大数据如何建立企业竞争力与重塑竞争环境？

科技进步让各种先进的分析方法走入了寻常企业。“大数据”日益成为企业高管层津津乐道耳熟能详的字眼，但在把握大数据所蕴涵的商机方面，大多数企业的努力还仅仅停留于“表面功夫”。 在他们眼中，大数据等同于“3V”：数量(volume)、多样性(variety)、速度(velocity)，却常常忘了关注另一个最重要的“V”– 价值(value)。对全球企业开展了深入的研究，分析了大量成功与失败案例，从中总结出把握大数据机会的五个重要路径以及企业起步可采取的三个步骤。

如何定义大数据

我们将以北美一家零售商的故事来阐述大数据的含义。该公司在北美的销售活动非常活跃，销售的产品总数达到3万多种，不仅如此，产品的价格也随地区和市场条件而异。最让高管头疼的是定价促销策略。由于产品种类繁多，成本的变化异常频繁，一年之中，变化可达四次之多。结果就是，这家零售商每年的调价次数高达12万次。

处理定价促销的复杂之处，是它不只是受成本驱动，还有宏观经济、市场竞争、品牌定位、消费者心态等所影响。由于定价直接影响公司的利润率，高管决心接下挑战，组成了一个11人的团队，希望透过分析消费者的购买记录和相关信息，提高了定价的准确度和响应速度。

定价团队的分析其实就是围绕着大数据的三个关键维度上：

数量(Volume)：团队需要分析海量信息。他们收集了上千万的消费者的购买记录，透过从客户不同维度分析，希望尽可能微分客户，了解客户对每种产品种类的最高接受能力，从而为产品定出最佳价位。 多样性(Variety)：团队除了分析了购买记录这种结构化的数据外，他们也非常聪明的利用社交媒体发帖这种新型的非结构化数据。由于消费者需要在零售商专页上点赞或留言以获得优惠券，团队利用情感分析公式来分析专页上消费者的情绪，从而判断他们对于公司的促销活动是否满意，并微调促销策略。 速度(Velocity)：为了实现价值最大化，团队对数据进行实时或近似实时的处理。他们成功地根据一个消费者既往的麦片购买记录，为身处超市麦片专柜的他/她即时发送优惠券，为客户带来便利性和惊喜。

透过这一系列的活动，团队提高了定价的准确度和响应速度，为零售商新增销售额和利润数千万美元。

这个故事跟BCG对大数据的定义也是相当吻合，重点都是放在最终的价值创造。我们对大数据的定义是：“在可控的经济成本下，企业可获取、分析并解读日益庞大且复杂的数据，让企业在价值创造方面实现跨越式的转变。”

我们也可以换一个角度来看看大数据的演变，那就是科技进步所推动的数据多样化和复杂化。

在很久以前，企业只会在他们的企业资源规划（ERP）系统中记录公司的采购和订单数据。 随着”以客户为中心“经营理念的日渐兴起，客户关系管理（CRM）系统应运而生，帮助企业收集客户的采购行为和偏好。此后，互联网时代的蓬勃发展为网络活动和网络交易提供了足够的动力；互联网这一新的渠道，为企业带来了更多元化的客户数据。现在，随着移动装置、社交媒体、云服务以及“物联网”的大面积发展，又涌现出了越来越多的原始数据和非结构化数据可供收集，包括定位数据、社交数据以及行为数据。可以说，大数据就是交易类、互动类以及观察类数据的总和。

大数据行业的发展趋势

目前，大数据行业可谓各类机构众多，既有基础设施、数据库以及分析技术等下游机构，也有应用类、商业情报等上游机构。

估计2012年大数据行业总值预计达100亿美元，年均增速约为40%。到2015年，这一市场的规模将扩大至270亿美元。硬件在大数据市场仍然占据最大的份额（35%），而软件企业和实施机构（如：系统集成商）也在快速成长中。

未来，大数据行业将经历快速整合。大家是否还记得网络时代（dot-com）各类互联网咨询公司层出不穷的盛况？其中九成企业在短短数年内就夭折殆尽。相同的剧情也有可能在所有大数据咨询机构身上重演。对企业而言，起步较早的机构可以获取客户洞察，取得先发优势。然而，就像是一场军备竞赛 – 用不了多久，大数据能力会成为所有企业的必备能力。这时候，整个行业又将站回到同一条起跑线上。

商机在哪里？

大数据领域的价值创造机会因行业而异。在零售业，先进的分析方法往往与战略相得益彰，涵盖促销增效、定价、门店选址、市场营销等多个领域。而在能源行业，大数据的价值创造重点更体现在智能电表数据的使用以及对实体资产（如设备和工厂）的优化上。在金融服务业，大数据的应用则往往体现在风险评分、动态定价以及为ATM和分行网点寻找最佳地点等方面。而在保险业，大数据的价值可能体现在防范理赔欺诈、优化保险金给付以及跟踪驾驶行为等方面。

为了确定大数据对自身的特定价值，我们可以从大数据的三个维度进行分析：

从数据量出发：在数据分析方面，抽样分析与全面分析有时会呈现完全不同的结果。为了瞄准个体客户，零售商需要了解某一位客户的全部购买史，分析该客户与其他客户的差异所在。如果只是抽取部分客户或交易记录进行分析，那获得的结果就会比较片面，从而影响到促销活动的效力。

作为一家成立不久的亚特兰大软件公司，Cardlytics帮助零售商对“一人市场”开展销售。美国十大银行中已有四家开始运用该项服务，分析每周数以亿计的客户交易，目的就在于帮助零售商在客户的银行对帐单上印上有针对性的促销信息。由于促销信息是依据每个消费者的购买行为以及购物地点所定制的，所以具有很强的针对性和很高的命中率。这类促销信息的响应率平均可达15-20%，相比之下大多数传统促销活动的响应率往往不超过5%。这是个“多赢”的局面 – 消费者获得理想的折扣；零售商成功促销；银行可以坐收额外收入。

从数据多样性出发：大部分企业都能从传统关系数据库的结构化数据，挖掘出客户洞察。现在的问题是，在出现了越来越多的非结构化数据（如社交网络发帖）的局面下，我们可以怎样利用这些新数据？

以电信公司为例，准确预测每个客户的潜在流失率能为企业带来巨大的价值。如果公司为一个本来就没打算离开的客户提供折扣，那无疑就是在浪费钱。而如果无法准确锁定目标，就有可能导致企业忽视了那些可能“转投”对手的客户。

法国电信-Orange集团旗下的波兰电信公司Telekomunikacja Polska（TP）正是一家面临这一挑战的企业。作为波兰最大的语音和宽带固网供应商，公司希望有效的途径来准确预测并解决客户流失问题。

他们决定进行客户细分，方法是构建一张“社交图谱”- 分析客户数百万个电话的数据记录，特别关注 “谁给谁打了电话”以及“打电话的频率”两个方面。“社交图谱”把公司用户分成几大类，如：“联网型”、“桥梁型”、“领导型”以及“跟随型”。这样的关系数据有助电信服务供应商深入洞悉一系列问题，如：哪些人会对可能“弃用”公司服务的客户产生较大的影响？挽留最有价值客户的难度有多大？运用这一方法，公司客户流失预测模型的准确率提升了47%。

从数据时效性（速度）出发：在有些情况下，公司需要获取最新的实时数据，供决策之用。公司的反应速度越快，销售的成功率就越高 – 此外，还可以防范客户“投靠”竞争对手。

例如，好事达（Allstate）等保险公司纷纷推出“按行驶里程收费”的PAYD车险产品；客户需要在车上，安装一个传感器，即可收集实时驾驶行为信息，例如驾驶速度，以及全程驾驶的安全性。要识别高风险客户，便可利用集中收集以下的信号指针，如急刹车、加速、转弯以及夜间驾驶里程数和交通高峰期驾驶里程数等。

用户只需建立个人驾驶行为基准30天以上，就可以在下次缴费时享受折扣优惠。此外，用户还可以上网跟踪他们的驾驶表现，这也有助于提高客户的忠诚度。同样地，保险公司也可以避免花大力气来挽留高风险的客户，同时还可以通过提高客户保险费率来反映公司所掌握的客户整体风险概况。

发掘商机的五个途径

企业若能全面洞察并充分把握大数据所带来的机遇，就能坐拥先发优势。在此，我们总结了五个主要的应用机会：形成新的商业洞察；优化核心运营流程；更快更好地决策；充分利用不断变化的价值链；创建新的以数据为中心的业务。上述五项并非适用于所有企业，但大部分公司能从其中多处获益。若能充分把握这些机会，企业可以获得的奖励不仅仅是竞争优势，而是重塑竞争格局的能力。

1.形成新的业务洞察

大数据分析的战术侧重点，在于利用数据帮助企业决策或解决特定的问题。例如：银行应该把新网点开在哪里，零售商应该向店内购物者的智能电话推送哪些优惠券等。 以丹麦的维斯塔斯风能系统（Vestas Wind Systems）为例，他们运用大数据，分析出应该在哪里设置涡轮发电机这一风能领域的重大挑战。在一个风电场20多年的运营过程中，准确的定位能帮助工厂实现能源产出的最大化。为了锁定最理想的位置，Vestas分析了来自各方面的信息：风力和天气数据、湍流度、地形图、公司遍及全球的2.5万多个受控涡轮机组发回的传感器数据。正是这样一套信息处理体系赋予了公司独特的竞争优势，成功帮助其客户实现投资回报的最大化。 另一个大数据创造价值的例子：一家金融机构开展了一个创新项目，围绕客户经历人生大事进行交叉销售。他们分析客户的交易数据，由此推算出客户经历人生大事的大致结点，比如结婚或找到新工作。这些人生中的重要时刻都能激发客户对高价值金融产品的购买意向（如：房贷或联合储蓄账户）。如果一家金融机构能够识别这些关键时刻，就能更好地为客户定制出最适合的促销方案。

2. 完善核心运营流程

大数据的应用并不局限于业务或客户方面。事实上，把它融入日常的工作流程，可完善核心运营流程，让企业受益匪浅。

以Visa为例：从2011年8月起，Visa开始将各种大数据分析手段整合到公司的防欺诈检测流程中。截至2013年3月，Visa的防欺诈系统已经识别出价值20亿美元的欺诈交易 – 在损失发生前防患于未然。在意大利，一个名为Redditometro的系统运用进阶分析手段来寻找逃税者。系统对来自众多渠道的数据进行分析 – 银行记录、信用卡交易、保险支付、统计调研 – 从中确定每个人大致的支出状况，判断其纳税申报单的相符程度。

实践证明，通过分析数据，企业可以预测即将发生的故障并在问题来袭之前采取干预措施。这样一来，就可以让“故障诊断”化被动为主动。透过大数据分析，企业可以结合历史经验，总结和摸索出故障发生的征兆。这种方法就曾经帮助我们的一家客户在故障发生前的1-2个小时成功预测到即将出现的事故，为有效采取干预手段提供了宝贵的时间。由此，让客户的重大停机时间降低了50%以上。

3. 更快更好的决策

获得实时的管理数据对决策制定至关重要。 然而，在大多数企业，这类信息往往散落于组织的不同角落，每个部门都按照自己的“理念和规则”开展工作。更糟糕的是，等到这类信息真正应用到决策中时，往往已经“过期失效”。

毫无疑问，企业信息管理（EIM）是大数据最令人看好的应用领域之一。企业信息管理不只是收集和处理运营数据，还包括以清晰、统一、随时可读取的方式将数据呈现给整个组织。观察发现，理想的EIM系统能够将来自公司内外部各类渠道的单组数据，用各种直观的图形元素呈现（如屏幕仪表板）。由此，就可以实时或近似实时的方式，统一呈现企业的运作状况，让公司的各个部门都能用“同一种语言”进行沟通，依据相同的事实进行决策。

4. 充分利用不断变化的行业价值链

大数据正在颠覆传统的价值链，行业之间的分界线变得模糊，让竞争态势不断发生变化。企业若是能紧跟这些变化，及时转型业务模式，就会看到许多扇新的大门正向他们敞开。

以家用恒温器市场为例：家用恒温器行业历来波澜不惊，竞争企业数量少而稳定性较高。 一家名为Nest的新进企业向业内老牌企业发起了挑战，推出一款“善于分析”的恒温器——它能够运用各种分析手段，了解客户的偏好和使用模式，而自行做出相应调节。运用以数据为本的创新业务模式，Nest成功唤醒了这片沉寂已久的土地。

5. 打造全新以数据为核心的业务

目前，BCG正与一家大型国际性银行合作创建一项全新的数据业务，主要是利用银行在日常经营过程中采集的各类交易信息，如：信用卡活动。这个项目的基本设想是为不同行业的企业提供信息，让他们结合自身的实际情况，通过分析这些数据，创造出对本企业发展有用的商业价值。不过这只是一个开始。预计在未来几年，社交媒体信息等来自外部渠道的数据将在这家银行的经营发展中扮演更重要的角色，丰富银行的内部数据并进一步强化该行对其数据客户的价值定位。

企业应该如何起步？

我们建议企业“3个T“入手，即：团队(Team)、工具(Tool)和测试(Test)。每一项都能帮助企业从小处做起，为之带来切实的成效，并逐渐对行之有效的举措加以推广。

组建适合的团队。一个高效分析团队的每个成员都需要具备综合性的分析能力、熟悉各类高级分析平台的技术性问题、有清晰的商业头脑，并能识别实施上的可行性和挑战。这一系列要求中，团队成员不一定在每个领域都要达到世界顶级专家的水平，但他们需要在以上几个方面均有所见长。很多情况下，团队内部很难做到技术和经验兼得。在这种情况下，合作不失为一条捷径，既能为企业弥补不足，还能为企业带来切实的价值。

部署适合的工具。接下来，企业应该为这些团队配备适合的工具，助其成功开展工作。例如，为每个成员配备一台虚拟机以及庞大的存储空间，这些设施每年的成本大约在1.5万美元左右。许多行业标准工具的用户人均成本仅为5,000-15,000美元。同时可以考虑利用外部丰富的资源，例如R语言开源编程环境可以让企业免费使用。

进行不断的测试。最后，建议先开展2-3个月的集中试点，如果收效显著，就进入全面实施阶段。在摸索和尝试中，如果企业选对了方向，就可以总结成功之道，发现自身的能力所在，明确自己需要哪种类型的基础设施。在此过程中，你也会发现一系列问题，如：组织内部可能存在的抵触情绪、哪种数据分析最为有效、如何利用大数据来应对哪些其他挑战。

英国最大的保险公司Aviva就是在上述三个方面表现俱佳的最好实例。Aviva的数据模型总结了驾驶行为与价格的算式，并基于此开发了智能手机应用。Aviva没有花费重金购买昂贵的系统，而是进行了最小限度的初创投资，雇佣了几个程序员。这个团队在5个月内就为客户呈现出试用版的应用。在接下来的六个月里，这个团队结合数千个驾驶旅程生成的丰富数据，对这款应用及客户体验作了进一步的完善和改良。期间，软件历经数度更新，例如容许客户在Twitter和Facebook上显示他们的得分。着重分析一个用户个体，而不是一群同类客户的驾驶行为，使得保险评级更为精细化。现在，Aviva可以为好司机提供更优惠和更具吸引力的产品。目前，这一应用程式已有数千次的下载量，并计划推广到英国以外的更多市场。

总结

这是一个有关大数据战略应用的真实故事。企业高管层在想：“太棒了，我们已经组建了优秀的分析团队、有了最先进的设备和软件、还有超强的数据仓库来存放公司所有的信息。就等着团队带来捷报，听一听全新精彩的客户观点！”。可是，三个月后，分析团队却报告说，“对不起，我们一无所获，因为我们分析的数据不足够”。问题在哪里呢？

原来情况是这样的：在分析各家分行的盈利情况时，业绩较差的分行半警告半抱怨地说“算法不对，你们分析错误”，以及分析团队选择了回避。别小看这个个案，分析部门与业务部门的这类对峙局面比比皆是。在实施大数据理念方面，仅仅收集所需要的资源还不够 – 更重要的是在整个组织内建立起默契，让各部门理解到企业为何花这么多时间精力在这事上。另外，必须建立统一的流程和机制。实际上，导致大部分企业在大数据领域失利的，并不是缺乏数据或技术，而是忽略了软性层面的问题 – 组织和人的问题。

大数据的终极目标并不仅仅是改变竞争环境，而是彻底扭转整个竞争环境，带来新机遇，企业需要应势而变。路漫漫其修远，只有耐得住“短痛考验”的企业，才能在长期的竞争中成为终极赢家。