从大数据的应用现状,看企业运营决策该何去何从

 
从大数据的应用现状,看企业运营决策该何去何从(上)
  何谓大数据?

什么是大数据?在大多数人理解中,是企业用数据来优化自己的流程、产品以及决策,让运营变得更有效。但我认为,这还不能涵盖大数据的完整范畴。

事实上,大数据是一个包含了技术和商业两个层面的综合性概念。一方面是技术层面的。在技术层面,其实从计算机诞生的那一刻起就伴随着数据的产生。但要进行海量的数据存储、高效的数据计算,需要有非常强大的硬件系统来支撑,而动辄百万美元的硬件成本和每月数万美元的维护成本并不是每一个企业都能够承担的。在高昂的成本面前,数据的分析使用成为了企业的一种“可望而不可及”的财富资产。

但最近几年,技术在不断地发展,类似于Hadoop这样的分布式存储和计算系统的出现,大大提高了数据存储和计算的效率,使海量数据应用于商业变成了可能。同时,随着互联网产业的飞速发展,大数据的概念也开始被越来越多的人关注。

另一方面是商业层面的。对于商业行为而言,最重要的意义是能够让企业通过数据的使用获得更多的收益。传统意义上的数据是面向业务的,对于每一条业务线来说都会有数据的采集和积累,相信很多企业已经在这方面做得很好了,可以说私量级已经足够了。如果连私量级这方面都没有做好,那我觉得有必要先去建立数据建构,毕竟有数据,才能进行接下来的相关内容。而能够让商业产生更大价值甚至颠覆性创新的则是具有多样性多元化的数据。这个多样性是指能够将多种数据相互印证,通过彼此之间的关联和互动让数据产生有可能的具有可靠性的商业价值。

对于企业来说,科学有效的数据指标体系可以增加企业决策的选择范围以及可预见范围。通常情况下,数据可以通过是否具有正向作用、是否可预见两个维度归纳成四个类别。

那些具有正向作用且可预见的数据通常作为运营指标进行关注,而那些具有反向作用且可预见的数据通常作为风险来规避,而具体如何划分数据指标,就根据具体的企业状况决定了。但是除了可预见的数据之外,还有大量的不可预见的数据。例如双十一,淘宝的目标是单天销售100亿,结果却实现了191亿,那么91亿便是不可预见的意外惊喜。对于我们来说,我们需要把不可预见的变成可预见的,也就是把意外惊喜变成可预见的固定收益,让它发挥更大的价值,把意外悲剧变成可预见的,最大可能地规避掉。

  将所有意外可能性变成可预见的,稳定收益规避风险

如果说上述都是对大数据定义的解释,那么下面就来说说企业与数据的关系。

一方面是企业内部数据,包括财务数据、运营数据、市场数据这类公司的结构型数据以及网站的分析数据和移动应用数据;另一方面是企业外部数据,包括百度、360这样的社会外部数据以及TalkingData这类的第三方数据,用以补全自己的业务数据维度。

例如,一个用户看了某项服务或者产品但没有产生消费,所以这组数据不可能出现在企业的经营数据中,绝对仅仅出现在网站分析数据中。换而言之,如果想要知道企业未来的机会,起码要把那些看了却不选用的用户转变成客户才可能吧?如果能转化20%,你的市场会增加多少?

再比如,如果你无法解释市场份额增加的原因,那么这个就属于“意外惊喜”;但当你看懂数据,当了解“意外惊喜”的产生原因,并做出相应的调整,将不可预见的可能性慢慢变少,使之成为正向的稳定的,公司也会越来越聪明(Data Smart)。

相较于对不可预见的“意外惊喜”的探索,对未知意外风险的警惕显得更为重要。

在如今竞争数据化,新闻自媒体化的现在,不再仅仅是去看对手做了什么事,而更多的是从那些“微小声音”中感受危机。例如,以前A公司的用户,有10%是先去B公司看看后再来A公司的,现在这个比例变成了40%,说明B公司的影响力比以前大,对于A公司便是危险。

所以,不仅仅是内部数据的分析使用,我们也需要用一些非结构化的外部数据不断补充自身的数据分析维度,比如微博指数、百度指数这类的社会数据就是很大一块非结构化的数据。这些社会数据不单只是用来评价公司口碑的好坏,同样能帮助公司进行一些决策。如果单纯停留在自身数据中,往往容易出现盲人摸象的尴尬,用片面的数据错误地描绘用户的全貌。就像当淘宝的卖家离开淘宝数据的支撑,只能称之为有数据分析,决不可称为大数据分析。

所谓的大数据,是需要跨视角、跨媒介、跨行业的海量数据,也可以理解为数据的收集方法相较于过去的传统收集方法的巨大革新。当数据的规模和丰富程度达到一定程度,大家才开始提出大数据的概念。

从大数据的应用现状,看企业运营决策该何去何从(中)

  数据,围城

在淘宝中,很多的店主认为“如果不到万级订单量,在基数这么低的情况下,数据分析有什么用处?所以,根本不需要大数据。只有淘宝本身、京东、亚马逊这样级别的电商公司才有海量数据,也才有资格去谈论及使用大数据。”

可是事实上,现在的电商企业日均能达到十万单的少之又少,在有海量数据积累的基础上,还要有一套优秀的BI系统,而且必须是根据公司的产品特性及供应链策略需求定制,才可能实现大数据。

对于现在大多数的电商企业来说,根本一时半会儿走不到这一步。宏观调控在小市场的确有效,一旦市场变大便依赖市场化。在企业较小规模阶段,具有一定经验的“拍脑袋”式决策的确效率最高。这造成不少企业对自身的数据一开始就没有一个标准化运营、收集、分析的意识,直到企业规模不断扩大,反过头再来谈大数据,多数只是痴人说梦、纸上谈兵。

 以库存数据举例

大型制造企业或者电商企业还有ERP这种主要工具帮助处理库存,而淘宝的商家或者小型企业对自己库存的即时数据并不了解,更不可能清楚库存销售的利润。往往出现这种情况——库存都是卖不掉的货,好卖的货早已经断货,而发现问题时,已经来不及清仓或者补货了。如果光看库存,会发现指标挺健康,但所谓的库存基本都变成了积压坏账,所以根据库存预计销售利润,不是每家企业都做得出来的,这说明数据管理水平有待提升。

在企业内部,有大量的决算数据需要耐心收集,但一般商家都没有专门的部门做这件事情,所以很难获得高质量的数据给自己提供决策支持。

事实上,卖家之所以对数据决策感觉束手无策,是因为数据收集维度不全,对数据的管理和获取不够,直接导致无法利用数据去辅助决策。而大数据之所以被热炒,是因为少数巨无霸企业在其中获得了巨大商业价值。例如亚马逊从亏损到盈利,大数据功不可没。不管是巧合还是时机成熟,亚马逊的确在采用了重量级的大数据分析后,业绩持续上涨。可以看到亚马逊很多基于数据的决策,甚至包括我们最能感知到的用户体验。

亚马逊上,囊括了所有生活必需品。因此它充分掌握消费者的原始数据,做出来的判断具有预测性。甚至可以向商家定制亚马逊版本产品,并能保证热卖。而这一切都是根据亚马逊所具有的大数据源,进行收集、分析所推测出来的。

  区分大数据与数据

虽然大数据看着好高端、好厉害的样子,但毕竟像亚马逊、淘宝这样的公司屈指可数,大多数的电商企业还处于起步阶段,甚至依旧没有。这不得不让人重新思考大数据和数据之间的关系。

大数据与数据是两个极易混淆的概念。对两者的区别,每个人的理解也大相径庭。大数据是基于交易、产品与用户的匹配。产品很多,人很多,把它们精准地匹配在一起,是很难的一件事情。

普通的企业内部业务经营指标——原材料、制造、库存,这是一个相对固定的封闭流程结构,通过ERP、丰田精益生产策略,企业通过不断自身优化和与调整供应链上下游来进行企业经营调整,好的分析策略或许可以对经营指标有所影响。所以,数据是一种狭隘的定量数据,利于企业内部流程优化;而大数据是在定量数据的基础上,做了一个更大范围的延伸,给企业提供决策支持,也可以理解为大数据是对数据本身的价值权重的进一步诠释,即数据在决策中所起到作用的权重在提高。

大数据其实是一个更大范围、更多维度的数据,就是从最初信息获取一直到最后的售后数据。大数据的数据量往往很大,而且一旦精细研究、不断拓展,数据量的增加也会异常惊人,对数据存储的要求甚至超出对运算能力的要求。暂且不管大数据和数据如何定义,对于目前的电商企业而言,仅仅是希望通过数据分析带来整个流程上的优化和推荐系统的智能化。大数据的价值是并不是那么立马立竿见影的,每一个消费者和卖家都在享受大数据决策的成果,但是在使用时,并不觉得是大数据。

其实常被人诟病的百度关键词搜索就是大数据的最日常应用,百度会提供一个关键词排名筛选系统(这里面涉及竞价、权重评定等等诸多因素,不展开说),一方面是搜索内容的相关性排序,另一方面是搜词的同时系统会自动提示其他相关热销词(比如窗体右侧可能是其他公司名片或者相关词条以及搜索栏下面的提示“你可能要找的是xxx”),告知哪些词更容易接触同类消费者。这是最早使用大数据的系统,是基于百度每天上亿次搜索的总结。每一个买百度关键词的公司,其实都在使用大数据产品。此外,淘宝直通车、数据魔方都也是大数据的衍生工具。

如果企业希望在大数据时代取得一些成绩,必须重视大数据的使用,灵活使用大数据工具,这些工具才是目前走在大数据最前沿的技术。大数据对企业的价值,很大程度上取决于第三方服务商能够提供怎样的数据工具。作为企业,应该从几十家甚至上百家工具提供商中,找到适合自己的大数据工具。

这里有不得不说说大数据的另一个重要应用–广告精准投放。这个以后如果你们想听,我就单起一篇来说,毕竟这块儿的事水太深,坑儿太多,可以说够写一本投放决策者的血淋淋心酸泪史了…

从大数据的应用现状,看企业运营决策该何去何从(下)

  着眼情报数据挖掘

昨天我们提到了大数据工具的运用,另一方面情报数据也是电商公司真正应该关注的。

对于情报数据的处理,从日常工作来看,数据及情报的收集工作占了大部分时间。这个包含跟上下游供应链以及跨部门的沟通。例如,一个采购人员应该去生产线,去分析每家供应商的生产质量水平,产能如何,优秀的工厂和二线工厂的生产周期区别,哪里的原材料采购价格最低,运输时长较短、运输成本稳定。一般来讲,这样的一条情报能使用一到三年。

虽然数据性不强,但这些情报价值十分高。讲数据挖掘不如讲是情报挖掘,情报挖掘才能够为电商企业提供真正生产力级的支持,如果情报挖掘都没做好,就想把它数字化和量化,有点操之过急。

举个夸张的例子,当一个品牌商拥有20万家生产厂商无从选择时,为了找一个与需求相匹配的生产企业,才需要建立一个大数据模型,进行筛选。而现在只需情报先行,当规模达到一定程度难以进行决策时,才使用数据挖掘技术。

的确,大数据的应用要渗透到中国的电商企业内部,还有很长的路要走。

而营销领域则完全不一样,市场营销的数据模型已经成熟,而互联网又带给电商企业足够多的信息源,大数据的应用已经可以直接给决策层提供建议。

以淘宝某原创女装品牌为例,他们会每天花费500~1000元做情报挖掘,这个cost已经相当的高了,甚至跟某些公司用于百度投放的日消耗相近。他们有专门的情报收集人员,根据数据魔方、量子恒道、CRM系统分析数据,再把这些信息结合辅助最基本的经营决策,考虑下一款新商品款式如何,基于对老会员的购买分析及需求分析,是否需要拓展新类目等等。

比如,当其有50件商品、100万现金时,究竟应该怎么安排生产?情报挖掘人员会提醒决策层,这其中有2件爆款、6件长尾、2件滞销品,甚至可以提出对各款商品的补货、清仓建议,从而进行价格调整,页面展示位置调整,push调整等一系列后续动作。从系统中取得所需数据并不困难,但数据需要进一步拼接,再去思考各个数据之间的因果联系。

通俗来理解,商业领域中的情报分析,就是商业逻辑。

“情报支持的是对商业逻辑的理解,而数据支持的是对商业情报的处理能力。”我们认为必须要先做情报挖掘,再做数据挖掘。如果情报没做好,相当于对商业逻辑的理解没达标,指望着数据直接讲清商业逻辑,有些痴人说梦。

数据无法替代商业逻辑

大数据需要在量化数据的基础上,加上商业逻辑,才能帮助电商企业做全局性、系统性的决策。排除一系列不可控因素,把结论和实际情况进行剥离,在一个理想状态下的模型,只是数学专家给出的结论。

大数据的核心是融入商业逻辑。在商业逻辑里必须先懂市场,懂某个领域的消费者真正诉求的变化;其次要懂行业,包括行业的特征、要求和规则;最后才是懂企业运营,把多个支持模块、资源有序地整合起来,从而共同创造价值。

在这些都具备的情况下,再用量化的数据适度辅佐决策,在商业逻辑的主导下,真正发挥量化数据的作用。

“缺乏这个商业逻辑之本,那量化数据就是天马行空的东西。”我们把商业逻辑看成真正需要解决的难题,因行业不同、企业不同、类目不同、时机不同,商业逻辑都会有所变化,这是一种动态平衡的艺术和哲学。虽然数据不能代替商业逻辑,但是数据可以修正、调整商业逻辑。“一个决策的产生,要靠部分数据、部分商业经验、部分商业直觉。”

说到这儿,就涉及数据分层。根据经验判断,越是偏宏观战略层面的数据,实用性越高,越是偏微观细小的数据,不确定性越高。因为宏观的决策很大,大到细小的影响起不了作用,而微观的决策恰恰相反。

比如纽约时报在2014年进行“去纸化”向“线上订阅”的转型过程中,面对不同设备、不同介质、不同时段的定价,以及培养用户习惯而赠送的免费渠道、免费数量。

再比如,整个行业规模如何,市场增长力如何,本身是多样本的综合数据,每一个样本的影响都只占一部分。而一旦到微观层面,比如广告用的颜色、打折力度大小、满减的额度,某一项的数据会起决定作用,这样如今多数商家更相信A/Btesting等更多形式,去相信数据研判和自身商业逻辑的结合。

我们认为“宏观层面多看看数据,辅以经验;微观层面多谈谈经验,辅以数据”,相结合的内容才对电商企业有价值。

回归商业的本质,数据只不过是业务的副产物,业务系统好,一般情况下数据系统不会太差。如果本末倒置,数据系统好但业务系统差,结果会发现数据系统产生的数据内容都没法进行有效的积累与使用。

这并不是打脸说数据不重要,但请不要迷信,因为数据的不确定性所带来的风险,就如股票市场出现MACD金叉背离,可能也会下跌一样。商业决策的风险是多数企业无法承受的,企业需要通过丰富的数据维度和数据内容,回归商业逻辑,进行企业决策。

总之通过大数据去挖掘、展现自身的商业价值,并进行决策,是需要科学严谨的筹划和储备的,而不是随大流的跟风,毕竟耗时耗力也是企业成本,这不是闹着玩。

本文来自TalkingData:

从大数据的应用现状,看企业运营决策该何(上)
从大数据的应用现状,看企业运营决策该何(中)
从大数据的应用现状,看企业运营决策该何(下)



无觅相关文章插件,快速提升流量

欢 迎 关 注 微 信 号 :i199IT

扫描微信二维码,数据随身查
扫描左侧二维码或搜索添加微信公众号:i199IT
TMT最全的数据微信平台,随时随地获知有价值的数据信息