大数据的价值创造：从洞察力到生产力

我们拥有的数据越来越多，然而就数据本身来说是无含义的。AMT认为，从数据—信息—知识—智慧是一个逐步升华的过程。数据本身并不能做任何事情，只有不断从数据中进行分析洞察，将数据转化为信息和知识，并用来解决实际问题，才能真正成为智慧。

因此，不管是大数据还是小数据，没有业务洞察和改进创新都是0-1字符甚至噪声数据。AMT认为，大数据的价值创造就是“从海量数据中获取前所未有的洞察力，通过洞察力来创造生产力的一个过程”。

大数据的价值创造过程

大数据的价值创造过程分为三个步骤：

1)内外部的数据采集处理，积累形成企业数据资产。

2)基于数据的分析和洞察，获取未知的经验。

3)将大数据分析洞察用于推动业务改进和创新。

相对应的，在大数据的产业里面，也有三类角色：第一类，是数据的拥有者，企业自身或者提供数据服务的专业机构；第二类，大数据的技术提供者，包括软件工具提供商和技术服务公司；第三类，叫业务的洞察者或者业务的价值挖掘者，对应的就是AMT所提供的咨询服务内容——作为数据拥有者和技术服务商之间的桥梁，以业务价值为导向，把相关技术和数据相结合，帮助客户实现商业模式创新和价值实现。

我们先以AMT在能源行业的大数据应用案例来说明大数据的价值创造过程。能源行业包括石油、电厂、电网、新能源企业等，是属于重资产密集型行业，大型设备设施的可用率，对企业来说很重要。那在这个行业做大数据应用的典型应用场景，就是用大数据的算法给这些设备计算出其故障概率、风险等级等，通过分析帮助其改善设备可用率。

比如，电力公司需要运营维护大量的变压器和线路等设备，这些设备它会有很多状态数据。本体状态包括温度、振动情况、锈蚀情况、电压、电流等；还有一些环境状态信息，包括周边环境的温度、湿度等，这样的数据在现有的大型企业会有自动采集的传感器来捕捉这些信息；除此之外还有很多人为的操作信息，对设备的开机、关机、对设备进行周期性预防检修、维护性工作、年检工作等。以上所有这些数据都放到我们为其开发的大数据模型里面来，通过大数据的方法计算，告诉客户这3000台变压器设备，可能其中10%是属于高危等级，需要提前去开展预防性的检修、维护或者年检工作，剩下的可能40%是中等危险等级，50%是低等危险等级，这些都是可以通过大数据方法来优化工作的。

要分析设备故障需要有本体状态信息，有环境状态信息，有检维修记录信息，甚至包括外表的天气信息等都要考虑纳入进来，这些问题就需要有行业洞察力、有业务观点的人来解决。分析结果之后，为了解决这些问题，我们应该配合什么样的管理举措，是不是要通过人员的技能提升、绩效考核、通过设备的技术改造等来开展一些工作？这些管理举措的后续跟进，不懂业务的技术服务公司是很难在这块提供价值的。但是对客户来说，这些是更有价值的，这也正是AMT咨询服务的价值所在。

在电信行业也有类似案例：运营商做客户套餐的优化，需要用户大量的日常通话信息、包括区内通话、区外通话，及流量等大量的信息，通过这些信息计算怎么设计出更好的套餐吸引高价值用户。我们通过获取用户行为，把用户的行为模式、消费习惯聚类出来，再去制订营销策略、套餐策略，这样会更有效、更直接、更有针对性。比如说结果得出针对这几类用户我们要开设校园套餐，那校园套餐将来落地的时候要配合宣传活动、配合呼叫中心的配套服务，要配合渠道商的策略，这些在做方案的时候都是需要配套跟上的。

最后总结一下，大数据应用的核心在于分析洞察之后，真正帮助业务的创新和改进，从洞察力到生产力。如果纯粹从大数据的技术和工具出发，就有点舍本逐末了。