在线客服
这是一个比拼数据应用的时代。正如马云所说：“人类正从IT(Information Technology)时代中走向DT(Data Technology)时代。” 数据，不论是经营数据、生产数据还是宏观数据、竞争数据，对于一个企业已远不止是参考和情报，对数据的应用程度和基于数据的决策水平影响着企业的发展。
在这样的时代，一个企业利用数据推动和改造自身盈利水平的能力至关重要。罗兰贝格将这种能力定名为“数商”。数商高，则企业能充分利用数据致胜；数商低，则企业终将迷失在大数据的浪潮之中。
大数据的先行者们已向后来人展示了这一点。对于著名的社交媒体公司Facebook来说，大数据早已是其企业战略实现过程中最强力的助推器。该公司通过内部 发展和兼并并购构筑大数据能力，形成AI Lab基础平台部门以及散落于各业务小组的数据应用方的组织架构。将大数据应用嵌入到提升用户体验/粘度以及提升广告投放效率的方方面面，利用可视化数据 调用工具，所有项目可随意按需使用数据，实现数据的虚拟大集中。
如今，大数据已不再是数字/互联网行业先行者们的专利，正逐步演进到传统行业，例如汽车行业、金融业、医疗行业、消费品行业等，被更广泛的企业所重视。
图：大数据应用行业趋势
2014 年底，一份由Forbes发起，针对全球296位年收入超过10亿美元的大型企业的高层人员进行的调查显示，超过69%的CEO和34%的CMO（首席营 销官）认为公司在营销活动上浪费着资金。虽然要精确定位那部分被浪费的广告费是个一直以来的难题，但Forbes的调查亦显示，了解“大数据”这一概念的 企业管理人员更清楚地知道谁在购买他们的产品，同时也更明白这些消费者的喜好，相应地也更少认为他们的营销费用被明显浪费了。
营销领域还仅仅只是大数据最易被人理解和接受的一隅。事实上，大数据可以影响企业的方方面面，比如生产环节的个性化和单体效率管理。伴随着数据量的积累和数据拼图的完善，不排除未来通过数据走势来预测企业未来发展的可能。
而从产业环境方面来看，“互联网+”及大数据产业孵化不断加速着数据资产化进而货币化的进程，数据变现的途径日趋明朗。今年4月14日，贵阳大数据交易所正 式挂牌运营并完成首批大数据交易，据交易卖方为深圳市腾讯计算机系统有限公司、广东省数字广东研究院,买方为京东云平台、中金数据系统有限公司。此事件标 志着大数据价值显性化进入新阶段，数据的获取及变现不再遥不可及，已开启“数商”的先进企业均有机会从数据中直接获益。因此，企业提升“数商”，就变得愈 发紧迫。
那么究竟该如何提升数商？提高数据处理的技术能力？升级数据分析系统？我们认为，远不止如此。企业应将大数据视为新的企业运营模式的变革潮流，并找到一种行 之有效的“冲浪”方式。在扎实的理论和大量的项目经验基础上，我们发现，找准行业和企业自身的应用节奏，由此建立自身的大数据分析及应用体系，是企业推动 DT时代运营模式革新的最佳办法。
该体系应从三个维度入手：
首先，确立以应用为导向的大数据价值观，面向数据应用而非面向数据，设计整体机制保障，从纷繁复杂的数据中攫取价值黄金，而非漫无目的地从IT干起；
其次，企业还应关注在大数据生态体系下的数据能力的培养；
另外，梳理和积累适用于自身的大数据业务场景库及分析模型库。
何谓应用导向的价值观？即充分意识到，企业大数据分析体系应围绕企业价值为核心，以应用为导向，形成业务对应于数据的切实可行的运转机制。
企业的所有活动以实现企业价值为核心，大数据活动亦不能例外。牢记在心的，应是如何利用大数据帮助企业创造价值，而不是模糊远景感召下的无谓投入。在此基础 上还应明确，企业对数据的利用应以实际应用为导向，其最终目的是将数据分析转化为生产力。换句话说，企业应从实际待解决的业务问题出发，对应到数据予以解 答，并最终落实回应用场景。要使大数据成为一种产出的科学，而不是偶尔的灵光一闪，也不是偏颇的调研数据主观总结，则要形成稳定的运转机制，建立可以复制 的大数据方法框架，以及配套的组织、流程、技术的支撑体系，以容纳不断推陈出新的应用主题的处理。
图：以应用主题为导向的大数据分析体系
正确认识对大数据的应用问题之后，则需着手培养数据能力。融入大数据的生态体系是企业利用大数据的必由之路，在数据生态体系之下进一步提升数据多元化能力、数据结构化能力以及数据个性化能力。
在当前并未充分形成市场流动的数据条件下，绝大多数企业必须通过积极参与和融入数据生态体系来利用大数据。在生态体系中，外部数据源、业务指导和技术专家是 企业需要重点联合的对象。企业首先需充分集成自有数据（如消费者购买信息、登记信息、会员卡信息、登陆信息等等），并在数据生态的基础上，按业务需要明确 所需外部数据源，通过交易、项目合作、数据交换、开放账号等方式丰富自身数据体系，形成数据链条。
事实上，一个企业80%以上的数据都是非结构化数据，例如客户在社交网络上对企业产品服务的评价互动、聊天记录、评论、图片、语音等。这些复杂多样、散布各 处、没有规律的数据中往往蕴含大量有价值的信息，企业可从中窥见客户对产品、品牌的印象，客户自身的喜好特点等等内容。通过Machine Learning技术实现文本、图像和语音信息的结构化，抓取、挖掘、整理出这些数据中反映出的有效信息，是企业为数据洞察提供输入的重要能力之一。
基于数据多元化和结构化能力，结合业务分析与数据处理，获得个性化的洞察力是实现数据变现的关键。通过对大量数据的分析找出关联、挖掘规律，从而总结出特定 数据所反映出的特定的个体信息。并利用机器对未来的数据进行自动分析和总结，进行大规模的数据处理、归纳、整理和结果产出。最终利用机器学习产生的结果， 了解不同类型个体对象或群体对象的不同特征，进而定制化针对性的业务活动。注：当前以Google、Facebook、Amazon等海外巨头为首的互联 网公司正在进行深度学习(Deep Learning)的研发，深度学习技术能免去上述的结构化步骤，直接将数据输入机器，由机器自行发现规律、拟合模型进行特征挖掘
大数据最终转化为生产力，还需落实到具体的业务场景之中，形成企业自己的基于大数据的业务应用库和分析模型库，以切实找到数据助力点。企业战略的实现寓于各 种业务与生产活动之中，大数据的发力亦应着力于此。以我们的项目经验来看，建立业务应用库，须扫描企业的生产及运营过程，识别大数据适用的业务场景，使用标准格式进行业务用例的统一记录。其内容包括场景描述、大数据的解决思路、数据来源、面向的用户、获益方式以及应用后效果评估方式。
图：某著名车企大数据分析的业务用例库示意
在大数据适用的业务活动得到梳理后，进一步的工作即是分析模型的建立。业务应用库与分析模型库是多对多的关系，即一个业务用例可能对应于多个分析模型，例如 客户再购场景会用到客户消费频率模型以及客户消费水平模型等等；一个分析模型也可应用于多个业务场景，例如客户信用模型可用于信贷场景亦可用于赊买场景。 分析模型库的精进和完整，代表着企业释放大数据潜能的程度。
随着互联网应用的高速增长、移动互联网的普及、物联网的兴起，数据的数量、多样性和生成速度都将呈现爆发式增长。数据资产这座金矿的潜在价值更加凸显，如 何在数据的矿山中挖掘出商业价值的真金将变得越发复杂也越发重要。未来，谁能善加利用数据，谁拥有更高的“数商”，谁就能在日益激烈的市场竞争中脱颖而出。
（文章选自计世网，作者邹震）
返回上一页