1、企业大数据战略指南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，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
2、%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：
3、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。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
4、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？贝恩根据与全球客户合作的大数据相关项目经验，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
5、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
6、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
7、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
8、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
9、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。营销用户画像数字化精准营销社交媒体营销分析销售销售团队决策支持经销商智能化管理促销员智能导购服务用户反馈分析客户关系管理维护用户流失分析预测研发用户功能偏好洞察行业研发趋势洞察供应链供应链运营优化产品复杂度降低人力资源人才识别与招聘人才培养与保留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
10、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。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
11、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
12、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
