未来企业建大数据战略关键因素

　　未来是大数据时代，没有跟上数据的企业只有被淘汰，不管是电子商务网站建设，还是企业其他长远的目标，都离不开的大数据。

　　当某在线视频网站准备推出自制剧的时候，评论家纷纷嘲笑他们把握观众品味的能力。很难有谁会想到，该公司通过分析其积累的多年用户观影偏好的大数据，来指导制片人、主演选择和编剧内容并一炮走红，帮助其在一个季度内获取数百万新增用户，并在接下来的一两年内里获得数倍的股价提升。

　　

　　打造大数据战略的四大挑战

　　我们正在迎来一个数据爆炸的时代：各类设备和互动产生的数据量正以年均大于50%的速度增长，预计在2020年可能会达到44ZB(44万亿GB)。

　　全球企业越来越关注大数据给自己带来的机会或者冲击，贝恩公司的大数据行业调研显示，北美和欧洲400多家大型企业(年营业额高于5亿美元)中，大约60%的企业积极在大数据方面进行投资，希望能够带来显著的收益。

　　据调查显示，拥有优秀大数据能力的企业，它的财务表现排在行业前25分位的可能性是竞争对手的2倍、做出正确决策的可能性高出竞争对手3倍、决策速度比竞争对手快5倍。可见，大数据对于企业乃至整个社会的重要性不言而喻。

　　大数据之所以“大”，在于数量(Volume)、种类(Variety)和产生速度(Velocity)的特征。

　　Volume：数据体量大，许多企业大数据规模可达数百TB、甚至EB级别(1EB=1024PB、1PB=1024TB、1TB=1024GB)。

　　Variety：数据类型多，包括各种格式与形态。

　　Velocity：大量数据每一秒都在产生，对数据实时收集、处理与分析应用的速度要求很高。

　　无论数据如何变化，它们是“金矿”还是“垃圾”，取决于企业是否了解自身拥有(或能够获得)的数据资产，并以此建立清晰的大数据战略，从而在战略、运营和一线层面产生价值。无法持续地产生价值的数据是没有意义的。

　　

　　图1：全球数据的数量、种类和产生速度正在爆发性增长

　　基于大数据行业调研，企业今天在运用大数据时还面临不少困难。

　　主要包括战略、人才、数据资产和工具等四大类挑战。

　　战略：

　　仅有约23%的企业拥有明确的大数据相关战略，决定并知道如何将大数据分析有效地应用于企业运营，并建立相应的组织能力、流程和激励机制来赋能数据分析以支持决策。

　　人才：

　　仅有约36%的企业拥有专门的数据洞察团队，并拥有同时具备数据科学专业能力和商业敏感度的人才。

　　数据资产：

　　仅有约19%的企业拥有高质量、一致性较好、易于获取和应用的大数据。

　　工具：

　　仅有38%的企业正在使用先进的大数据工具，如Hadoop、NoSQL、HPCC和自动数据清洗算法等。

　　建立大数据战略与能力的关键因素

　　企业如何建立清晰的大数据战略和关键的大数据能力?贝恩总结出企业建立大数据战略与能力的6大关键因素。

　　关键成功因素1：发现独有的“数据资产”。

　　你拖动某部电影视频滚动条的时候，视频网站正在分析整体观众的偏好数据并指导下一步剧集的剧情走向;当你在店里购物的时候，零售商正在分析整体客流轨迹数据并指导店面的布局和商品的上下架;

　　当工厂每天使用机器设备的时候，厂商正在分析整体设备的使用习惯并指导下一代产品的设计、维修保养的主动性变动以提升效率……这样的例子非常多。

　　作为建立大数据能力的基础，企业应像对待其他重要资产一样，发现、评估和管理好并不断扩充数据资产。

　　首先，

　　应对企业数据资产现状开展深入评估，明确目前数据资产的来源、类型与数据准备情况，评估数据是否足够完整、是否与业务发展直接相关;

　　其次，

　　根据评估结果以及企业经营战略目标，应明确目前还有哪些数据资产与目标存在显著差距，弥补差距的优先级是什么;

　　然后，

　　对所有可进一步获取的内外部数据资产进行识别与评估，在深入考虑数据质量、重要性与相关度、获取成本与时间要求等相关因素之后，选择获取数据资产的最佳方式，诸如自行采集整理、对外采购数据、与外部合作伙伴进行交换等;

　　在获取新的数据资产后，企业还需建立数据治理机制，对数据进行妥善清洗与存储，确保数据的可用性与一致性，并明确数据授权和更新制度。

　　关键成功因素2：明确数据资产如何“创造价值”。

　　在评估企业的数据资产后，需确定如何运用其对企业战略进行支撑与引领。具体而言，大数据可为企业带来五方面的价值：

　　优化企业内部运营流程：

　　例如，某饮料公司运用复杂算法分析社交媒体大数据，识别对于重要议题具有影响力的品牌意见领袖，并对其进行针对性的引领，以提升营销效果;某连锁零售公司通过分析大量门店销售数据，寻找产品之间的未知联系，以提升捆绑销售。

　　优化现有产品与服务：

　　例如，某娱乐公司运用电子公园通行证来采集游客在其主题公园中的活动数据信息，以此来优化游客在公园中的体验;某汽车安全信息系统服务商使用传感器来收集车辆驾驶数据，以改进其产品的设计、生产与维修流程。

　　开发新产品新服务：

　　例如，某保险公司使用插入式设备来收集驾驶行为数据、通过分析司机的驾驶习惯对其保险提供相应折扣，以主动保留驾驶行为较安全的客户;某在线影片租赁提供商通过分析观影档案数据来针对性提升用户观影体验，并提供分析结果给影片投资方以优化影片制作内容。

　　建立新业务模式：

　　例如，某医疗保险公司通过对病人信息数据的预测性分析，向易患病的人群提供预防性关怀服务，以提高服务此类客户的利润率;某理财服务公司免费赠送个人财务软件给用户，在用户使用时分析其消费数据，再向其精准推送相关广告。

　　获取生态系统控制力：

　　例如，某企业级软件公司通过对渠道伙伴的运营数据开展智能化管理与分析，鉴别渠道商的资质与能力，并对业绩进行预测和预警;某电子商务公司数据产品团队基于其电商平台沉淀的大量交易数据，为平台上的卖家开发各类大数据产品，帮助它实现数据化运营和增收，提升电商生态系统对卖家的吸引力。

　　关键成功因素3：识别优先应用场景。

　　对于公司业务部门(营销、销售和服务等部门)，大数据可以帮助其创造以上五种战略价值;对于公司职能部门(研发、供应链和人力资源等部门)，大数据也可以帮助其优化内部运营流程。

　　为识别公司业务与职能部门具体可能的大数据应用场景，可对标业界大数据应用实践、基于数据资产现状评估、剖析业务与职能流程中可能进一步采集的数据与应用方式，运用头脑风暴和内部研讨会列出所有可能的大数据应用。

　　需注意的是，大数据应用场景必须契合业务与职能部门的现实需求，切忌闭门造车、脱离实际。

　　

　　表：各领域常见大数据应用场景示例

　　在确定可能的大数据应用之后，可通过价值创造与业务成熟度两个维度对大数据应用进行评估和优先级排序，以按顺序推动相关大数据应用的落地实施。对于价值创造维度，可以用创造价值的多少(如提升运营效率、提升投资回报等)作为评估标准;对于业务成熟度维度，可以将所需数据资产的可获得性以及所需资源投入和大数据能力支撑(如资金、人才和跨部门合作等)等标准用于评估。

　　

　　图2：大数据应用优先级评估与排序框架

　　关键成功因素4：数据→分析→洞察→决策支撑的产品化、常态化。

　　为将大数据高效应用于企业的日常运营，需要不断将数据分析能力转化为内部应用产品，并将数据分析工作常态化。

　　对于数据分析产品化，可通过大数据应用战略规划、大数据应用场景设计、分析大数据以获取洞察这一过程的牵引，不断推动大数据应用产品的设计、开发与应用，最终实现数据分析产品的可持续运营。

　　而对于分析工作常态化，需要持续维护数据分析产品并监测实际使用效果，为业务与职能部门提供数据分析支持，并对其日常使用中的问题及时进行解答。

　　以某家电公司为例，其借助于收集存储了上亿用户数据的大数据平台，建立了需求预测和用户活跃度等数据模型。

　　以此为基础，该公司为营销及销售人员开发了具有精准营销功能的应用软件，可辅助其面向区域、社区和用户个体开展精准营销;此外，还为研发人员开发了具有用户交互功能的应用软件，可帮助研发人员更全面地了解用户痛点、受欢迎的产品特征、用户兴趣分布与可参与交互的活跃用户。

　　这些大数据产品在日常应用中取得了巨大的成效，在系统运营的近一年里，该公司开展了数百场基于数据挖掘和需求预测的精准营销活动，转化的销售额达60亿元。

　　关键成功因素5：通过组织、人才与IT，为大数据提供强力保障与支撑。

　　大数据战略的落地离不开组织、人才与IT能力的支持，而这些关键要素与能力的建设，需要既能贴近业务一线、又能与战略保持一致。

　　对于大数据组织运作方式，由于大数据核心分析能力、工具投资等在各业务部门之间协同效应突出，企业(尤其是大型企业)一般采用集中化运营中心模式。

　　同时，与业务决策、应用相关的权利被授予前线部门，以确保数据分析与业务决策的无缝衔接。无论如何设计大数据组织运作模式，核心原则是根据公司自身情况与需要，确保大数据分析能力能够最有效地支持一线决策。

　　此外，大数据组织需要多种具备关键能力的人才队伍，来共同支持大数据组织架构的运营。其需要的人才团队包括大数据应用业务经理团队、大数据分析团队、数据资产管理团队、技术开发与维护团队以及风险管理团队等等。

　　除了组织与人才之外，大数据的落地还需要强大的IT系统架构作为支撑。企业需要建立强大的大数据分析平台系统，从不同数据源调取并分析数据，拉通数据基础分析，以统一服务各部门的大数据应用场景。

　　同时，该数据平台还需具备对跨数据源数据进行统一清洗和存储，以确保数据可用性与一致性的能力。除此之外，企业可以建立或优化主数据管理系统，为大数据分析平台以及各业务大数据应用提供统一、便捷的数据联机交易服务，以支撑企业大数据运营。

　　关键成功因素6：通过大数据隐私和安全管理，消除法律及消费者认知风险。

　　大数据带来机遇与价值的同时，也带来了一定的商业风险，特别是涉及法律(例如某社交网络平台由于违反其隐私政策，遭到美国贸易委员会起诉)与消费者认知的风险(例如某互联网公司街景项目由于拍摄的很多照片涉及当地居民隐私，遭到后者大规模抗议)。

　　为此，可按数据类型及从数据收集到分析使用各环节来识别不同类型、地域的法规与认知风险，并予以及时应对。

　　以隐私风险程度较高的数据收集环节为例：对于个人可识别数据(如身份号等)，由于法律规定最高级别保护，故若无明确用途不建议采集;对于敏感数据(如交易和信用信息等)，数据采集需明确告知用户并获得其同意;对于非敏感数据(如产品数据等)可按需采集。

　　此外，企业应建立统一的国际政策法规团队，通过基于全球标准的数据流程来管理数据隐私，并在此基础上根据各国不同法规进行合法的数据隐私本土化管理。

　　同时，还可通过主动披露客户隐私政策以获取数据使用分析授权、向用户提供自身隐私信息控制与删除权限或将个人隐私数据整合为群体匿名数据进行分析以及获取第三方隐私风险管理认证等方式，来降低用户的担忧。

　　企业在建立大数据能力过程中，需要专业公司的帮助和支持。

　　大数据的快速发展对于企业既是挑战，更是机会。企业必须及时抓住大数据带来的战略机遇，制定明确的大数据战略、建立强大的大数据决策支持体系与各方面能力，以充分挖掘大数据时代蕴含的巨大商业价值。

　　大数据的六种典型应用

　　1、个性化营销

　　《一对一的未来》一书的作者罗杰斯和派柏斯在该书中曾这样表示，“我们正经历从工业时代到信息时代史诗般宏伟的转型。我们也随之目睹了大众营业员销的衰亡，一对一营销的兴起。”

　　事实上，在这场营销革.命的背后，大数据的应用恰恰是始作俑者。这也是大数据在当前商业方面最典型的一项应用。可以说，由数据驱动的个性化营销正成为任何企业不容回避的重要趋势。

　　伴随信息过载与消费者异质化，一方面是海量数据和海量信息导致用户信息饥饿感，用户对非关联信息的容忍度与日俱减。

　　同时，用户兴趣数据与日俱增，但用户甄别信息能力占比与日俱减，消费者呈现长尾化趋势，这一切，导致了个性化成为大数据的应用方向。

　　由此个性化的技术被关注和应用，并进而推动企业在生产领域由单纯追求成本最优的规模化生产向客户化定制方向转变。同时，个性化推荐、移动跨屏推荐成为典型应用。而这些应用的背后，是计算机学、统计学、营销学的集成。

　　2、对客户价值的识别和挖掘

　　按照科特勒在1995年对客户终身价值的定义，客户终身价值是“从一个客户身上所得到的其生命周期中全部销售额减少公司用来获取该客户和销售与服务于该客户所花费的总成本的净值。”就是公司将从该客户身上所得到的未来所有现金流的净现值。

　　这意味着，以数据为支撑的客户终身价值的评价和分析将有助于公司建立市场细分的策略，确认哪一类客户才是值得花费成本来建立客户关系的，并最终找到自己真正的目标客户群。同时，它将帮助企业更好地推进客户关系管理，比如通过数据的挖掘和分析，可以知道究竟百分之多少的销售额分别来自于现有客户和新客户。

　　当然，它还会影响到企业的定价行为，比如降价可以迅速提升老客户保留比率和新客户获取比率，但同时也会降低利润率。涨价将提高利润率，但同时也会降低老客户保留比率和新客户获取比率，这意味着企业需要用数据支持决策，最终获得一个最优化的平衡。

　　3、客户流失预警

　　在用户即资产的时代，客户流失预警对企业的战略制定有着重要意义，流失的是否是目标客户，这些客户流失是否代表进攻者的强势进攻，还是自然选择的一个过程，哪一类型的客户，或者满足哪些条件的用户更容易流失，而满足哪些条件的用户则不易流失等等，通过不同的算法，可以发现最终客户流失的特殊及其原因，最终帮助企业决定是否需要挽留这些用户。

　　4、数据驱动的精准广告

　　值得注意的是，在大数据时代，营销理论正在经历重要演变，在历史上，包括产品、价格、渠道、促销在内的4P理论，由于科特勒的创新变为了6P，加上了权力和公共关系。1990年，美国营销专家罗伯特·劳特朋教授提出了4G理论，以消费者需求为导向，重新设定了市场营销组合的四个基本要素，即消费者、成本、便利和沟通。但是大数据出现，尤其是由因果关系向相关关系的转变，4R理论正变得越来越适时，即关联、反应、关系和回报。

　　营销理论的变迁背后，恰恰是数据驱动的精准广告时代的来临，它要求广告主在投放广告前要识别目标消费者，在投放中要实现精准定位，投放后要用一系列的数据工具进行广告效果监控。

　　5、企业商业决策

　　如前所述，企业的诸多重要的商业决策已经变得与数据密不可分，在很多企业里，用数据说话，拿数据指路已经成为企业运营过程的必备准则。同样以苏宁为例子，其数据部门需要为业务部门提供多重服务。

　　首先就是报表服务，即通过Adhoc的技术，为运营部门提供实时的、丰富的、准确的数据支持，帮助所有的运营部门拿数据说话的问题。比如说你今天做一个活动，你需要直接把流量的数据拿出来。

　　其次，就是引擎服务，引擎的意思就是说，它能够应用大数据的技术去驱动前台的业务，它与报表报务的差别在于它已经直接嵌入到企业的生产经营活动中，出来的数据会直接影响到企业的整个业务。

　　6、库存管理和物流配送

　　对于很多电商公司，或者是O2O公司来说，库存管理和物流配送正成为企业重要的竞争力，它不仅直接关系到企业的成本、利润，同时还直接关系到用户体验。由此，通过数据的分析和挖掘，可以精准测算出不同品类不同规格段商品的库存水平，同时获取物流配送的时间效率、最佳用户体验与物流整体配送效益的平衡。

　　企业大数据战略，是未来必须要走的，不管是在电子商务网站建设上，还是在其他目标上，建大数据战略是关键。