数据分析八大模型:OGSM模型

简介: 上一篇分享了经营分析的基本思路,很多小伙伴习惯性的问:那做经营分析有没有什么模型呢?有的,可以参考OGSM模型,今天跟大家简单分享一下。

一、OGSM模型是什么?


OGSM是一套企业管理方法论,包含四个部分


  • O(Objective):目的,指企业要达成的目标,一般是定性描述
  • G(Goal):目标,从企业目标里拆分出的,可量化/可跟踪的目标
  • S(Strategy):策略,达成目标的做法组合
  • M(Measurement):度量,衡量策略是否执行到位


举个简单的例子,一个初创的在线教育互联网企业,正在追求B轮融资。为了争取到更多投资人的认可,他们准备继续做大学员人数,并且新开企业培训服务。


此时,利用OGSM模型进行分解如下图:


image.png


当然,OGSM不止是简单的分解,还有运作流程。


二、OGSM如何运作?


经营分析的运作,都是自上而下,OGSM模型的运作也是如此。


一般是:


最高管理层制定O、G


部门级围绕O、G,制定可落地的S、M


部门内项目小组,跟进S的落地,监控M的进度


如果是大型的集团企业,O会定得特别宏大,因此落地时,在事业部门级会拆分新的O1、O2,再在事业部内部做拆分,总之一层层拆分下去,直到可以落地。越是宏大的O,越是庞大的组织,拆解到可执行的S就会越多。


三、OGSM为啥好使?


OGSM好用,是因为它解决了传统经营分析的三个老大难问题:


难题一:到底目标怎么定合适!


传统的经营分析,经常是这么定目标的:

  • 销售部门:我们要挣100个亿!
  • 产品部门:我们要做极致的用户体验
  • 运营部门:双十一要冲击历史新高

可这么定目标,经常遭遇灵魂拷问

拷问销售:为啥不是101亿?为啥不是99亿?

拷问产品:极致了又怎样?能赚多少钱?不赚钱极致有什么用?

拷问运营:冲新高又怎样?冲完不还是掉下来……


总之,如果只抓着具体的数字,就很难扯清楚到底多大合适。OGSM模型中,把企业发展目标O至于更高一层,这样便于大家从各自一亩三分地里跳出来,站在全局视角看经营目标。毕竟对于互联网公司,融资上市才是终极目标,过程中挣钱亏钱都是小事。


难题二:到底目标怎么调才合理!


“你看同行都在跌,不如我们就……”、

“你看去年同期也在跌,不如我们就……”

“你看ABtest中,参照组也在跌,不如我们就……”


传统经营分析中,你总是能听到各种改目标的理由,然后目标就在各种扯皮中改来改去,毫无节操。


OGSM模型中,采用O(定性目的)G(定量目标)分离的方式,一定程度上解决了这个问题。比如O定为:2022年度成为行业销量第一。那么如果面临全行业下降,就能通过行业数据,合理、合法、不扯皮地调整目标。不用再挖空心思想理由了。


难题三:结果不好,到底是目标太高,还是执行太差?


领导:都是下属执行不力!


下属:都是目标定得太高!


这种扯皮,在传统经营分析的时候经常遇到。


在OGSM模型中,通过区分G(整体目标)和M(度量指标),一定程度上解决了这个问题。


M(度量指标)只考核S(策略)的执行进度。如果M没有问题,就表明S执行到位了,就说明下属是没有太大问题的。如果S都执行到位了,但是G还是达成不了,就表明S存在问题,就说明上级的策略定的有问题,需要修正(如下图)。



image.png



这样看起来似乎对下属不公平,但是有一定道理:因为再好的策略,执行不到位,也无法达成目标,所以优先考核执行是有道理的。


四、美好的理想与骨感的现实


虽然OGSM模型看起来很美好,但实际执行时经常一塌糊涂,围绕“目标合不合理?”“自然增长率到底是多少?”“到底是策略不行还是执行不利?”各种争吵从来没有停过。


究其原因:经营分析的结论,相当于半个绩效考核。没有人想背业绩不好的锅,所有人都想抢业绩优异的功。所以即使有好方法,大家也就嘴上支持下,实际上该干啥干啥。


不过作为做数据分析的小伙伴,我们自己知道这些事就好了。毕竟找工作的时候,被人问到“你会什么模型呀”多说一个总是好的,哈哈。以上就是今天的分享,喜欢的话,记得转发+在看+点赞,三点支持下小熊妹哦,谢谢谢。

相关文章
|
1月前
|
机器学习/深度学习 数据采集 数据挖掘
实战派教学:掌握Scikit-learn,轻松实现数据分析与机器学习模型优化!
【10月更文挑战第4天】Scikit-learn凭借高效、易用及全面性成为数据科学领域的首选工具,简化了数据预处理、模型训练与评估流程,并提供丰富算法库。本文通过实战教学,详细介绍Scikit-learn的基础入门、数据预处理、模型选择与训练、评估及调优等关键步骤,助你快速掌握并优化数据分析与机器学习模型。从环境搭建到参数调优,每一步都配有示例代码,便于理解和实践。
79 2
|
6月前
|
SQL 自然语言处理 数据挖掘
大模型与数据分析:探索Text-to-SQL(上)
大模型与数据分析:探索Text-to-SQL(上)
3124 0
|
6月前
|
SQL 自然语言处理 数据挖掘
大模型与数据分析:探索Text-to-SQL(中)
大模型与数据分析:探索Text-to-SQL(中)
1113 0
|
3月前
|
数据采集 机器学习/深度学习 算法
"揭秘数据质量自动化的秘密武器:机器学习模型如何精准捕捉数据中的‘隐形陷阱’,让你的数据分析无懈可击?"
【8月更文挑战第20天】随着大数据成为核心资源,数据质量直接影响机器学习模型的准确性和效果。传统的人工审查方法效率低且易错。本文介绍如何运用机器学习自动化评估数据质量,解决缺失值、异常值等问题,提升模型训练效率和预测准确性。通过Python和scikit-learn示例展示了异常值检测的过程,最后强调在自动化评估的同时结合人工审查的重要性。
88 2
|
3月前
|
机器学习/深度学习 前端开发 数据挖掘
基于Python Django的房价数据分析平台,包括大屏和后台数据管理,有线性、向量机、梯度提升树、bp神经网络等模型
本文介绍了一个基于Python Django框架开发的房价数据分析平台,该平台集成了多种机器学习模型,包括线性回归、SVM、GBDT和BP神经网络,用于房价预测和市场分析,同时提供了前端大屏展示和后台数据管理功能。
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
【python】python母婴数据分析模型预测可视化(数据集+论文+PPT+源码)【独一无二】
【python】python母婴数据分析模型预测可视化(数据集+论文+PPT+源码)【独一无二】
|
4月前
|
机器学习/深度学习 算法 数据挖掘
从零到精通:Scikit-learn在手,数据分析与机器学习模型评估不再难!
【7月更文挑战第25天】在数据科学中,模型评估是理解模型泛化能力的关键。对新手来说,众多评估指标可能令人困惑,但Scikit-learn简化了这一过程。
55 2
|
3月前
|
机器学习/深度学习 搜索推荐 数据挖掘
【深度解析】超越RMSE和MSE:揭秘更多机器学习模型性能指标,助你成为数据分析高手!
【8月更文挑战第17天】本文探讨机器学习模型评估中的关键性能指标。从均方误差(MSE)和均方根误差(RMSE)入手,这两种指标对较大预测偏差敏感,适用于回归任务。通过示例代码展示如何计算这些指标及其它如平均绝对误差(MAE)和决定系数(R²)。此外,文章还介绍了分类任务中的准确率、精确率、召回率和F1分数,并通过实例说明这些指标的计算方法。最后,强调根据应用场景选择合适的性能指标的重要性。
393 0
|
4月前
|
数据采集 机器学习/深度学习 数据挖掘
Python基于波动率模型(ARCH和GARCH)进行股票数据分析项目实战
Python基于波动率模型(ARCH和GARCH)进行股票数据分析项目实战
232 4
|
4月前
|
数据采集 机器学习/深度学习 数据可视化
关于Python数据分析项目的简要概述:从CSV加载数据,执行数据预处理,进行数据探索,选择线性回归模型进行训练,评估模型性能并优化,最后结果解释与可视化。
【7月更文挑战第5天】这是一个关于Python数据分析项目的简要概述:从CSV加载数据,执行数据预处理(填充缺失值,处理异常值),进行数据探索(可视化和统计分析),选择线性回归模型进行训练,评估模型性能并优化,最后结果解释与可视化。此案例展示了数据科学的典型流程。
74 2