第三節　企業大數據的運營

眼下，大數據是個熱門話題，不只是商界人士，甚至政府官員也都在各種會議場合紛紛提及大數據的重要性。的確，大數據給企業帶來了廣泛的想象空間，為許多過去根本不可能的事情創造了實現的可能，企業應抓住契機，運營好大數據。

一、企業大數據的運營體系

一般的企業會將大數據體系的構建分為下圖所示的六個層級，但并非是線性過程，每個層級之間或多或少都有基礎關系，但并不是說一定要逐層構建。例如創業型企業，在缺乏數據研發實力的時候，多數企業會借助第三方平臺進行數據上報與分析。

1.數據基礎平臺

數據基礎平臺建設工作，包含下圖所示的內容。

很多企業的數據無法有效利用，原因是缺乏統一規范，產品數據任由開發者按照自己的理解和習慣上報，沒有標準化的SDK和上報協議，并且數據散落在各個部門產品的服務器中，無法構建結構化的數據倉庫。

做數據平臺的架構，很多人會理解為高端的技術活，其實整個數據平臺價值的體現，需要企業各個部門的配合。

比如，關鍵數據指標體系的建立，需要從各個部門中的業務指標進行提煉，并得到業務部門認可。常見的關鍵指標有：DAU、PCU、WAU、MAU、按天留存率（1～30日留存）、累計留存率（7日、14日、30日累計留存率）、新增用戶、有效新增用戶，活躍轉化率、付費轉化率、收入指標、ARPU人均收入、渠道效果數據等。

2.數據報表與可視化

在第一層級中，進行數據指標體系規范，統一定義，統一維度區分，就可以很方便地進行標準化可配置數據報表設計，直觀的可視化輸出設計，包括行為、收入、性能、質量等多種數據類別。

3.產品與運營分析

在建立數據平臺和可視化基礎上，對已有的用戶行為和收入數據等進行各種分析，輸出日報、周報、月報、各種專題分析報告。常見的數據分析工作如下圖所示。

用戶畫像也是常見的數據分析方式，包括用戶性別、年齡、行為、收入、興趣愛好、消費行為、上網行為、渠道偏好、行為喜好、生活軌跡與位置等，反映用戶各種特征，以達到全面地了解用戶，針對性地為用戶提供個性化服務的目的，通常每半年做一次用戶畫像的專題分析。如下圖所示的是常見的數據分析思路。

4.精細化運營平臺

基于數據基礎上搭建的精細化運營平臺，主要的平臺邏輯多數是進行用戶細分，商品和服務細分，通過多種推薦算法的組合優化進行商品和服務的個性化推薦。另外還有針對不同產品生命周期和用戶生命周期構建的產品數據運營體系。

5.數據產品

廣義的數據產品非常多，例如搜索類、天氣預報類等。

比如，騰訊的數據產品有廣點通、信鴿；阿里巴巴的數據產品有數據魔方、淘寶情報、淘寶指數、在云端；百度的數據產品有百度預測、百度統計、百度指數、百度司南、百度精算。

6.戰略分析與決策

戰略分析與決策層，更多的是與很多傳統的戰略分析、經營分析層面的方法論相似，最大的差異是信息來自于大數據。

有很多企業錯誤地把“業務運營監控層”和“用戶/客戶體驗優化層”做的事情放在經營分析或者戰略分析層來做。其實“業務運營監控層”和“用戶/客戶體驗優化層”更多的是通過機器、算法和數據產品來實現的，“戰略分析”和“經營分析”更多的是人來實現的。很多企業把機器能做的事情交給了人來做，這樣導致發現問題的效率較低。

從這點上來說，盡量用機器來做好“業務運營監控層”和“用戶/客戶體驗優化層”，在此基礎上讓人來做人類更擅長的經驗分析和戰略判斷。

二、企業大數據的運營模式

大數據產業能夠催生更大的市場和利潤空間，將構建數據行業應用于新體系。在這個產業鏈中，不同環節的商業需求正在催生新的運作方式和盈利方法，從而引發新的運營模式，具體如下圖所示。

1.數據自營模式

數據自營模式是指企業自身擁有海量數據和大數據技術，同時具備一定的分析能力，能夠根據數據分析結果改進現有產品或預測未來，從而使企業獲得利潤的商業模式。這種商業模式的成功運行是需要一定條件的，如下圖所示。

能根據分析結果進行商業決策，通過不斷改進原有產品、推出新產品以及預測企業的發展方向使企業獲得利潤。這種模式適用于綜合實力較強的企業，基本上囊括了大數據產業鏈的各個環節，集數據生成、存儲、處理和應用為一體，形成了良好的產業鏈循環體系。因其自產自銷，不僅降低了成本，更適應企業的需求，使企業在大數據市場上占有一席之地。

比如，亞馬遜自身擁有海量用戶信息和交易數據，根據對用戶的瀏覽歷史和購買記錄進行分析的結果，采用“item-to-item”協同過濾技術找到客戶之間的相似性以及產品之間的關聯性，形成個性化推薦系統，從而進行精準營銷和個性化廣告推介。亞馬遜的個性化推薦系統為其銷售額的增長做出了巨大貢獻，它創造的價值占其銷售額的1/3。由此可見，數據自營模式為亞馬遜帶來了巨額利潤和良好的發展空間。

2.數據租售模式

數據租售模式是通過一定的媒介，將廣泛收集、精心過濾的數據銷售或者租賃給客戶來獲取報酬的方式。這需要企業具有強大的收集數據和整合萃取信息的能力，以此形成數據采集、信息萃取、價值傳遞的完整鏈條。具體如下圖所示。

在這種商業模式下，數據實現了增值，成為可供交易的商品，很好地詮釋了“數據就是資產”。這種模式適用于擁有海量數據的企業。對他們而言，不用費很大的力氣，只需對數據進行簡單的加工便可獲利。數據租售模式能使企業形成較強的差異性競爭力，使他們超越競爭對手。

比如，百度創造了以銷售數據為主的商業模式，它建立了網游用戶行為數據庫，能夠將游戲玩家的搜索熱點記錄匯聚其中，然后再把這些數據銷售給網絡游戲運營商。百度作為搜索引擎巨頭，可以輕松地獲取搜索信息，并且這些信息無需進行深加工便可出售獲利。

3.數據平臺模式

數據平臺模式是指數據的分析、分享和交易等功能都能通過平臺來實現，通過為用戶提供方便快捷的個性化平臺服務來獲取利潤的商業模式。數據平臺主要包括下表所示的三種模式。

（1）數據分析平臺模式　數據分析平臺模式是指通過靈活租賃的方式為用戶提供數據存儲、數據運算和數據分析的平臺服務。

數據分析平臺模式要求用戶掌握一定的數據分析技能，用戶只需將數據上傳到平臺上，便可使用平臺上面的分析工具進行數據分析。

數據平臺模式適用于技術創新型企業，因其擁有先進的平臺技術，能夠自如地利用平臺進行數據處理和交易。由于這種模式是由技術驅動的，只要技術不斷創新，未來將不可估量。

比如，谷歌（Google）提供了在線數據分析平臺Big Query，用戶不必投資建立自己的數據中心就可以上傳大量數據并通過其直接進行交互式分析，Big Query為用戶提供了方便快捷的服務，還節省了時間和成本。

（2）數據分享平臺模式　數據分享平臺模式是指平臺服務商憑借其擁有的數據資產，為用戶提供云數據庫、數據推送、數據集成等服務，同時開放數據接口、提供開發環境，供開發者進行基于數據的應用開發，從而獲取利潤分成。具體如下圖所示。

數據分享平臺模式需要平臺服務商具有強大的數據采集能力和分析能力，這樣才可輕松運行。

比如，阿里巴巴的“聚石塔”數據分享平臺將支付寶、淘寶、阿里金融、B2B的數據囊括在內，利用“云計算”提供數據云等服務，將買家的訪問量、購買意向、已下訂單等數據匯總到大平臺上，通過淺層分析預測商品的生產量、物流調配能力，以此快速地應對不同的情況。該平臺為賣家帶來了巨大的商業價值和發展空間。

（3）數據交易平臺模式　數據交易平臺模式是指第三方平臺提供商為數據所有者和需求者提供數據交換、交易的服務平臺。

數據交易平臺模式需要完善的平臺技術保證交易的順利進行，數據的擁有者將數據上傳到平臺上，需求者便可從平臺上下載。具體如下圖所示。

4.數據倉庫模式

數據倉庫模式是指通過整合所有類型的數據來為企業提供決策支持，從而達到獲利目的的商業模式，具有下圖所示的特征。

數據倉庫模式適用于決策型企業，幫助用戶快速地做出正確的決策，實現投資回報率的最大化。

比如，天睿公司（Teradata）是全球最大的致力于數據倉庫、咨詢服務、提供企業分析和決策方案的供應商，它的數據倉庫擁有大規模并行處理（MPP）平臺，該平臺是目前性能最高、最可靠的平臺，能夠高效處理海量數據，有效提升企業的數據資源利用能力，幫助企業在最短的時間內做出正確的決策，從而提高整體運營效率。

5.數據眾包模式

眾包是指企業在線發布問題——大眾群體（專業或非專業）提供解決方案——為贏者獲取報酬，且其知識成果歸企業所有，是一種在線、分布式問題的解決模式和生產模式。

數據眾包模式是從大數據的角度出發，指企業從創新設計領域切入，將產品設計轉向用戶，通過搜集消費者設計的海量數據進行數據測評，找到最佳的產品設計，同時借助社會資源提升自身的創新與研發實力。數據眾包模式具有下圖所示的特征。

數據眾包模式，因其倚重“草根階層”，大大降低了企業運營成本，還能使產品更具創造力和適應性。

比如，宜家通過舉辦“天才設計”大賽，調動消費者的積極性，讓消費者設計多媒體家居方案，然后進行作品數據分析，將優秀的作品投入生產和市場。

6.數據外包模式

外包是指企業為獲取競爭優勢，把除核心資源以外的其他資源借助于外部最優秀的專業化資源予以整合，達到降低企業成本、提高績效、提升企業核心競爭力和增強企業對環境應變能力的一種管理模式。

數據外包模式是指企業將數據收集、數據處理等業務環節剝離出來，外包給專業機構，通過優化資源配置來降低成本，增強核心競爭力。數據外包模式主要包括決策外包和技術外包。這種模式對企業有一定的要求，具體如下圖所示。

這種商業模式適用于經驗型企業，它的優勢不僅在于幫助用戶縮短決策周期、縮減業務流程，更重要的是降低運營成本，可以使用戶集中精力做核心業務，不斷增強其核心競爭力。

比如，臉書（Facebook）基于其擁有的海量用戶在線社交行為和網絡群組關系數據進行分析，根據分析結果對用戶進行分類，為那些需要外包服務的企業提供精準的廣告投放服務。

三、企業大數據的應用場景

大數據在企業運營管理過程中可落地的應用場景，主要有下圖所示的八種。

1.消費者需求分析

很多企業管理者都意識到消費者再也不是營銷產品的被動接收器了，通過大數據來了解并設計消費者的需求的產品，可能是所有企業都應該去考慮的第一個大數據的生產應用場景。

借助大數據，企業對采集來的內部數據（如銷售網點的數據、消費者直接反饋等）與外部數據（如社交媒體的評論、描述產品用途的傳感器數據等），通過微觀細分、情感分析、消費者行為分析以及基于位置的營銷等手段，讓企業“擦亮眼睛”，摸清消費者的需求，徹底改變曾經那種“跟者感覺走”的狀態，走出直覺猜測消費者的需求的局面，如下圖所示。

企業由此迫切需要建立利用內部數據以及外部數據的機制，全渠道了解消費者的需求，使用多重分析法（如聯合分析法）來確定消費者對與產品某種特點的支付意愿，了解使產品搶占市場的重要產品特征，從而改善產品設計，為產品提供相應的改造升級的明確方向和規格參數。

2.打通生產豎井

豎井有兩層含義，具體如下圖所示。

跨越豎井是當代企業營銷面臨的重大挑戰之一。重塑企業架構是必由之路。企業必須改變妨礙消費者體驗的組織結構，建立基于消費者的意愿、去改變組織結構、去影響消費者與品牌打交道的方式。通過接觸其他文化、改變先前的設想，并且要去除聯想障礙，來實現各渠道創造無縫體驗。

大數據的先進架構，例如大數據湖，可以讓跨部門、跨公司、跨地域甚至跨行業的相關組織，在共同遵循的數據治理框架下，產品設計者與制造工程師可以共享數據，模擬實驗以測試不同的產品設計、部件與相應供應商的選擇，并計算出相關的成本，以促進產品設計和測試，實現信息與情報的融通，如下圖所示。

3.產品與服務的設計

產品可以分為有形產品和無形產品。生產型企業生產的多為有形產品，而服務型企業生產的多為無形的產品。無論有形、無形或是把產品服務化的企業，其最終的目的都是以通過服務來增加利潤，并且在同質化競爭中體現差異性。

產品設計是明確企業產品性質與特點的過程，這個過程復雜且代價高。生產成本的80%左右會受到產品設計階段的決策影響。因此，如何提升產品設計的決策是所有企業家和管理者的共同挑戰。

企業在設計并且生產出消費者需要的產品的過程中發現，產品的設定和生產要素，與流程、工藝、市場、消費習慣、銷售策略、區域、氣候等都有千絲萬縷的關系，數字化能夠幫企業把這個輪廓勾勒出來。利用大數據的實時數據分析，將數字勾勒出來的消費者偏好轉化成為有形的產品特點，利用數據設計產品，實現研發與運營共享數據，共同參與產品設計的改進和調整，如下圖所示。

4.開放式的融合創新

Web 2.0的出現和廣泛流行至今，深遠地影響了用戶使用互聯網的方式。互聯網、移動通信網以及物聯網是當今最具影響力的三個全球性網絡。移動互聯網恰恰融合了前兩者的發展優勢，而物聯網傳感器數據則使得創新型售后服務成為可能。現在，人們越來越習慣從互聯網上獲取所需的應用與服務。

供應商、消費者、第三方機構等與此同時將自己的數據在網絡上共享與保存，能取得開放式的融合創新，如下圖所示。

Web 2.0時代不單單提供了云計算的接入模式，也為云計算培養了用戶習慣。大數據為生產型企業提供創新服務乃至建立新型商業模型提供了歷史性的機會。

5.適應性庫存管理

眾所周知，庫存成本往往占產品成本的50%，過多的庫存會造成過高的庫存管理成本。與此同時，庫存的多少似乎永遠也無法解決商品的脫銷。無論是庫存量還是脫銷量，企業在發展過程中，都希望利用信息化手段，能夠通過實時跟蹤貨物，采集數據，確定不同地區在不同時間的庫存水平，使得庫存水平具有適應性。

運用大數據使得供應與需求信號緊密聯系在一起變得容易實現和具有可操作性。我們可以把銷售記錄、銷售網點數據、天氣預報、季節性銷售周期、區域庫存信息等不同緯度的數據融合起來，形成實時感應需求信號，與實時貨物位置等信息能關聯分析，匹配供求關系，如下圖所示。

產生的精確的信息，可以反饋到生產計劃、庫存水平與訂單量等庫存計算的各個環節，使企業了解具體地區的庫存量并且自動生成訂單，從“需求感應”實現“適應性的庫存”管理，不斷優化庫存水平。

6.質量管理

早在20世紀90年代開始，大量的企業就開始通過應用分析法來提高產品質量和生產的效率，其核心是實現生產與服務的需求相匹配。今天的大數據分析手段也是如出一轍。大數據不僅能夠使生產商制造產品的時間縮短20%～50%，還能夠在產品批量生產前通過模擬，防止產品缺陷，減少產品開發周期過程中不必要的環節等。

質量管理強調產品質量要符合消費者預期，這個預期包括預算、功能、外觀等。這是大數據分析法提升質量管理環節的首要收益。通過對內部與外部數據的實時采集和分析，企業能夠準確地了解消費者需求以及購買行為，明確產品特征，運用高級分析法準確地指導生產、運輸與采購，以提升產品或服務的質量。如下圖所示。

大數據的實時性與實效性，給企業的生產質量管理提供了質的飛躍。傳統質量管理主要是通過靜態的、歷史的、沉淀的數據，通過檢查表、散點圖、控制圖等檢測手段，來發現生產過程的質量問題。大數據通過物聯網，以及產品上安裝傳感器、標簽等手段，實時監測采集數據，認知產品性能，實時提高質量。

7.勞動力的數字化

勞動力是除了產品成本外，企業最重視的開支。而且，也是最容易出現問題的。其中有很大一部分問題的出現，與管理水平低下有關。因此，管理者不應只強調員工的問題，而忽略自身和機制的問題。特別是在零售、分銷、加工等這些勞動密集型企業，勞動力問題尤為突現。

任何一個企業，都應該通過有效的科技信息手段，基于企業的行為和文化標準，從雇傭的質量、繼任計劃，以及到員工的成長進程，做好全人才生命周期的管理。通過大數據方式，找到進行員工調度的最佳模式，縮短管理時間，實現技能與崗位的周期匹配、勞動力效率最優化，如下圖所示。

讓勞動力的管理成為可預測的，且基于分析學的方法來實現人才資源的管理。這樣的方法一是客觀，二是從大數據統計的角度將員工的績效指標和行為特征連接了起來，為每個企業都創造一個“最適合”的勞動力模式。

8.資產智能管理

物聯網的發展以及感應技術的興起，為企業開創了一個能緊密連接物理空間許多事物的信息網絡。隨著大數據分析技術的發展，特別是預測分析的發展，結合互聯網云化的廣泛應用，物理空間與虛擬信息空間的形成與同步，離不開設備的自我意識和自主維修機械系統。

智能設備的未來，一定是能夠自主評估健康狀況和退化情況，主動預防潛在性能故障，并且做出維修決策，以避免潛在故障的系統。要實現健康條件評估，就需要利用數據驅動算法分析從機械設備及其周邊環境中得來的數據，如下圖所示。

實時設備條件信息可反饋至機械控制器以實現自適應控制，同時信息也會反饋至設備管理人員以方便及時維修。操作員可根據每臺設備的健康條件平衡和調節每臺設備工作量及工作壓力，從而最大限度地優化生產和設備性能，實現主動檢修計劃的智能決策。

四、企業大數據的實施關鍵

企業要啟動大數據戰略，想讓大數據提升企業運營效率以及提升業務績效，需要從下圖所示的五大方面制定符合企業情況執行方案，讓大數據滲透到企業的“骨骼”和“血液”。

1.制定大數據規劃，找準切入點

成功的大數據規劃聚焦于下圖所示的四個核心要素，企業著手實施大數據戰略要著重考慮這四大方面，管理者需要在這四方面做好規劃，才能給企業帶來更好的業務價值。

（1）應用場景　企業高管需要和各業務的整體負責人、數據專家一起開展研討會，分析哪些業務投入大數據可以使得業務的績效提升最為顯著，從而確定不同業務投入大數據的優先級，找準大數據的切入點。

（2）數據產品　數據和分析模型本身的輸出可能會比較復雜，比較難理解，這樣往往導致經理或者一線員工等數據用戶不能理解，更稱不上運用。所以，只有數據產品在業務具體的場景運用的時候，以非常簡單易用的方式來呈現，才能讓更多的數據用戶使用。

（3）數據模型　企業在制定大數據戰略方向時，需要介入數據專家，根據應用場景和數據產品的輸出來選擇模型以及優化模型，從而確定模型研發的方向和優先級。

（4）數據資產　有了應用場景、數據產品和數據模型這三大方面，我們就能更清楚地知道為了實現這三大方面，我們需要哪些數據，什么數據是企業現在擁有的，什么數據可以通過合作產生，什么數據需要外部整合，什么數據需要進行購買或者投資。

有了應用場景、數據產品和數據模型的規劃，大數據的采集、整合、管理的策略便能比較容易理清頭緒和進行相應的規劃。當我們合理地整理企業所擁有的數據，并整合有利于業務發展的外部的數據，形成系統化的管理，才能很好地形成企業的數據資產，如下圖所示。

2.強化高管團隊大數據能力

在互聯網和大數據高速發展的時代，大數據正在深刻地改變商業的前景，如果企業要想抓住這個機遇，企業高管的數據決策力和數據管理能力也需要加強。高管團隊中需要有專人負責制定大數據的戰略、跟進、監控，以及指導大數據戰略的實施。如果在高管團隊中沒有設立相關的數據負責人的職位首席數據官（CDO），則很難把數據分析和數據挖掘所發現的機會應用于企業戰略層的業務發展決策以及相應的組織層面的變革。所以，如果企業確實要推動大數據，一定要考慮設立首席數據官職位。

3.設計合理的大數據組織架構

企業的組織結構是企業戰略能夠順利實施的基礎，所以，合理地在組織架構中設置大數據團隊對于大數據戰略能否成功實施尤為關鍵。

（1）數據分散的組織結構　很多企業設立數據團隊缺乏統一的規劃，哪個事業部需要數據人員則在該事業部（或業務部門）設立，如下圖所示。

上圖中這種組織架構是國內最常見的，這種組織架構最大的問題是數據分散，缺乏統一管理和整合，企業內部各事業群（或業務部門）數據各自為政，形成數據孤島，數據無法整合使用，導致數據資產流失。

（2）遠離數據業務的組織結構　另一種常見的做法是在公司只設立一個中央數據部門，該數據部門統一服務各個事業部（或業務部門），各個事業部（或業務部門）沒有數據人員或者團隊，如下圖所示。

上圖中這種組織架構的問題在于數據雖然集中管理，但數據遠離業務，導致很多數據人員不理解業務，無法挖掘數據的價值，無法通過數據很好地輔助業務部門提升績效或者運營效率。由于數據人員無法理解業務，導致數據庫中存儲的很多數據變成“死”數據，數據的業務含義很少有人理解，數據的價值便容易流失。

（3）合理的數據團隊　較為合理的數據團隊在組織架構中的設立，如下圖所示。

首先，設立公司級的中央數據部門，集中存儲和管理數據；其次，每個事業部（或業務部門）都設立數據團隊；再次，在總辦設立CDO的崗位。這樣的好處在于數據能夠集中管理，并且貼近業務，可以很好地發揮數據的價值；同時，在總辦（高管團隊）設立CDO崗位，可以讓數據更好地為決策層服務，數據分析所發現的商業價值也可以更快地應用于業務戰略調整。

4.搭建有效的大數據團隊

人才是大數據戰略實施至關重要的方面，因此，設置符合大數據能力要求的團隊顯得尤為重要。如果組織缺乏合適的人才或能力，大數據戰略實施的結果很可能會令人沮喪。因此，企業應做好相應的人才規劃，按照合理的規模和構成來建設人才庫。在合理的大數據組織架構下，有兩類數據團隊，如下圖所示。

5.用制度和文化來保障大數據的實施

大數據的順利實施還需要構建數據決策的企業文化和相關的制度來保駕護航。沒有企業高管的重視，沒有一線員工積極地參與，大數據在具體的實施過程中會變得效率很低。通過企業文化和相關的制度調動組織的積極性，才能讓大數據的實施取得更好的效果，具體做法有三大方面，如下圖所示。

（1）轉變思維方式，形成數據決策的文化　企業文化的本質是領導文化，如果要構建數據決策的文化，企業領導們則需要形成看數據的習慣，領導要帶頭看數據，通過郵件看每天的關鍵指標的日報，看每周的周報，看月報、季報等。無論是日報、周報還是月報，一旦發現數據有異動，則馬上回復郵件詢問數據異動的原因。同時，領導在做相關決策的時候，形成用數據決策的習慣，讓下屬提供充足的數據決策依據，這樣才會驅動員工更關注數據。

（2）相關崗位增加數據分析能力　在企業可能運用數據較多的職位，如運營崗位、客戶服務崗位、營銷崗位、人力資源、產品設計等，增加數據分析能力的要求。員工在各自方向晉升的時候，需要評審其數據分析能力，需要舉證相關的數據支撐日常工作的案例。通過這樣的要求，員工自然對數據的使用度會更高。

（3）通過系統化的培訓來培養員工的數據分析能力　由專業數據分析人員和算法人員設計的數據分析解決方案或者產品必須以簡單易用的方式提供給一線員工，同時，更為重要的是加強相關解決方案的或者數據產品的系統化培訓，讓更多的員工意識到這些解決方案或者產品的價值，并樂于在日常工作中使用。

很多企業往往陷入一個誤區，將絕大部分資金（如超過80%）用于建立模型或者開發數據產品，僅將很少的資金投入到一線使用。如果讓大數據產品或者解決方案更為廣泛地被一線員工接受，數據建模/數據產品研發的費用和培訓的投入應該是對半分的。未來更好地推進培訓，企業還可以考慮成立興趣驅動的數據協會，讓更多的員工加入到該協會中，定期舉行培訓課程、研討沙龍以及聘請外部專家進行相關分享以開拓視野。