商业智能的下一站：如何让数据项目真正的帮助企业

    全球大数据以及云计算普及的热潮下，企业越来越相信数据不再只是辅助决策的工具，更是帮助企业做出决策的引擎，甚至希望这个主动决策的引擎可以嵌入到每一个终端上去，使企业从上至下由统一的、基于事实的数据作为标杆、共享统一的信息、形成统一的知识、最后化为统一目标的行动。当然也有很多思潮反对这一现象背后其本质的合理性（例如容易忽视人的创造力）与正确性（凡事都有两面性，我们要辩证的去看），但不能否认其能带来的显而易见的利益（例如资源更好地配置），不仅是商业上的，也是公共事业上的，甚至是民生上的（前几天的新闻联播有过这样的报道，说是民政部门开启“扶困帮贫大数据”计划，建立了贫困群众数据库以及有需要政府帮助人群的用户画像，精准定位开展扶困帮贫工作，把资源放在该放的地方）。

    那么对于企业来讲，如何做一个项目，让数据真正的帮助企业，提升竞争优势呢？

明确的项目目标

    对于任何项目而言，明确核心使用者对于平台的期望并达成共识永远是最重要的要素之一，我们必须明确这个商业智能或数据项目的目标是为了企业的战略转型，还是改善企业的运营能力，亦或只是方便各事业单位进行汇（che）报（pi）和沟（si）通（bi）的工具。这样才能决定项目在规划时，这个数据平台是一个管理工具，一个分析工具，一个展示工具还是只是一个统计工具（虽然这种情况现在已经很少了）。

    举些例子，如果是战略管理工具，那么就分析而言，应当使用有效而准确的管理方法及模型，例如波士顿矩阵、GE矩阵、SPACE矩阵、三四矩阵等并努力从数据采集端和指数设计端将所需要的指标客观地量化、数字化。此类项目往往涉及到大量的指数制作（犹如采购经理人指数、沪深指数、百度指数等）和外部数据、国家数据、行业数据的采集。往往不容易落实，却极富价值，客户也更愿意投资。并且数字化的管理工具和平台能帮助企业高管更有效和客观的制定策略（例如成本有效策略、错位竞争策略等），当然一定要保证项目和数据的客观性与独立性（这点后面会说）。

图1 波士顿矩阵

图2 三四矩阵

    如果是一个偏分析的平台，那么第一个维度就是要区分是偏业务分析（例如解决运营问题），还是纯数据分析（例如挖掘相关性）；第二，使用者是业务人员还是分析人员，这就决定了是给予用户更高的分析自由度（白盒），还是更直接、更智能的结果展示（黑盒）。一个好的BI分析平台，应该提供描述问题的能力，就如“分析”两字的本义一样，先分后析，战略可以从顶层发起，但必须层层分解、事前事中事后分解，逐一设计可量化的业务指标，业务上明确每一个环节的目标，数据上对每一环节进行解释，这就要求实施人员非常了解业务的现有表现和持续痛点（在商用领域不仅仅是算法、技术，这也是我一再强调业务分析师的重要性的原因），因为越是谈到真正的核心问题，你的访谈对象越是不会轻易的告诉你。例如著名的销售漏斗，无论线上电商或是线下实体店都在努力的为每一个环节抓取数据，提高每一个环节的转化率，特别第一个环节的引流，对于企业而言可能是投入最大的一环（广告曝光、流量购买等），但同时也可能是最容易改善和变现的一环，由于基数最多，也可能是投资回报最高的一环。某国内大型车企曾就这漏斗的第一环节提出过目标验证，仅仅是提高3%就会带来巨大收益，因为他们知道，在后面的环节例如邀约了试乘试驾，转换率是很高的。再如制造型企业供应链或者价值链上的每一环改变，都会对上下游造成深刻的影响，虽然现在还没有企业可以完全打通这跟链条，但大多数都在这条路上，特别是标杆企业。

明确的商业用例（项目用例）

    更快、更多、更智能通常是广义上对数据分析、商业智能类项目的持续要求，但这通常不是数据类项目的目标。从上到下大家都应该明白这个数据项目要做什么，包括企业的高管和具体业务部门，比如市场部门，这个数据项目是用在营销的，目的是提高企业在线下渠道某商品或某品类的销售转换率的，反正目标是越明确越好。随着大数据技术的发展与革新，这个领域的基础设施搭建成本、甚至应用层面的试错成本会越来越低，后进企业不用担心过于明（狭）确（隘）的目标会影响平台后续的扩展能力。千万不要是领导或者是不知道那个部门的决策人突然脑子一热，就说别人在用，我们也做一个（如同眼下的VR/AR热潮），根本没有把该做的项目和企业的商业战略、科技战略等各个方面结合起来。在项目层面无法与战略协调，无法在战略的指导下做一款产品或者是服务项目的时候，失败的可能性会非常大。一旦明确了用例，我们就可以知道我们要解决何种业务问题以及要使用何种分析了，这对于项目初期平台或工具的选型非常关键。

排除干扰，确保真实性与独立性

    项目管理中首要的任务便是明确项目各利益相关者真实的业务需要，这不是一项简单的任务。你不但需要知道谁是项目提出者，谁是主要使用者，谁是信息消费者，而更要知道例如谁是潜在受益者，谁是被影响者，因为假设数据（证据）是真实有效的，基于客观事实的分析势必会暴露出企业在内部管理上需要优化的地方（潜在的风险或漏洞，如果存在的话），尤其是资源配置方面，而这些往往会损坏既得利益阶层，他们也往往是阻碍项目向前推进、落地的主要力量。而从现状来看，往往越大、越有实力来开展数据项目的企业，其既得利益阶层也越大、越难应付。项目组常常遇到的情况是：高层领导很积极很支持，中层干部很敷衍很排斥，基层员工很迷茫很无奈，很多项目可能无疾而终、不了了之，亦或者实施之后无人问津、效果很差。前段时间国内排名非常靠前的某大数据企业服务公司种，某位不愿透露姓名的同志向我提起过，不仅是定制化的实施项目，如果某类数据产品在没有很好地调研“国情”前就凭着产品经理的一腔热血上了线，最终定会碰壁，例如他们家某类营销（广告投放）渠道效果评估和监测产品，完全没有销路。产品理念很好，但却动了太多人的奶酪。不好意思，跑题了。因此无论是企业高管还是政府官员想要“数据兴国”必须克服这层层阻碍，确保数据的真实性以及分析部门的独立性，否则无论这个过程是“黑盒”还是“白盒”都会沦为新一轮斗争的导火索和被操控的工具，那这样项目的成功与否就失去了意义。

先做决策，再做采集

    很多企业都知道数据并不止于本身，它必须为公司服务。但是，奇怪的是，很多企业都急于去收集他们能收集到的所有数据，或者收集他们最感兴趣的；而不是先分析要做的决策然后再返回去决定哪些数据、分析、和洞察会有帮助。这是一个可能会致命的错误。例如现在很多企业都在做用户画像，你会发现大范围的顾客分类数据（这里有必要建议各位看官可以自行百度一下顾客、客户、用户和消费者的不同定义，我会在文章中尽量表现出他们的不同以达到高严谨性）可以帮助他们理解顾客的生活习惯和生活需求。这些数据的启示可以决定公司的资源优先配置，但是这些数据还远远不足以帮到销售经理决定在哪家店放哪些产品，而这却是一个企业终端一线每天都要重复做的最重要的决策。因此不要为了展示而展示，不要为了分析而分析，这个呼应了上面的一点，要有明确的业务驱动要素，不光是自己的，也是企业各个管理层级的、终端一线人员的，弄清要做何种决策，再来决定需要哪些数据和方法的支持，并且不要仅仅局限于内部，否则就会失去创造力。

嵌入式分析与一线决策

    为了与日益提高的数据处理和分析速度相匹配，通常可以想到的解决方案是将分析直接嵌入到运营系统和决策系统中，这显著地提升了数据的运行速度和分析效果。通过把评分算法和分析规则集成到全自动化的系统和流程中，不仅会带来更快的运算速度，也使管理者无法绕过数据分析做决策，当然这一定会带来负面影响如同我之前说的，会受到各方面的质疑和抵触，所以如果没有十全的把握，还是从试点开始吧！同时，虽然用户行为数据近几年来大幅增加，但对于销售的影响却并不理想，主要原因在于它们都忽视了一个关键部分，影响实际销售成果的是战斗在第一线的工作人员在日复一日地尝试作出最佳销售决策。

    然而现实情况是各种行业中，中层领导或者基层经理等工作人员都被淹没在无止尽的汇报中。而这些报告和洞察通常都只为了安慰那些公司高层或满足于个人表现，更有甚者，通过修改或勾结第三方数据提供公司，为领导提高不实际的数据，只为获得一个好的评价或影响，将公司的利益至于身后，因此在基层工作的经理们经常把报告中的数据描述成无用的、矛盾的、误导人的。所谓水能载舟亦能覆舟。因此在项目规划的时候，不仅仅是企业高管，我们需要特别重视基层、终端一线人员的意见，适当放大基础决策的重要性，数据的流向也最好从最底层开始往上汇聚，这样不但可以为纠错、问责提供路径，提供数据层层校验的可能性，也提高了系统性“改动”的成本，降低企业在合规性上的风险。

提供基于场景的行动计划

    通常来说，凡事提到商业智能BI、数据分析，就会想到经典的数据变现路径： “数据（Data）->信息（Information）->知识（Knowledge）->智慧（Wisdom）”（这个DIKW金字塔原本是图书与信息管理教授提出来的），但商用领域企业更需要的“下一步”，因此最后现在也可以变成“行动（Action）”。大多企业在执行数据类项目时，停留在数据（Data），一部分通过结果性的描述与画像到达了信息（Information），极少数使之成为企业内部衡量业务表现的标杆并将它们总结为相应领域内的知识（例如财务、销售、供应链）并开发对应的行动策略甚至将它们自动化以及分发到不同管理层级，最终直达一线终端。回到前面零售管理中一线销售的例子，当他每天早晨到达客户所在地，拿出手机、点开企业App，不仅只想看到昨天的销售增速降了几个点、完成率少了多少、隔壁区的老王比自己领先多少，而更想知道应该怎么办（在认识到自己的沉没成本太高的情况下），于是他会进入帮他准备的建议专区，根据历史的数据表现和知识库中的内容，提醒他在下个周期如果换上某某品类会有多少提升，如果给客户提高若干个点率会有多少提升等等，甚至更智能地给出行动建议则更好（虽然现在还无法想象）。这背后可能是某类回归算法、某种消费反应函数模型，但人对于黑盒本身并不排斥（比如三星note成为炸弹前，没有多少消费者会对其内部构造感兴趣），只要能切实解决问题。这个想法的实现会非常困难，因为无论数据、还是场景都是动态的和多元化的，比较实际的方法还是在场景构建之后排上优先级，切入某个场景并进行试点吧，少年！

数据标签化

    数据标签化的好处真是太多了，强烈建议纵然项目没有硬性要求或者客户没有提出的情况下，本着“我不如地狱，谁入地狱”的大无畏精神，也要考虑在规划的时候引入数据标签化的工作。往小的讲，这样更容易引出对分析的结果性描述，便于企业高管、大佬们理解，免除“一百个人心中有一百个哈姆雷特”的问题；往大的讲，这样不仅可以消除敏感数据的问题，也盘活了企业内部数据拉通的通路、更带来企业与企业间、甚至行业与行业之间数据交换的可能性，当然这里面的一个重要问题，也是存在于所有交换（Exchange）中的问题，就是以谁的标准为准。目前数据标签的标准问题尚是一片蓝海，不仅包括通用的标签例如人口统计属性、资产数据、消费偏好等，更包括各个行业中垂直领域的标签标准。试想一下，某车企的高精度刹车监测传感器传回来的数据表明，该车主是一个“点刹专家”，特别喜欢高频但短时的刹车，好像用AK47一样，那如何界定“高频短时”就成了一个行业的问题。尚诺国家监管放开数据脱敏交换（虽然现在好像也没有收紧）那作为数据交换的一种方式，标签的标准制定权将会带来一番血腥风雨的厮杀。

规定性分析的力量

    通常有三种类型的分析：描述性，用于报告过去；预测性，使用模型分析过往的数据来预测未来；规定性，使用数据模型来确定最优行动方式，也是目前企业最缺少的。规定性分析要求大量的测试和优化工作，然后如同之前提到的，把分析嵌入关键流程和员工行为中。这一方法能带来很高的运营效益，但同时要求高水平的计划案和高质量的执行力。

    不得不提醒的是，大数据先天就具有不确定的特质。通常大数据分析出的结果与因素之间的关系都是相关性，不是因果关系，也可能纯属巧合，一些由大数据应用所提示的改变并不一定会发生。因此如果过分强调或沿用企业内部原来信奉的战略闭环、策略闭环或行为闭环，会因这种“数据烟雾弹”造成不必要的麻烦。企业高管必须明白大数据带来的可能只是指示性的警告，而非证实的结果，需要制定规范来确定决策和行为的预警标准、甚至准备好为原来的闭环文化开一道口子。针对这一特性，目前实际的解决的方法是，如果待定决策事关重大，那么决定之前必须进一步调查。

文章来源：http://articles.e-works.net.cn/bi/article143094.htm