从做好大数据分析这件事情上来讲，我们希望它最终为业务和管理产生实际的价值。在这个过程中，IT技术和产品只是中间其中的一个环节。如果要把这个事情做好，不是有好的产品或者好的技术就可以实现的，在这个过程当中，我们需要有很多方法在这里得到非常成熟的应用，最后让业务价值和管理提升，通过数据的帮助起到非常良好的可见的实际作用。

所以在这个话题里面，我就想重点地就一些方法和案例，跟各位朋友做相关的分享。我这里准备了6到7个不同的场景和案例，尽可能地涵盖我们所处的业务部门。

第一个场景，高效率

作为一个公司的一把手、作为一个公司一个企业的大领导，他关心数据哪些重点，我们通过数据分析帮助CEO和大领导们，应该做什么数据分析和呈现，帮助他做决策的支持。在具体看之前，首先我们应该思考一个问题，对于公司的大领导，对于一个企业的一把手，他们都在关心什么？

归根到底来讲，对于一个企业运营指标，盈利能力肯定是所有企业最关键的一项指标。如果一个企业年年亏损，没有任何的盈利能力、没有任何利润，任何理想和抱负都无从谈起。这是一个基础，也是关键的指标。如果说我们要给公司的一把手做一个数据分析的展示或者给他做一个数据化运营的决策支持，首先在最初的位置，我们就应该显示整个公司最核心的指标，也就是我们的当期利润。在当期利润里面我们直接把当期利润的数值用仪表盘让领导可以直观地查看。

假如企业利润是1300万或者1个亿或者5个亿，看到当期利润以后，我们要给老板一个判断，到底这个利润是高还是低，对企业是好还是不好，这就涉及到一个微观的数据分析方法。我们看到数据之后，第一应该是对它做一个好与坏的判断，判断之后有一个对比，对比之后有参照物，我才知道利润是高还是低，盈利能力是好还是有可提升的空间。在旁边需要放一个同比增长和最近5、6年的利润变化趋势，让我们跟自己进行一个对比，看利润是不是不断地呈一个上升趋势，还是呈一个波动趋势，还是逐年下降，帮助管理者判断当期利润数值是好还是不好的。

其实只有利润这个指标，对于企业老板是远远不够的，只看这一个指标太孤立了。要综合地评价一个企业的运营情况和健康度，我们通过很多项目的经验积累和很多优秀企业家的探讨，最终形成一套专门针对企业老板的分析思想的框架。对于一个企业来讲，我们的结论是，只有具备高效率、可持续、高成长的盈利能力，这个企业才可以说是做得比较好的。

高效率，顾名思义，就是花一块钱赚多少钱，花钱的效率是怎么样的。围绕着企业的高效率，我们可以把利润这个最核心的指标拆开，变成第二层包围它的与它相关的指标。在高效率里面，我可以给老板呈现出来当期盈利收入怎么样，让他知道赚一块钱到底需要花5块钱、10块钱还是100块钱。我们需要对不同成本做一个横向比较，比如按照区域，到底哪个区域成本比较高，哪个科目成本比较高，哪个部门甚至哪个具体的项目，它花费的成本比较高，需要做一个横向对比，让我知道现在成本最大的地方花在哪一块，优化空间在哪儿，帮助我们把成本不断地降低，最终有一个高效率的盈利能力。

如果说只看不同区域的成本，比如发现华南好像在公司里是成本最高的。或者我只看不同科目或者部门，这样的分析是单维的，就是我只看了一个维度。可能老板下个问题问，华南成本高，高在哪个部门和哪个区域上？我们要想回答一个问题，一定是把很多维度综合起来，才能对这个事情有非常良好细致的判断。老板想知道华南的成本构成是什么，其实非常简单，直接双击一下华南的柱子，这个结构就快速做了联动分析，原来的图表只是显示了华南成本所占的比重或者所在的位置。

当然因为这是模拟的数据，所以我做得相对明显一点。我们可以看到，华南的成本主要是集中在采购成本，都是在红色区域，都是由某个部门花出去的。我让这个部门看采购成本有没有一个可下降的空间，我要下去考察进行干预。这个是呼应刚才Henny所讲的，过去我们做数据分析非常典型的问题，就是静态报告的问题。如果我们的数据分析是一个个死的静态报告，你会发现它跟我们企业分析思考的方法和逻辑相对来讲是割裂的，也就是说我想什么，我并不能让这个数据马上给我呈现什么。我想什么，我要给IT提一个申请，发一个邮件，下周组织研讨，两边数据对齐，再想一种，才能把这个报告呈现。在这个环境之下，会影响企业的发展水平，也会直接下降企业的竞争力。但是我们不能预设老板提出的问题是什么，他可能提各种各样的问题，每个维度都可能是提问题的入口，本身所数据都应该是进行联动的和灵活可交互的应用。老板在一个图表上发现问题，在其它图表上可以找到答案，做360°的查看。

第二个场景，高成长

如果说企业每年的增长率都维持在2%、3%的水平，相信一定不会让老板和股东们有一个非常满意的结果，因为可能连新常态下的GDP都没有跑赢。如果想每年都保持几十，或者早期的公司每年保持10倍的高速增长，其实我们要思考的业务问题，应该是在市场上这个增长点是什么、在哪里、我怎么能够把它拿到。为了回答这个问题，我要开始进一步组织数据，去看清楚问题的存在。

对于区域上，比如我的公司主要做华南土地业务，我要发现投标产生的业务机会，在全国的集中度在什么地方。这里有不同的颜色，代表利润率是怎样的，机会越多、利润率越高的地方，是要扎根前往的，我是不是要开一个分公司或者办事处，这方面的决策可以依据实际客观的数据，有的放矢地进行。还有在哪里开分公司，一定要通过数据化的决策，把城市选出来。

除了区域以外，假设我的企业有三类产品，母婴类产品、面向学生的产品、面向中青年的产品，在时间趋势上面我应该很清楚地能够看到，当前的项目机会是属于越来越多的，还是属于越来越少的，还是属于比较平稳的。如果说一个产品的需求像最下面那条紫红色的线是越来越少的，那么明年或者第四季度的人才储备和项目储备，以及物料和生产设计的储备，在这方面应该减少投入。

相反蓝色的线，我发现这一类的产品需求或者项目机会正在呈上线趋势，我有没有能力把这部分用户抓到。如果我们很清楚地知道，项目类型、产品类型、区域上面，市场上的成长点是什么、在哪里，然后人才储备和技术储备能够适时地往那方面靠，这样高成长的盈利就可以保证。

还有持续性，不能说今年是盈利的，明年是亏损的，后年又是盈利的，这种盈利能力的波动企业非常不愿意看到的。应该保证在未来3个月或者6个月，企业的现金和盈利能力都是有保障的，包括人才储备等等一系列的相关指标，可以围绕利润展开，帮助企业很好地评估盈利持续性的情况。如果在高成长持续性和高效率方面的盈利能力都做得非常好，这个企业一定是所在行业的标杆，所有人才和机会都会往这个企业靠拢。

我们跟客户交流的时候越来越少地跟客户讲场景是怎样的，而越来越多地聊客户的业务痛点和战略目标是什么，并且怎么样通过数据帮助实现客户的目标以及管理水平的提高。所以在我们交流的过程当中，发现很多客户的问题并不是在产品技术特性上，当然这些会在前期有一定的探讨。但是到后期，这个问题一定会聚焦到通过像永洪这样的一站式数据分析平台，分析什么以及怎么分析，这是所有企业共同面对和关心的问题。

为了回答好这些问题，我们必须把专业能力和很多合作伙伴、客户的先进经验浓缩提炼，这样才能帮助企业真正把数据分析做好，真正让它产生价值，而不是只是停留在表面，比如数据中心建得很好，但是离价值产生还有非常远的距离。

第三个场景，职能部门

我们下面看一个财务的例子。集团的CFO、企业一把手或者财务总监，他们关心的数据和每天日常工作决策支持所要看到的指标，肯定是不同的。集团财务的CFO会关心什么数据或者指标？假设一个央企有5大考核的KPI，这些KPI数据当前都是什么样的水平应该一目了然地呈现给集团财务CFO。

同时我们要把数据的概念了解得更透一些，到底同比是上升还是下降的。其实还可以把CPI的指数，包括股价的指数也放上来，让CFO能够一目了然地看。比如营业收入下降了，这对股价有什么影响。或者反过来CPI的变化，对于流动比率有没有什么影响，我们可以把数据分析的范畴拉得更大一些。

另外，因为我们现在有很多做舆情的合作伙伴，所以可以把很多能力整合到一起。比如当前公司发生的重大事项，根据在微信、微博上的舆论，我们对它进行正负面的评价，用红绿灯进行表达。帮助CFO判断，是不是因为什么样的事件发生，导致市面上的舆情不利，然后股价下滑了，这又对财务指标产生什么样的影响。这样接下来采取的行动就可以非常稳准狠，帮助企业从根源上把这个问题解决，而不是单纯地从财务上面做剖析和解决。

还有一个很重要的数据应用的场景，就是数据推演、数据模拟。比如明年上面给我考核的EVA指标是什么样的，EVA实际上是可以进行拆解的。假设明年从战略决策上，我希望增加研发的投入，在产品技术方面有更大的增强，更加甩开竞争对手。我可以做一些数据模拟，比如把研发费用调大，自然EVA就受到影响，可能达不到集团的目标。

我就调一下，是不是今年还一些银行的贷款，明年的支出少一些，EVA控制在明年考核的指标之内。可能我明年需要做的战略决策，它最终一定会落到我的预算上，有预算了，最终才会知道给不同的业务部门的投入是怎样的，最终通过考核，让产出符合预期。到底该投入多大，投到哪些部门，让指标完成绩效，需要做不断的推演。推演之后，确保目标的完成。这是集团CFO比较关注的偏宏观的指标。

如果是企业财务的一把手，可能要更细一些。比如市场竞争、策划的大项目数等，这些就会看得更细一些。假设我是一个财务总监，每一笔费用到底花得是否合理，我就会一层又一层地进一步查看。

电商运营的例子。我们知道华南的制造业是非常重头的一个行业，很多优秀的制造业的公司总部都是在华南。随着互联网的普及，很多企业往这边靠。线上线下可能有重叠的地方，但是需要有不同方法进行体现。对于电商运营来讲，我也会分不同的角度，比如最关心的实时性指标，甚至细到秒。比如当前的实时交易额是怎样的，还有健康度的评分怎么样，可以在这里进行宏观指标的查看。同时对于同行业、会员、消费的特征、价格的容忍度，在这里都可以不断地去对不同的数据分类做更细化的查看。

比如会员是怎样的，注册新增曲线是怎样的，微信微博的曲线是怎样的，有消费的会员曲线是怎样的，包括会员区域的分布等等，在这里都可以得到很直观的查看。最后是价格的容忍度，在价格容忍度里，我看到首单消费额的分布，大概是在怎样的一个金额区间，以及首单金额的变化趋势是怎样的。当运营决策者看到数据的时候，肯定会产生很多不可预知的问题。在这里交互的灵活性，应该得到一个很好的保障。

假如我现在不想看整体首单消费额的消费趋势，我想看在这两个柱子之间所代表的订单的消费趋势，我就选中，放大一下，马上可以看到全局的联动，可以知道变化趋势是怎样的，不需要领导或者业务部门再发邮件，当下的问题当下就得到一个答案，这样思考是连续的，而不是像以前那样中断。

刚才我们看到的是一个整体的电商运营的展示例子，其中提到的会员分析里，有一点是现在所有的2C企业里面最流行的词，就是用户画像，实际上把用户画像这个事情做好，还有非常多的门道，我们可以不断地深挖。做用户画像可能有很多目标，但是基本上无外乎是两大类：一类是给研发设计人员，在设计新的产品的时候，能够有一个参照，不要闭门造车地去做一个产品。如果说我们调研、设计、生产，再往外铺货，然后这个新品失败了，无论从人力成本还是时间成本上会有很大的消耗。所以第一大目标就应该是给研发设计人员做一些参考和指导。

4K电视的例子。假设要针对年轻女性生产一款新的电视，产品这一块把冰箱、空调、洗衣机勾到，年龄调到年轻女性的范围。这样研发人员就可以一目了然地看到结果。比如最上面是用户需求，年轻女性这部分用户在电视品类上面到底最关注健康辐射，还是最关注漏电或者爆炸等安全问题。更关注时尚还是更关注省钱，这些用户诉求可以一目了然地看到。

有一个很反直觉的结果，其实4K电视这两年比较火的，但是年轻女性的用户群体，对于特别新的技术上的概念并不是非常感冒。如果贸然地生产一款4K电视，红色的，针对女性的用户市场，可想而知它一定是失败的，我可以设计一个3D加智能的产品。除了功能诉求以外，我们还可以分析出颜色诉求、价位诉求以及形式形态的诉求，比如是壁挂还是立式的。对于研发设计人员来讲，如果在设计一个新品的时候都能够得到这么精准的决策支持，这样只需要把工艺设计、把美观做好就行了。当把这个新品推到市面上的时候，年轻女性这部分用户群体消费者们，看到它以后发现都是满足需求的，剩下的只是好不好看而已，这样成功率一定比以前大很多。

在这个例子里面可以发现，把数据这个事情真正做好，最终呈现出来的不是非常复杂非常神秘的东西。而是非常少的点击操作，非常一目了然的结果，直接让用户看到，让他知道每一天细小的每项工作的决策支持。领导或者一线的业务人员，所做的每件事情全都不是拍脑袋凭感觉做的，都是有依据的，可想而知长久以往企业的能力就会非常强大。复杂的技术很重要，能够让平台的稳定性有很好的支撑，但是真正在前台的应该是美观的简单的，用户可以非常清楚地知道怎么做，而不需要做多复杂的培训。

用户画像的第一个目的是给研发人员用的，第二个肯定是给营销人员用的。新品出来了，我应该怎么卖，这方面用户画像也需要做深入的调研。我们以营销渠道举一个例子，对于所有电视来讲，我的排名到底是苏宁卖得多还是国美卖得多还是专卖店卖得多，这里有一个排名。比如3D电视，你会发现这个排名有变化，数据归根到底是做精细化的处理，我们可以看得更细。比如我们只看3D电视的排名，可能渠道有变化，我们怎么做才能产生一个更好的效果，显然我应该看这个产品的销售渠道的排名是怎么样的。我只要在这里点击，几秒之内就可以看到结果。

政府部门

刚才说的都是企业，对于政府来讲，也有非常多非常有价值的数据，可以做很深入的挖掘和利用，最终在在惠民、行政等等政府方案上，起到很好的帮助。比如在经济发展、政府服务、社会信用体系和社会民生上，一些指标是怎么样的，可以让政府部门的领导有一个直观的查看，同时可以看到更明细的指标。比如对于社会民生，到底人口就业失业的比例是怎样的，医疗和房贷双压人群在本省占比到底是多少，医保残障人士的保障怎么样，可以有一个更细致的查看。反过来对于其它大的体系，比如像经济发展，我肯定要看人口的增长、就业从业人数以及GDP，包括GDP的分布，到底在第一产业、第二产业、第三产业还是怎么分的。政府的大数据，其实同样也是大有可为的。

最后再稍微简单做一些总结。刚才其实我们从企业的整体管理者到财务部门到电商运营部门到市场营销相关的部门，比如说用户画像，再到政府单位，其实列举了比较多的案例，并且在案例的演示当中，把很多方法也做了相关分享，最后做一些总结。

在今天没有人敢说我不需要任何的数据，我不需要做数据化运营。如果现在还不把数据这个事情重视起来，对于业务现状、问题产生的原因、明年怎么准备，这是非常重要的。数据化的运营，对于每个企业来讲，现在应该是战略的高度所要投入的事情。这个是我们很重视的，但是在运营数据过程当中，一定会面临问题和挑战。我们做大数据经常发现，投入很大、期望很高，最终实际价值产出与预期并不匹配，并不是说没有产出，但是与预期有差距。

如何让数据真正促进业务？因为数据是有成本的，所以我在做数据、存储、利用的时候，肯定要先想清楚，我到底要干什么，到底数据怎么能够产生价值，促进哪部分业务，以它为核心展开思考，去想我应该用哪些指标来监控、优化这个业务目标，直接指标的统计口径是什么，这个不断往下延伸，最终变成一个可落地的实施方案或者需求。

上半场Henny也讲了，Gartner这两年的报告体现了市场上大数据的趋势。Gartner2015年BI魔力象限报告的题目就是《敏捷BI、探索式分析已成大势所趋》，在数据分析这件事情上面，我们也要做供给侧改革，把它从结构上面做一个调整。很多很简单的数据分析工作，可能占90%的工作量，这部分的工作我们可以把它的能力开放出来，让我们的用户可以实现所谓的自主性分析，通过新一代敏捷性的BI实现自主性分析，有需求自己动手就可以进行实现，这样就可以把IT瓶颈化的问题很好的解决，让人人都是数据分析师不再是一个可望而不可及的口号。

当然大家肯定会想，让原来从来不碰数据分析的业务同事们，他可能不懂什么大数据的技术，让他直接就开始做数据分析的事情，这个推动肯定是很困难的。我们的价值观做得非常落地，而不仅仅是一个口号，为了让客户成功，我们经过长时间的思考以后，我们总结出一套循序渐进的自服务分析路径。第一步应该是先让业务用户与数据进行交互，我们先把业务用户日常当中所需要的重要的数据报告帮他先做好，在做好的报告之上，先做一些简单的筛选、交互、联动，让他对看数据、通过数据来指导自己的工作这件事情养成一个习惯。

过了一段时间之后，我们可以进入到第二步，有一些比较勤于思考和动手能力比较强的客户，他开始不满足于我们为他提供的数据报告了。这个时候，我们可以给他开放一个修改权限，开放少量的功能，他可以做调整。在这个里面可以给他非常有限的功能，他使用起来就非常快，比如换一个颜色、换一个图表类型，这是非常简单的，他可以快速学习和掌握。再过一段时间之后，我们可以给他开放一个完整的能力，就是从0开始做一个完整的数据分析报告，到这个时候就是终极水平了。数据建模由IT做支撑，业务场景的实现全部由业务人员完成。只有循序渐进地考虑业务的特点，我们才能真正把这个事情做好。

Gartner今年报告的观点，传统的厂商已经出局，后面很关键的是探索式分析敏捷BI将会融入一站式的大数据分析平台。比如企业管控，海量数据的计算能力、权限这些东西都是放在企业管控里面的。企业有了数据，中间的一套环节用一个一站式的平台就够了，这样我们的很多成本就会得到一个非常好的优化。我们看到这样的趋势去做大数据分析平台，在探索式分析和深度分析里，不断地迭代、打磨、升级、优化我们的产品，让产品能够为客户在数据分析这件事情上面得到一个非常好的支撑。

就像刚才说的，光有好的产品是不够的，我们现在服务团队也是越来越壮大，除了有实施、定制开发的服务团队以外，我们还有咨询团队，有很多资深的咨询专家们，能够帮助客户结合他的特点，把他的指标体系、分析体系、业务梳理，帮助我们做好，回答客户应该分析什么和怎么分析。这里是我们方法论非常概要的介绍，我们总结为两个五步曲，由上至下梳理数据分析体系：明确目标、分解指标、细化字段、非肺功能要求、系统实施。这个数据源连上，我要的字段获取到，对数据做一些清洗，数据做好，最后非功能实现。非常浓缩地讲，这就是数据分析的两个五步曲。

其实上半场Henny已经展示了，现在有非常多的客户跟我们达成了合作，无论在房地产业，还是金融、政府、IT行业等等，都有了非常多标杆客户和成功案例。也非常希望能够有更多机会，为更多优秀的企业们，在怎么做好大数据分析这件事情上面出一份力。这就是我今天分享的内容，谢谢大家！

王桐，永洪科技高级副总裁。北京航空航天大学工学硕士，拥有8年商业智能领域的产品销售、市场营销经验，此前效力于甲骨文和IBM，均在咨询、销售岗位担任重要职位，曾成功推进多个大型项目的实施，在电商、政府、金融、互联网等行业积累了丰富经验。

王桐目前主要负责产品销售和渠道拓展，已为上百家企业用户提供了完善的数据可视化分析解决方案，这些企业既有宝宝树等电商领域的明星公司，也有中国移动等传统巨头。