够确定相对确定性的数值，就用 8% 左右这样的表述，而少用 6%～10%。因为这样的数值区间太大，别人在参考的时候就会很困惑，不知道参考的时候是以 6% 计算，还是 10% 计算。

  • 不同的场景下追求相应的精确度 在工作的具体业务场景中，要使用相应的精确度表述。因为不同的业务指标，数据要求的精确度是不同。比如销售额这样的绝对值数据，一般精确到个位数就可以了。但是，类似于 0.35 这样的投资回报率（ROI）数据，就需要精确到小数点后 1 位或者 2 位。特别是用百分比呈现的一些数据指标，就需要精确到小数点更多位数，比如产品的转化率提高了 0.35% 这个数据，计算的时候，要精确到小数点后 4 位，也即 0.0035，这样换算成百分数的时候，才是有意义的数据。

在工作场合中，仅仅能使用数据是不够的，还需要精确使用数据，只有表述很精确，才是真正有说服力的。 不精确的数据，反而可能会让工作打折扣。

4. 善用对比

俗话说，没有对比就没有伤害，在数据应用方面，没有对比就不知道好坏。 比如国家统计局公布 GDP 的时候，不仅要公布本月的数值，更重要的是要公布和上个月的对比增减幅度，以及和去年同一个月份的对比情况；只有给出对比的情况，才能让人们判断国家经济的好坏。

但这里需要提醒的是关于绝对值对比和相对值对比。

  • 绝对值对比一般是在类似于用户量、销售额等数据方面进行"量的对比"；

  • 相对值对比一般是用户增长率、销售额增长率、GDP 增长率等数据方面进行"率的对比"。 例如，假如某个 App 的用户量 9 月份新增总量为 50 万，8 月份为 40 万，7 月份为 30 万。

从绝对值来说，9 月比 8 月新增多 10 万，8 月比 7 月也多 10 万。貌似 9 月份的增长和 8 月相比也很稳定，都增长了 10 万。

但从相对值来说就会发现不一样的结果。9 月比 8 月的增长率为（50-40）/40= 25%，但是 8 月比 7 月的增长率为（40-30）/30=33.3%。

可见，从绝对值 10 万的增量来说，9 月和 8 月做的看似一样好，但从相对值的角度来看，9 月的增长率 25% 是明显低于 8 月的增长率 33.3% 的，说明 9 月份没有保持上月同等的增速。

所以，绝对值对比和相对值对比通常要结合起来，才能看到问题的真实面貌。

以上这四个维度（锻炼数据敏感性、数据至上、追求精确、善用对比），会让对数据思维的使用从自发走向自觉，从偶然使用变为必然使用，从简单使用走向深度使用。

小结

如果想更深层次掌握数据的魅力，建议学些数据分析方法。比如业务分析中常用的 A/B 测试、漏斗分析、相关性分析等都是常用的一些数据分析方法。虽然这些具体的分析方法通常是数据分析师等这样专职的岗位来做，但是需要了解数据分析方法背后的思想，这样就能够和专业人员进行有效的沟通。

年底的工作总结又开始了，是否准备好了工作成果汇报？

下一部分，介绍让经验持续增值的利器——复盘思维，看看如何复盘，复盘什么。