刚刚过去的2016年,是大数据从概念到务实落地的一年。在过去的一年内,互联网行业、电信行业、金融行业、房地产行业、汽车行业、娱乐行业、教育行业、零售行业、能源行业、医药行业、政府机关等都在不同程度的接触和实施大数据。很多正在实施大数据的企业或机构并不成功,为什么?他们实施大数据都存在共同的问题,最为典型和严重的是三个问题是:
很多企业业务部门不了解大数据,也不了解大数据的应用场景和价值,因此难以提出大数据的准确需求。由于业务部门需求不清晰,大数据部门又是非盈利部门,企业决策层担心投入比较多的成本,导致了很多企业在搭建大数据部门时犹豫不决,或者很多企业都处于观望尝试的态度,从根本上影响了企业在大数据方向的发展,也阻碍了企业积累和挖掘自身的数据资产,甚至由于数据没有应用场景,删除很多有价值历史数据,导致企业数据资产流失。因此,这方面需要大数据从业者和专家一起,推动和分享大数据应用场景,让更多的业务人员了解大数据的价值。
企业启动大数据最重要的挑战是数据的碎片化。在很多企业中尤其是大型的企业,数据常常散落在不同部门,而且这些数据存在不同的数据仓库中,不同部门的数据技术也有可能不一样,这导致企业内部自己的数据都没法打通。如果不打通这些数据,大数据的价值则非常难挖掘。大数据需要不同数据的关联和整合才能更好的发挥理解客户和理解业务的优势。如何将不同部门的数据打通,并且实现技术和工具共享,才能更好的发挥企业大数据的价值。
大数据规划首先是应用场景的规划,企业需要确定不同业务投入大数据的优先级,确定大数据的切入点。企业需要优先考虑业务的哪些方面投入大数据可以为企业提升绩效。在企业中,大数据应用场景包括业务运营监控、用户洞察与用户体验优化、精细化运营和营销、业务市场传播、经营分析等常见的方面。当然在人力资源、IT运维以及财务等方向也可以引入大数据。企业不可能所有应用场景都一起实施,因此,企业高管需要和各业务的整体负责人以及数据专家一起开展研讨会,分析哪些业务投入大数据可以使得业务的绩效提升最为显著,从而确定不同业务投入大数据的优先级,找准大数据的切入点。“数据能够在哪些领域实现业绩的大幅提高?数据能在哪些领域实现企业运营效率的提升”这些问题很重要,一开始就必须提出来。每个重要业务部门和职能部门都需要考虑这个问题,并展开相关的研讨。企业高管实施大数据战略的时候需要高度重视这一步,但在国内很多企业往往忽略的这一方面,投入大数据往往不是以提升业绩导向,而是以纯技术导向,或者是为了“赶潮流”,使得很多企业实施大数据的看不到数据对企业绩效提升,从而使得大数据战略流产。
第二方面是数据产品。在确定了大数据的业务投入优先级后,我们需要考虑的是如何通过数据产品来帮助提升业务的绩效。为什么是“数据产品”而不是“数据工具”,这是因为“数据产品”比“数据工具”更加强调易用性和用户体验。数据和分析模型本身的输出可能会比较复杂,比较难理解,这样往往导致经理或者一线员工等数据用户不能理解,更称不上运用。所以,只有数据产品在业务具体的场景运用的时候,以非常简单易用的方式来呈现,才能让更多的数据用户使用。企业数据用户(往往是业务、产品、营销负责人等非大数据专业人士)在实际运用大数据的时候,更关注的是大数据的产品在哪些方面可以直接帮忙提升绩效,不需要关注大数据这些产品背后的逻辑、分析模型等“黑洞”。如果我们在提供数据产品的时候需要数据用户理解很多“黑洞”,那么数据一定运用不起来,数据的价值就会大打折扣。比如,数据产品可以告诉营销人员,您这次合作的营销推广渠道有所带来的用户40%是作弊而来,我们把这些作弊渠道带过来的用户叫“假量”,数据产品不需要告诉营销人员“假量”是如何计算的,但知道结果和优化方向即可;或者数据产品可以直接告诉营销人员哪些产品和其他产品可以做交叉销售,数据产品可以根据用户需求自动化实现交叉销售,从而进一步提高销售额。
第三方面是数据模型。数据产品背后的“黑洞”是数据模型。数据的简单堆砌不会创造太多的业务价值,需要数据模型、数据挖掘的方法来实现海量数据的商业洞察。常见的模型如预测和分类。在预测方面,如通过高级的模型来预测哪些用户可能会付费,他们的特征是什么,经常在哪里出没;通过数据模型来预测付费客户的数量,以提前发现考核期结束后付费客户数量和KPI的差距以及优化方向;通过预测模型来洞察用户的未来购买需求;在分类模型方面,我们可以通过分类模型结合大数据实现更准确更实时的用户细分;或者通过分类模型对不同价值的客户进行合理的分类,确定服务的优先级和服务内容。企业在制定大数据战略方向时,需要介入数据专家根据应用场景和数据产品的输出来选择模型以及优化模型,从而确定模型研发的方向和优先级。
总之,在2017年企业要启动大数据战略,让大数据提升企业运营效率以及提升业务绩效,需要从大数据整体规划、高层团队的CDO设立、组织结构的调整和优化、大数据团队的架构和企业文化与制度等五大方面制定符合企业情况执行方案。只有这样,我们才能够让大数据真正渗透到企业的“骨骼”和“血液”,让大数据和企业经营融为一体,发生化学反应,驱动业绩增长。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14