不懂客户的需求就没有数据这回事

　　Managershare：看似很复杂，其实核心很简单，就是＂真正知道客户需要什么＂。
　　数据质量提升是公司上下关注的焦点，也是财经体系的重点工作，同时被列为IFS项目重点工作目标之一。我们为了提升数据质量，通过立项等途径，透过不同流程、不同环节和不同层面去分析及推动解决那些影响数据准确性的问题，以求尽快提升数据质量。本文就什么是数据质量、为什么客户不满意我们的数据质量以及如何让客户满意我们的数据质量这三个方面进行探讨。
　　什么叫数据质量，判断数据质量的标准是什么？
　　对于质量，业务有较为统一的定义，即满足客户要求。套用质量的定义，数据质量即满足数据客户的要求。判断数据质量优劣的唯一标准就是看最后输出的数据能否满足客户的要求。
　　为什么客户不满意我们的数据质量？
　　营销学认为，只有当客户感受到的价值达到或超过其期望时，客户才会感到满意。目前的现状是数据的客户对我们的产品不满意，那么客户感受价值与客户期望之间的差距在哪里呢？总体看来，有以下两方面：
　　第一， 数据与业务实际之间的落差。
　　数据是用来记录和反映业务实际的，但是目前我们的数据产生过程中存在不及时不规范的情况，导致最后出具给客户的数据与业务实际不一致，不能反映真实的业务。这就是数据准确性的问题。它是客户对数据的最基本的要求。
　　第二， 数据产品设计与客户期望之间的落差。
　　是不是数据准确了，客户就能满意呢？准确是基本要求，而要达到客户满意，还需要缩小第二个落差——数据产品设计与客户期望之间的落差。是不是数据准确了，客户就能满意呢？准确是基本要求，而要达到客户满意，还需要缩小第二个落差——数据产品设计与客户期望之间的落差。
　　数据产品设计落差：数据产品设计时对客户的要求理解不正确或本身就滞后于客户期望。数据产品设计就是研究数据应该包含哪些维度、哪些数据项，它们能否提炼出客户需要的信息。
　　目前数据产品的研发需求主要来源于前端客户在管理中遇到的问题，驱动改进现有的数据产品或设计新的数据产品，以期满足公司或前端客户的管理需求。这是一种被动改进，并没有主动分析数据客户的需求。只有主动识别、研究数据客户需求，发现目前的管理盲点，主动设计数据产品来满足这种管理需求，才能从被动接受需求，转变到主动发现需求。＂满足需求的最高境界是创造需求＂。限于客户发现他的需求，并设计满足需求的数据产品，会让客户感到惊喜并且非常满意。
　　通过以上分析，客户对于数据质量不满意，是由于我们的数据产品存在数据产品与实际业务的落差和产品设计与客户期望之间的落差这两个方面的问题。只有从这两个方面缩小落差，让数据产品达到客户要求，才能真正提升数据质量。
　　如何让客户满意我们的数据质量
　　把财经视作一个生产并销售数据的公司，它的数据客户有公司内部客户和外部客户。这个公司负责客户的需求并将其转化为可量化的要求；研发数据产品，是的研发产品能够满足客户的要求；针对研发好的产品，安排原材料采购和生产加工，生产的目标就是数据产品与设计完全一致，满足数据产品设计的要求。下面我们从客户、研发、生产、采购环节进行探讨，看看每个环节需要做哪些努力才能让数据产品达到客户的要求，使客户满意。
　　a)、数据客户关系管理（D-CRM）
　　我们知道判定数据质量好坏的标准时能否满足客户要求，识别客户要求是提升数据质量的前提和重中之重。明确了客户需求之后我们才能够开发出符合客户期望的产品，缩小数据产品的设计落差如何才能知道客户要求呢？客户要求与客户需求又有哪些区别呢？
　　（1）、数据客户管理
　　首先要明确数据产品的客户，它决定了后面进行需求分析的范围。数据的客户有内部客户与外部客户。内部客户包括公司高级决策层、区域决策层和代表处执行层等。外部客户主要是银行、审计等。目前使用数据最广泛、最频繁也是问题最多的是公司的内部客户。
　　（2）、数据客户需求整理
　　明确了客户，我们下一步要收集这些客户的需求，并且进行分析。客户需求的获取不是简单收集的，而是需要深入分析和发掘的。
　　数据客户的需求是什么？是一单一单的数据吗？显然不是。数据客户的最终需求是数据反映出来的，以数据为载体的信息。这个信息要能够真实反映业务现状，通过信息发现问题，通过信息的载体——数据找出问题根因，从而指导业务改进。是一个从数据到信息再到数据的分析过程。举个例子，我们的应收账款是由一单一单发票数据、到款数据和核销数据组成的，而数据客户真正想要的不是这些明细数据。如果你只是把这些数据发给他，他并不会满意。客户真正需求是想知道哪个地区部，哪个代表处应收资产有问题，账龄结构不合理，超长期应收账款较多，DSO偏大。每个地区部、代表处未来一个月预期回款是多少？这些信息是隐藏在一单一单的数据之中，需要通过分析提炼出来的。发现问题后，客户还想知道问题的根因是什么。然后我们需要回到数据看看这些问题究竟是哪个项目、哪个合同甚至是哪笔应收账款造成的，知道问题的根因了，才能对症下药，找到改进方法。客户对于数据的需求就是能够支撑业务的这些分析，做到了，这部分客户就满意了。
　　数据产品的开发现状还是数据研发接收客户的需求直接开发，没有对需求进行深入分析。数据产品开发完成后，往往发现数据产品不能直接满足客户的需求，或者说满足的不是用户真正的需求。举个例子，客户说我要一个钻头，你就给他研发一个钻头，其实他想要的是一个洞，你也许可以研发一个比钻头更好用的打洞工具，或者直接帮他打个洞。这需要数据的Marketing与客户深挖需求，并将需求转化为可执行、可评价、可衡量的要求。
　　（3）、客户需求转化为客户要求
　　将客户需求细化成可衡量的客户要求，这就是衡量数据质量的标准。
　　客户需求与客户要求的区别在于，需求往往是定性的，靠感知来判断的。而客户要求是根据需求细化的、清晰完整的、可量化衡量的。评判数据质量好坏的用词不应该是好、优秀、差、不行，而应该是符合或不符合。如果不符合，可以说清楚哪些点不符合要求，不符合要求的数据占总数据的比率是多少。
　　目前我们的数据只能被动地接受数据客户的投诉和要求，不能及时满足公司和业务管理的需要。正确的做法是数据的＂Marketing＂主动深入业务，了解数据客户的真正需求是什么，将其转化为信息需求和数据要求。这种转化是将管理要求转化为信息要求，将信息要求转化成数据要求的一个细化过程。最后的数据要求将是需要哪些数据项，每个数据项的准确性是多少这样一些可量化的要求。
　　（4） 数据发送渠道管理
　　通过什么渠道将客户需要的数据传递给客户，这对于提升客户满意度非常重要。现在对于数据客户来说他们获取数据的渠道很多，不同渠道的数据提供部门和数据口径都不一致。客户需要花很多时间去弄清楚同一类型但不同口径的数据含义是什么，判断哪种口径的数据产品才是自己需要的。举个例子：对于应收数据用户可以从CFS提取，也可以通过BIS提取，预算也会定期发给对应客户经过考核调整后的应收数据。对于同一数据的多个数据来源，而不同数据来源的结果又不尽相同。难免会让数据客户产生困惑，为什么会有差异？差异在哪里？通过渠道管理我们可以针对不同用户制定数据产品的传递渠道，避免一些过程数据干扰用户的使用。
　　b)集成数据产品开发
　　明确客户需求并将其转化为数据要求后，就需要设计相应的数据产品去满足这些要求。
　　i. 数据产品开发清单
　　获得数据客户的要求之后需要将要求分类汇总，将同类要求进行合并。将分类后要求匹配现有的数据产品，明确哪些要求已经被满足，那些需求部分满足，那些需求还未满足。对于部分满足和为满足的需求按照现有资源和客户分类进行有计划的数据产品开发。
　　ii. 数据产品组合
　　通过对于数据客户要求的分类汇总，得到客户要求清单，通过要求与产品的对应表，我们知道某类用户的要求被哪一个产品组合满足了。最终提供给数据客户的是一个数据产品组合，这个组合能够满足数据客户的要求。
　　iii. 数据产品开发
　　开发的过程需要和用户进一步沟通。研发产品的过程可以多次反复，务求将所有可能的不确定性都在这个环节暴露。保证生产环节能够＂一次性把正确的事情做正确＂。
　　研发过程中需要运用先进的数据管理工具和方法，如数据流图、数据模型、BDS（业务数据标准）等。让数据流的结构更加简单。我们的研发不能靠在最后环节给数据＂打补丁＂来弥补数据缺陷，而应该＂正本清源＂，使得＂源清流净＂。
　　C）、数据生产加工环节
　　在数据生产环节间，各个数据加工环节需要将客户要求嵌套进流程中，每个流程需要将下一个流程作为自己的客户［——丰田TQM（全面质量管理）的理念］。将下一个流程的要求作为本流程输出质量好坏的判断标准，作为本流程是否存在价值的判断标准。而上一个环节要将自己的要求提清楚，明确到数据项的颗粒度，让要求可以度量。
　　在单个生产环节中，落实＂一次性把正确的事情做正确＂的理念，不让错误流入下一个环节。在本环节没有把事情做对，让错误流入后面的环节，后续的改正成本是在本环节发现改正成本的十倍。坚持把后一个环节作为本环节的客户，让本环节的输出满足下一个环节的要求。
　　d)对＂数据供应商＂的数据原材料质量提出要求
　　数据原材料的好坏和使用的原材料密切相关。如果采购的一个射频部件质量有问题，后面生产、交付环节质量控制得再好，最后安装了该部件的基站也达不到客户要求的覆盖标准。
　　数据产品也有＂数据原材料＂和＂供应商＂。为了生产数据产品，财经还需要向＂数据供应商＂采购＂数据原材料＂，这些＂数据供应商＂包括供应链、GTS、甚至是销售前端。财经在对前端＂供应商＂给的数据原材料按照会计规则和考核规则进行加工后，形成三大基本会计报表和公司管理层需要的各种管理类报表。
　　以收入数据为例：收入数据来源与供应链的发货金额和GTS的完工进度信息，如果收入需要分区域或产品线的话，还需要销售管理部的区域维度数据，产品线的产品编码数据；而供应链的发货数据又来源于产品经理的报价单、客户经理签订后的合同。而上面的例子只是最简单的设备产品的收入数据，我们还有服务、turnkey、终端、物料等各种各样的业务。各种业务类型加上每种业务类型的不同环节，必然会增加数据生产、加工的复杂度。
　　从＂数据供应商＂角度看，财经就是数据原材料的客户。采购方需要把自己对于原材料的质量要求提清楚，更重要的，提供原始数据的部门要真正把财经的数据要求看作是客户的要求，切实保证＂数据原材料＂的质量能够满足采购方的质量要求。
　　就现状来看，提供数据原材料的供应商并没有这个认识或者说认识不深。普遍＂数据供应商＂的态度是公司今年很重视数据质量，如果你说了，我就帮你做一下吧，但质量如何我不能承诺。或者说数据不是我的主业，我只要把合同签了、把货发了、把安装完成了就可以了。这样的态度是普遍存在的，如果＂数据供应商＂都是这样想，＂get number right＂不可能做到，让数据客户满意也不可能实现。有意思的是，我们的数据供应商，往往最后还会成为数据产品的客户，客户们往往抱怨的数据质量问题，反而是由于其作为供应商提供原材料的质量问题所引起。数据质量提升不仅仅是账务管理部或者财经体系的工作，需要全公司涉及数据的各个流程通力协作，才能达成这个目标。
　　有明确前后端流程是前端流程的客户，后端流程的数据质量要求是前端流程输出的标准，才能通过数据将相关流程集成起来，并端到端打通，将涉及数据的所有流程整合成一个整体，从根本上解决数据质量问题。