京公网安备 11010802034615号
经营许可证编号:京B2-20210330
企业大数据运营,你真的会了吗
作为企业搞IT的人,的确有很多新的东西要学习和建设,投资也迎来了一波高潮;作为研发和销售大数据产品的公司,当然要不为余力的推销自己的产品,占领先机很重要。
但是,在喧嚣之中,还是要理性的回归价值思考,High翻天的新技术概念和平台建设,到底给予传统企业的业务人员带来了什么价值?给我们的营销一线的人员带来了哪些好处?
我们企业的最终用户,真实感受到了大数据带来的变化了吗?
IT可以提自己的传统架构被新的架构替换了,牛逼的实现了并行扩展,但这些对于业务人员,有多大的价值和感知?
IT在存量上的捣鼓,于我何干?系统不够了扩容,是IT必须要做的事情,至于采用什么架构,业务也不关心,有什么值得狂欢的呢?技术能否给我业务带来新的价值,才是我关心的。
IT也许可以提自己是在做长远的事情,没错,但再长远的事情,也需要兼顾短期的业务价值创造,没有短期的持续实践,很难说有未来的价值创造。
如果业务人员在起步的时候,仅仅是个旁观者和看客,我们的IT驱动的大数据战略是否有些问题,大数据的狂欢,似乎缺少了主角在场,让技术和业务这个平衡似乎倾斜了。
阿里的技术是跟着业务要求起步的,没有这个技术,新的商业模式根本没法创造,因此技术和业务的发展是相辅相成的,它应该达到了一个很好的平衡,举个例子,如果没有牛逼的多维分析能力,所谓的淘宝魔方这种新的业务产品不可能存在。
但传统企业有吗?似乎在技术上的关注远远超过了业务,大数据在业务上除了存量的改造,比如CRM改造成了云,数据仓库升级到了MPP或hadoop,我们对于大数据这项非常关注业务创新和运营的事业,似乎点到为止了。
企业IT团队与IT合作伙伴之间的狂欢,需要让更多的主角能够参与进来,比如业务人员,一线人员、建模为长的合作伙伴等等,这决定了大数据平台能否在建成时刻,在业务价值创造上也能开始起步,或者有所建树,改造一把存量,值得点赞,但绝对只是个开始。
首先,需要从关注大数据平台建设到大数据运营。
假如公司在大数据平台的建设上投资很多,那至少要划出很多在大数据运营上,30%?亦或40%?,后期则更甚,不仅仅需要挑选好的大数据平台厂家,更应该挑选擅长建模的合作伙伴,挑选擅长基于新的技术创造新业务场景的合作伙伴。
大数据平台建设完成时刻,就是大数据运营的开始,是真正创造价值的开始,所谓的运营绝对不是仅仅的平台运维,更多应是业务运营。
很多公司在大数据运营上的一毛不拔,是有深刻的原因的,也是无奈之举,大数据显然是技术驱动业务多一点,技术上可能有些人才可用,但对于大数据数据和业务兼而懂之的人才却极度缺乏,传统业务人员又显然还在门外,因此,造成了这一种不平衡。
同时,大数据业务创新风险性极高,想当前,真正能赚钱的大数据商业模式有几个? 就知道其实何其艰难和具有挑战性,创新大数据运营的钱当然可能打水漂,不如采购硬件和软件那么实在。
但是,既然要搞大数据,就应该想到这个风险,否则,几年后,除了同质化非常严重的一堆技术架构平台,各个企业的大数据的差异化竞争优势又在哪里?别提技术架构先进性,太容易复制了,传统企业也不可能像阿里那样程度的自主研发。
开源大势所趋,没有秘密可言,这种微小的领先支撑可能不到1-2年。而大数据建模及新的商业模式才可能是差异化竞争优势所在,所谓数据创新无极限,这个差异化也无极限。
当前,很多擅长平台的合作伙伴,也打着业务的旗子来,提什么客户洞察啥的,在架构蓝图上永远画着业务和服务,但到底业务服务怎么做,天知道?真正对于业务有点理解的又是何等的凤毛麟角。
有人问我,大数据最大的痛点是什么,我总是回答,业务创新,技术问题总能逐步解决,但业务,的确太难了。
举个例子,就能明白很多公司对于业务的理解能力了,某个客户说,你给我一辆5个轮胎的车子,然后这个技术公司真得研发出了5个轮子的汽车,但客户真正需要的,其实只要增加一个备胎。
当前业界有有实力、有运营能力的诸如建模等商业合作伙伴很少,但无论如何,还是要努力寻找,大数据不能缺了这条腿,或者就自己培养,这是当务之急。
一盘象棋,有再牛逼的车马炮又如何,于百万军中取上将之头,才是王道。
其次,大数据开放瓶颈不在开放平台,而在思维局限。
大数据平台开放现在提的多了,什么IaaS,PaaS及SaaS,但提的再多的规划和概念,都不如将一张有价值的大数据表,开放到一线让人真正用起来有意义。
通过FTP开放一个文本文件也叫开放,搞个大数据PaaS服务也叫开放,前者可能不安全,可能多了就管理复杂了,而且可能变得冗余,但现在才几个需求啊,PaaS这类太重的平台,只有系统和数据规模达到一定程度才能体现出其价值,平台永远只是手段。
但当前总想着把平台打磨的完美无缺,枉顾一线甚至不知道这个舞台的存在,其实再破的舞台,也能跳舞的。
99%的企业不可能做成BAT吧,可能也等不到大规模使用的时刻,所谓的开放平台,到底有多少是真正承载了大量业务量的,有多少是用来当白老鼠的,而且这类开放平台,由于太面面俱到了,每个细节处,都是问题。
没有实践的任何开放平台和组件,都值得怀疑,从数据采集、数据管理、数据挖掘、可视化不一而足。
比如一个数据管理PaaS平台,业界要折腾多少点年才出来一个靠谱的东西,其他的,所谓客户洞察诸如此类的,只能笑而不语了。
不管是白猫还是黑猫,抓到老鼠就是好的,PaaS并不是不需要,但开放从没有必要从PaaS开始,也不用想着哪天厂家会给你一个惊喜,总是要一点点起来。
这个就像当年很多牛逼的有方法论但没实践经验的咨询公司来到你面前大谈特谈如何避免离网那么幼稚。
最后,企业的大数据的普及是如此重要,不要等。
不可能依靠一个部门或者一只IT团队实现大数据的创新突破,最终一定要走向普及,因为群众的智慧是无穷的,搞IT的往往自以为是,蒙头造车,对于一线市场的残酷性完全不知道,而一线人员对于业务才有绝对的发言权。
必须让一线知道大数据有哪些能力,让一线知道如何使用,让一线自主决定一些数据的东西,授人以鱼不如授人以渔,IT需要做好这个平台,而让一线在上面欢快的跳舞。
当前阻碍企业大数据普及的有以下一些问题,需要得以解决:
一是一线的一把手的决心,对于一些传统企业,职能型的组织机构、陈旧的机制、僵化的流程的确是限制大数据普及的障碍,但笔者认为关键还是在思想层面,管理者的视野和勇气决定了大数据能否走出第一步。
传统企业,屁股决定脑袋很正常,我们很多优秀的管理者,在业务上拥有丰富的经验,觉的这个不靠谱的想法很正常,因为太少的成功案例,大数据是大忽悠也不是空穴来风。
笔者是搞实践的,说句良心话,原来对于大数据是否能创造实际效益也有怀疑,虽然自己搞过挖掘,但对于建模的价值也是质疑的,因为自己以前建的并没有带来很好的效益。
但还是要往前看,经验主义的确害人,很多企业的数据已经到了一定的程度,基于大数据是可以发挥很好的价值的,所以觉得没价值,更多在于自身的思维局限,缺乏创造力,习惯于按习惯做事,这是致命的。
大数据不同于传统业务,其创新性,长期性,迭代性都是传统方式无法比拟的,未来是算法的时代,希望能理解这一点,
二是一线普及的手段要加强,传统企业应该有个独立的组织去承担这个职责,无论是宣传、培训或落地的指导,没有组织上的创新,很难,大家都知道“星星之火,可以燎原”,但星星的确很难找。
因此,笔者特别强调组织和运营的重要性,无论是自己,还是依靠合作伙伴,务必采取培训、现场驻点、课题安排等形式将已有的平台能力,数据能力,使用方式,建模方式,操作流程等技能传授给一线人员,这个工作的艰巨性远超想象。
但看的到企业,有几个真正去做了呢?
事实上,传统企业较互联网企业,普及落地大数据的难度更大,因为除了机制和流程,在人员结构、地域上也有巨大的差距,比如互联网企业的人员天然就可能有数据的血液,而传统企业不一样,因此如果某个传统企业普及成功,更值得喝彩。
还有,运营是讲究方法的,没有数据证明,就不要相信任何运营的效果,比如以前我们搞了多次百人的实操培训,但通过租户平台发现没有模型在创建,说明培训工作是失败的。
大数据运营,也要通过数据说话,不要想当然,要有打破砂锅问到底的精神,虽已在路上,但革命远未成功。
三是尊重大数据的客观裁决,收益是唯一评估标准,不要奢望搞个大数据样板工程,它没法改变企业,还是要讲究实事求是,从小事做起,它是润物细无声的,起步的时候,大都是探索性的。
比如做一个存量亲情网的拉新模型,需要去努力识别社交关系,需要一线配合做不少验证工作,需要不停调整模型,同时大数据不仅仅是一个模型的事情,还涉及一线取数模式、营销模式、人员职能等各个方面的改变。
大数据的普及实际就是跟传统方式博弈的过程,这个急不得,要向一线证明大数据有用,得有真本事,经得起实际的检验,也非一日之功,一线很务实,没效果,就一边玩去,一边玩去并不是鄙视你,反映的是市场很骨感,一线不相信概念和绣花枕头。
在企业内部的大数据实践中,实际上,并不是没有需求,而往往是大数据的支撑能力不够,因为它面对的环境太复杂了,涉及业务、数据、平台、产品、建模、安全等各个方面,一线人员的经验是值得尊敬的,我们的模型有时候甚至没有经验规则来得可靠。
传统企业用好大数据,难度远超互联网,对于大数据综合运营的能力要求更高,互联网企业招聘一个建模师可能短期就能做网页A/B测试了,而比如运营商等企业,招个建模师首先要做的是熟悉企业的庞大的业务规则,理解营销的场景,面对参差不齐的数据质量及不完整的营销评估数据,因此,能力的挑战巨大,这个是无法回避的。
但无论如何,我们评估大数据成功的标准,始终是给一线带来了多少实实在在的价值,而不是提建了多少平台,性能有多么牛逼,这个不以人的意志为转移。
起了个劲爆的题目,并不是否定大数据平台的建设,而恰恰是希望在万马奔腾建设平台的时候,不忘初衷,想想后续的路怎么走,如何才能与业务形成良好的衔接,让这个平台产生新的价值,因为就像当年的BI一样,大数据似乎在相当长的时间内,需要以IT为导向的。
但如果只想着延续过去,在大数据业务运营上不作布局,那么,大数据平台的价值,就仅限于一个类似双11的支撑数字了,那是很可悲的事情。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19