“數據化”是未來企業生死的課題
通用電氣CEO杰夫·伊梅爾特曾說：如果昨晚你睡覺時，GE還是一家工業公司，那么今天醒來就會變成一家軟件和數據分析公司。
作為傳統工業的代表，通用電氣都想通了，和人家說，我已經擁有千萬級的數據點，傳統企業還有什么可猶豫的？
不管你接受與否，在各種社會及企業數據的涌現下，數據創新已成為企業的必須品，數據化是任何企業的生死問題，不是“Nice to have”。
但意識到數據化的重要性的企業家又感慨人才難求，甚至不知從何入手?？赡艽蠹叶紱]想到原來傳統企業要數據化的最大障礙是新的數據思維方法。
在香港，有家日料店。這家店在很短時間內風靡全港，開了多個連鎖店。很多市民都知道這家日料店的海鮮非常新鮮實惠，價格只有別家的七折。
我也曾經詢問過這位大廚朋友，是什么能做到這么好的生意？大廚神秘兮兮地問我“你有沒有看到每個餐桌上的攝像頭？那就是我們的秘密武器?！?br />
原來，這家海鮮店每天都會通過攝像頭，查看食客點餐、到餐的順序，以及剩菜的種類分量。通過這樣的盤點，這家餐廳的老板可以準確把握消費者的喜好，從而對北海道的海鮮預購量也相對精準。
也正因為此，這家餐廳的貨源流轉迅速，成本也隨之降低。
這是個有趣的案例。一家沒有ERP系統的傳統餐廳，通過攝像頭實現了對采購的信息化管理：收集用戶信息，分析進而用于第二天的采購決策，循環反復，以此降低生意成本。
對很多人而言，大數據只是一個流行詞。在覺得數據距離自己業務很遠的同時，傳統企業又心生恐懼不知未來會怎樣：哪種生意可以用上數據？數據可以解決哪些具體業務問題？
誰需要大數據？
美國一家有著百年歷史的傳統零售店，這家百貨店六年前就開始大量收集競爭對手的價格數據。最近，他們除了做好了動態的定價引擎，還著手研究產品與人群匹配的自動化系統。
在電商領域，我們可以將用戶的認知分為三種：瀏覽者，購買者和消費者。
傳統百貨店既不知道走進商店的人們都逛了哪些店(瀏覽數據)，也不知道消費者在每個品牌店都買了什么商品(購買數據)，用了什么銀行卡買單，更不要說消費者購物完成后，他們的使用體驗數據。
生產企業最痛的點，是我知道誰幫我賣，但不知道誰在買。對零售業這個問題變為：我知道誰在買，但不知道客人如何做決定的，更不知道他們用得如何，出了什么問題也不知道。這是因為舊有的模式，數據無法跟蹤到門店之外，造成了生產和使用是脫節的。
但在大數據時代，生產企業可以利用社會化數據甚至傳感器跟蹤到用戶的使用方式。產品出了什么問題，生產企業甚至能在用戶感知之前，就了解到問題所在，并提供解決方案。
如果傳統百貨公司可以擁有這些數據呢？他們可以知道自己會員喜歡什么品牌，偏好什么樣的付費方式，也可以向生產廠商下單，預購符合會員興趣的商品。
數據可以幫助零售業對人群的需求與商品的供應快速有效率匹配起來，最大的價值就在這里。
當獲取數據變得越來越容易的時候，企業就會發現，不用數據做決策就會失去很多機會。未來的每個企業都會成為數據企業，每個產品都會成為數據產品。因為里面的優化點都依賴于數據創新，數據會成為企業發展的驅動力。
資源有限怎么做大數據？
中小企業在數據化中最大的問題是資源有限，沒有太多的資源可供試錯，試錯空間也很小。因此，中小企業應該收集關鍵信息，而不是收集所有數據。
你可以選擇比較小的場景進行數據收集、分析。
這個場景要滿足以下條件：
1) 有沒有所需數據？
2) 數據準不準確？
3) 數據的實時性如何？
4) 數據與算法的匹配？
5) 如何從錯誤中學習，數據回流能否起持續優化作用？
最后的一個，是這些回流的數據能夠改善我們之前的認知。就之前日本料理餐館的案例而言，消費者的選擇就是他們最關鍵的決策依據，所以可以優先收集這類數據。
而大數據，則是基于企業數據化基礎之上的數據整合、算法創新和產品化。比如，谷歌地圖之所以能告訴你前面的路堵車，其實是有賴于每個使用谷歌地圖的位置分享的實時整合。
所以我認為政府的推動，可以讓小企業減少得到數據的門檻、增加業界的數據功用，這樣就更有利于讓小企業也享受到大數據的科技。
從產業鏈來看，小公司聯盟，把數據統一，用數據來解決一些業內彼此都不能解決的問題。
中小企業不容易像大公司一樣有龐大的數據團隊。因此，中小企業在運用數據的時候，一定要有更穩妥的辦法，注重使用數據效益，可以嘗試從小專案著手，再逐步拓展。
另一個值得注意的是，經營的本質還是取決于創始人的方向與管理，大家不能本末倒置，一味期待透過數據就能解決企業所有的挑戰。
數據為什么是割裂的？
最近我遇到一位制造電腦硬件的廠商。他說，內部生產都可以數據化，但發現與銷售需求嚴重割裂，“這些數據似乎內外接不上?！?br />
為什么會出現這樣的狀況？
我常用的一個比喻是，開餐館定菜單的往往是餐廳老板，但是每天買菜的是最底層的采購員。所以很少有餐廳能常出名菜，因為廚師沒法定菜單，也不能用到適合的好原料。
數據的創新是無時無刻的，算法的創新周期稍長，而產品的創新往往是“十年磨一劍”。也因此，在企業擁有決定權的人，往往是擁有產品決策權的人。如果僅僅站在單一角度去看，很難找到數據和業務的結合點。
根據我的觀察，目前非常缺乏一種數據管理人才：他要對業務要有足夠的理解，明白數據能為業務起什么作用，了解技術更新與價值產生的關系，懂得從數據收集到加工，到新數據與歷史的整合，再到使用數據的便利性等等。
其中，對業務和商業的理解，絕對是成為數據主管所需要的基本條件，但若是想達到杰出的程度，肯定要懂得如何在人材匱乏的大數據行業中，吸引和保留住人才的眼光和能力了。
對于業務人員，也可以問問自己：現在擁有的數據能幫我解決問題嗎？假定所有數據可以獲取，我需要什么數據來解決問題？要怎么做才能更更容易獲取需要的數據呢？
舉例來說，我過去看到路上的交通狀況時曾經想過，大城市里的計程車服務會不會有可能改善？
我那時想著，如果計程車上有個燈能顯示過去客戶對他的評價，那么司機為了保持住好評價，應該會提供更好的服務水準。這就是數據可能解決的一個簡單例子。
下一步才是如何設計一個容易的方法，讓顧客去評價。而現在的叫車軟件就是一個很好的實現案例。這是訓練數據敏感度的好方法，也是過去十年我個人一直在用的方法——透過周遭事物訓練數據敏感度，讓數字“說話”。
最難點：在于你對自身的理解
大數據應用講求跨界和創新，更準確地說，大數據的價值來自可以從多角度來看同一件事，全景觀察可以減少誤差及創造新的機會。但并不是要求大家能夠認知到全部外面的世界，而是能讓其他人的數據為你所用。
大數據實踐中最困難的地方在于你對自身的理解，再加上，隔行如隔山，外部整合回來的數據可能很有價值但同時也有很多噪音，大家并不完全清楚數據的來源和定義。
如何去看清楚自己呢？根據過去的經驗，我認為首先是從小處著手。
傳統企業在初期不要貿然就開始一個非常大的大數據項目。
數據化比較適合從小而具體，容易評估效果作為起點的專案開始，以此鍛煉自己收集、加工、使用數據來做決策，以及衡量這個數據價值的能力，即以小知大。從小的場景開始，用數據在商業場景中不斷優化。
“數據的三層境界”：
數據1.0自身業務產生什么數據，我們用什么數據做分析優化；
數據2.0將現有數據與自己的歷史或上下游數據交叉，由此優化數據；
數據3.0就是購買外部數據或者將自己的數據分享出去，數據是互溶共通的，在交融中，產生新的產品體驗。
這三層境界，都需要企業有不同的技術和架構去實現數據的提煉、加工和產品化、整合。這其實是一個不斷用數據來描述和還原企業業務的過程。
最近，阿里數據團隊成功地提升了快的打車的打車成功率。我們就疊加了數據的一次使用和二次使用。
我們將實時數據與歷史數據整合。原來APP在發送打車需求的時候，是以打車人的地理位置為原點，每過幾分鐘擴散到附近300米，600米的出租車。這個消息的推送是以地理位置為推送邏輯的。
但是假如附近的司機其實并不想去目的地，接單的成功率就會降低。因此，我們把司機“優先目的地”這個數據加入推送系統中，就重新優化了數據，讓更愿意接單的司機“可視度”更高了。也因此提高了整體的接單成功率。當然前面所說只是優化的其中一個點子。
在我看來，所有的數據產品都是與決策相關的。也因此，數據優化的應該溯源于人或者機器中分析決策的每個環節，不斷更新你的錨點。
打破一個決策，首先要知道人們如何決策，以及有了新數據又如何改變決策。這兩者間的區別是什么？會帶來什么價值？大決策往往是由一連串的小決策組成的。
比如快的打車APP提高效率的關鍵點，在于如何讓司機的數據與用戶的數據關聯，同時如何不斷交叉比對歷史數據，找到最高效的匹配。
這其中最關鍵的是如何衡量數據回流的效用，在動態中，找到新的錨點。
如今傳統企業已經到了必將需要融入互聯網之中的時刻，這個時候實時數據就是你的新數據資料。當中的能力最為關鍵的是對實時數據的還原、提煉，并為企業所用。
這就是一個“數據”持續優化決策的過程——看清楚“你自己”的動態過程。
了解管理軟件：ERP系統 CRM系統 項目管理系統 進銷存系統 企業管理軟件
凱易通產品試用咨詢熱線：020-22275526 |
按管理領域
按行業分類
按企業規模
企業新聞網友評論