论文部分内容阅读
如果你玩过一个1 000 块以上的拼图，应该不难体会，开始的5% 拼起来最为吃力，拼了25% 后就可以渐入佳境。大数据时代，计算机除了具有强大的计算能力和存储能力之外，更加速了全民数字化的步伐；互联网技术的快速发展为信息的连接与互通造就了条件；各种智能终端（包括智能手机）的普及让大数据、人工智能的应用成为相互加强的闭环系统，或者也可叫作数字经济引擎。我们正在数据化这个世界，在这个过程中，各领域中的数据拼图组成的“数字天书”，也将呼之欲出。
数据的本质是还原真实，推想未来
通常，我们用数据来度量。如果不懂得数据的本质，就不明白它对未来的战略方向有多重要。数据的本质是还原真实，推想未来。一方面，用数据来帮助作现有决策分析，另一方面则帮助推演未来。比如蚂蚁金服当初预测到未来信用很重要，而现状是大多数人并没有信用体系，于是开始做芝麻信用。
说到大数据分析，不得不提系统思维，现在流行的说法是生态圈。这个概念最早是美国麻省理工学院的教授提出的，叫动态系统学，后来将它从工具论借鉴到组织行为学的就是彼得？圣吉的《第五项修炼》。当我们分析大数据时，系统思维也很有用。当我们希望用数据还原整个世界的时候，如果不能系统地看世界，数据就永远是片面的。以前看公司的经营状况，必然是看财务报表，但财务报表只显示结果，很少显示生态。以系统思维使用大数据时，就会知道，系统与系统之间的反馈平衡，会有延后作用，这在数据分析时很重要。有的数据，今天是对的，但三个月后就不对了；也可能三个月后是对的，但当下是错的。
好比夜晚从宇宙中的某个点看地球，看大数据时，你会发现某些地方是不亮的，因为有些行业根本就没有数据化；有些虽然数据化了，但非常复杂；还有一些地方已经开始经历移动互联网化甚至物联网化。光亮度越高的点，必然是未来领先的行业。比如广告和内容推荐类，是最容易做的，淘宝、今日头条正是这样的公司。下一个则是金融。金融原本就是高度信息化的，数据化成本最低。对金融行业来说，大数据起风险管控作用的两把刀，主要体现在客户信用度及还款能力两方面。再下一个行业则是医疗，目前应用最多的是图片识别。在美国，初创公司Kyruus 正在深挖医疗领域数据，高效配对医生和病人，使得大量医疗资源不被浪费。但我们也发现，很少有医院把病人数据全部输入电脑，所以，虽然大数据是把锋利的宝剑，但也不是一捅下去就能解决所有行业的痛点。相对来说，游戏行业因为用户行为100%被记录，可以说是“完美数据”，用人工智能来模仿一个游戏选手去击败另外选手，是非常容易的。此外还有零售行业，虽然目前线上购物行为已经很多，但仍还有近90%的购物行为在网外进行，在线的数据记录还可能有偏差，所以这一块的发展仍有很大的空间。
数据是虛的，解决方案是实的
人工智能带来的变革，在于万物互联后的巨大信息流。面对这种巨大的变革机遇，企业如何做？
从大数据的角度，一方面要找到知识产生和业务增长的关联处；另一方面，要关注如何有效积累大数据，因为它们是知识倚赖的“原材料”。这也是大部分企业从想到做的过程中，“不知道自己不知道”的地方。2010 年，阿里的数据化运营也是摸着石头过河，最初数据分析产品其实还不到50 个用户，业务方对数据化管理一点也不感冒。到了2015 年，阿里的数据平台上使用一手具体分析工具的用户已经超过8 000人 。
我对有意布局数字经济的企业有八条建议：关注业务决策的过程，从问题中找寻数据化的机会；企业数据能力的泛化，要建立在数据产品的灵活性上；建立规范，确保数据供应的质量及稳定性；促进企业内部数据共创与共享机制的建立；建设外部数据积累及有使用权的数据战略储备；培养海量数据的深度分析能力；阻碍大数据发展的是伦理和法规；把“门窗”关好，数据越多，责任越大。
这八点是从公司战略层面上讲的。从能力上来强调则是三个要点：一是从业务决策中找寻数据化的能力；二是海量数据分析能力；三是“借力打力”的能力。要把难题留给外面的专业机构去解决。
值得一提的是，与大数据的4V（Volume-量大、Variety-多样、Velocity-速度、Value-价值）相比，现在移动大数据的核心重在实时（real time）、适时（right time）以及全时（all the time）。任何一个完整的高效服务都离不开这3T。以零售业为例，实时是实时数据的获取和推送能力，未来将通过手机或智能穿戴设备，赢得越来越多接触用户的机会。这些机会将为我们提供大量的时空信息，把每一刻感知到的用户数据延续，也就是全时。有了这种感知能力之后，如何知道何时是推荐服务的最佳时机呢？就必须要有全时的数据收集，才会知道用户的需求规律以及营销的关键点，做到有效触达。
数据是虚的，解决方案才是实在的。没有场景作目标的大数据如同散沙，但太实相的大数据又不灵活。所以，不论金融大数据还是医疗大数据、零售大数据，都会经历从无到有，从有到高度连接，从高度连接到实时流通，最后通过工程化，把数据提炼成随时可用的“业务石油”。到那时，就会产生无限商机以及无与伦比的回报率。
“养数据”的三个窍门
大部分人依旧持有“取之所用，无用则弃”的传统信息理念。事实上，有目的地收集到的信息不叫大数据，大数据是不加选择地存储所有看到过的信息，这些信息未来可能对其他事情有帮助。换句话说，留着暂时无用犹如“养兵千日，用兵一时”。
很多公司也知道数据很重要，一旦落实到要制定一个数据战略，就觉得上不了手。因为从表象来看，数据是海量的。要把海量的数据变得可用，就需要数据的标准化，但这样会很费资源。对决策者来说，此时就要着眼于解决企业痛点和战略布局，养数据绝不是“为养而养”。没有天猫超市之前的阿里，“养”与物流有关的数据看上去是浪费，但做天猫超市就一定要建自己的物流。“养兵千日”，要看战略的长远，打不同目标时所需要的数据是不一样的。再如，客服数据和业务数据打通后，会发现里面有很多宝藏让我们更好地服务客户。 行情好的时候不“养数据”，临要用的时候就很难抱佛脚。这里有三个小窍门。
第一，AAR 原则锁定客户。第一个 A是 acquire（获取），即如何用最有效的方法获取核心客户。第二个 A 是 activate（活躍），让获取到的客户快速成长，变得活跃、有黏性。R 即 retention（保留），防范核心客户的流失。这三个阶段数据都可以贯彻始终，既可以帮你找出核心客户，也可以告诉你什么服务和价格能让他们变成忠诚客户，同时还可以用数据模型来预测客户未来的需求，甚至是他们离开的概率。当企业充分掌握客户当前状态的数据后，就可据此进行预测，发现问题马上纠正。例如企业乱发现金券或经常打折，不但太“博爱”，还会让客户养成“无折不买”的习惯。
第二，行为数据比结果数据更有价值。企业通常关注的重点是交易数据，比如一天有多少客流量、多少交易额，却忽略了这些交易背后的原因。当把客户的行为数据（交互行为）和交易数据相关联时，就会知道，用什么产品吸引什么客户最有效、什么价格能让这些客户活跃起来、怎样让他们对这个平台更感兴趣。我们甚至可以预测客户流失的蛛丝马迹。通过行为数据去发现客户如何决策是个重要课题，即使是负面数据也可能有正面作用。
第三，从小处着手。假如是小企业，可以从结构化的、已有的数据开始，一步一步开展。中小企业要有清晰的具体目标：希望数据帮自己做什么、数据能解决什么问题。必须谨记，我们面对的是消费者，数据的收集、整合、决策、反馈都必须从消费者出发，以人为中心。另外，企业不应把客户看成一个整体，因为解决了客户的一般性需求，不等于了解了客户的特殊需求。
数据思维的妙用
谈数据离不开量化。量化是对被量化的事物的一种映射，就像照X光片。我们要明白量化后的数据是为了解决什么问题，以及在量化的过程中如何降低噪声，增加稳定性。过去数据很难获取，所以人们喜欢用经验预设简单维度，这种局面随着大数据时代被快速改变。一些看似毫无关联的事情，却是过去分析时的盲点所在。所以要改变传统观念，将思维方式从经验驱动转变为数据驱动。这不仅仅应用在处理大数据上，也可以走出数据世界，应用到工作的管理上，甚至应用到人生中。
比如说，你可以去量化某次会议上，CEO 在别人演讲时的几个动作信号：点头、写笔记、发问，这样大致可以得出该公司CEO对每一个主题演讲的专注度。用这种方式作出相应的关键词分析，可以事半功倍。再如，递送报告给管理层，每一个高管的反应是不同的，量化他们的反应，事后在回顾总结时可以还原并改进。所以不要说数据是冷冰冰的，恰当地运用数据思维，它可以帮助你解决热乎乎的问题。
数据的本质是还原真实，推想未来
通常，我们用数据来度量。如果不懂得数据的本质，就不明白它对未来的战略方向有多重要。数据的本质是还原真实，推想未来。一方面，用数据来帮助作现有决策分析，另一方面则帮助推演未来。比如蚂蚁金服当初预测到未来信用很重要，而现状是大多数人并没有信用体系，于是开始做芝麻信用。
说到大数据分析，不得不提系统思维，现在流行的说法是生态圈。这个概念最早是美国麻省理工学院的教授提出的，叫动态系统学，后来将它从工具论借鉴到组织行为学的就是彼得？圣吉的《第五项修炼》。当我们分析大数据时，系统思维也很有用。当我们希望用数据还原整个世界的时候，如果不能系统地看世界，数据就永远是片面的。以前看公司的经营状况，必然是看财务报表，但财务报表只显示结果，很少显示生态。以系统思维使用大数据时，就会知道，系统与系统之间的反馈平衡，会有延后作用，这在数据分析时很重要。有的数据，今天是对的，但三个月后就不对了；也可能三个月后是对的，但当下是错的。
好比夜晚从宇宙中的某个点看地球，看大数据时，你会发现某些地方是不亮的，因为有些行业根本就没有数据化；有些虽然数据化了，但非常复杂；还有一些地方已经开始经历移动互联网化甚至物联网化。光亮度越高的点，必然是未来领先的行业。比如广告和内容推荐类，是最容易做的，淘宝、今日头条正是这样的公司。下一个则是金融。金融原本就是高度信息化的，数据化成本最低。对金融行业来说，大数据起风险管控作用的两把刀，主要体现在客户信用度及还款能力两方面。再下一个行业则是医疗，目前应用最多的是图片识别。在美国，初创公司Kyruus 正在深挖医疗领域数据，高效配对医生和病人，使得大量医疗资源不被浪费。但我们也发现，很少有医院把病人数据全部输入电脑，所以，虽然大数据是把锋利的宝剑，但也不是一捅下去就能解决所有行业的痛点。相对来说，游戏行业因为用户行为100%被记录，可以说是“完美数据”，用人工智能来模仿一个游戏选手去击败另外选手，是非常容易的。此外还有零售行业，虽然目前线上购物行为已经很多，但仍还有近90%的购物行为在网外进行，在线的数据记录还可能有偏差，所以这一块的发展仍有很大的空间。
数据是虛的，解决方案是实的
人工智能带来的变革，在于万物互联后的巨大信息流。面对这种巨大的变革机遇，企业如何做？
从大数据的角度，一方面要找到知识产生和业务增长的关联处；另一方面，要关注如何有效积累大数据，因为它们是知识倚赖的“原材料”。这也是大部分企业从想到做的过程中，“不知道自己不知道”的地方。2010 年，阿里的数据化运营也是摸着石头过河，最初数据分析产品其实还不到50 个用户，业务方对数据化管理一点也不感冒。到了2015 年，阿里的数据平台上使用一手具体分析工具的用户已经超过8 000人 。
我对有意布局数字经济的企业有八条建议：关注业务决策的过程，从问题中找寻数据化的机会；企业数据能力的泛化，要建立在数据产品的灵活性上；建立规范，确保数据供应的质量及稳定性；促进企业内部数据共创与共享机制的建立；建设外部数据积累及有使用权的数据战略储备；培养海量数据的深度分析能力；阻碍大数据发展的是伦理和法规；把“门窗”关好，数据越多，责任越大。
这八点是从公司战略层面上讲的。从能力上来强调则是三个要点：一是从业务决策中找寻数据化的能力；二是海量数据分析能力；三是“借力打力”的能力。要把难题留给外面的专业机构去解决。
值得一提的是，与大数据的4V（Volume-量大、Variety-多样、Velocity-速度、Value-价值）相比，现在移动大数据的核心重在实时（real time）、适时（right time）以及全时（all the time）。任何一个完整的高效服务都离不开这3T。以零售业为例，实时是实时数据的获取和推送能力，未来将通过手机或智能穿戴设备，赢得越来越多接触用户的机会。这些机会将为我们提供大量的时空信息，把每一刻感知到的用户数据延续，也就是全时。有了这种感知能力之后，如何知道何时是推荐服务的最佳时机呢？就必须要有全时的数据收集，才会知道用户的需求规律以及营销的关键点，做到有效触达。
数据是虚的，解决方案才是实在的。没有场景作目标的大数据如同散沙，但太实相的大数据又不灵活。所以，不论金融大数据还是医疗大数据、零售大数据，都会经历从无到有，从有到高度连接，从高度连接到实时流通，最后通过工程化，把数据提炼成随时可用的“业务石油”。到那时，就会产生无限商机以及无与伦比的回报率。
“养数据”的三个窍门
大部分人依旧持有“取之所用，无用则弃”的传统信息理念。事实上，有目的地收集到的信息不叫大数据，大数据是不加选择地存储所有看到过的信息，这些信息未来可能对其他事情有帮助。换句话说，留着暂时无用犹如“养兵千日，用兵一时”。
很多公司也知道数据很重要，一旦落实到要制定一个数据战略，就觉得上不了手。因为从表象来看，数据是海量的。要把海量的数据变得可用，就需要数据的标准化，但这样会很费资源。对决策者来说，此时就要着眼于解决企业痛点和战略布局，养数据绝不是“为养而养”。没有天猫超市之前的阿里，“养”与物流有关的数据看上去是浪费，但做天猫超市就一定要建自己的物流。“养兵千日”，要看战略的长远，打不同目标时所需要的数据是不一样的。再如，客服数据和业务数据打通后，会发现里面有很多宝藏让我们更好地服务客户。 行情好的时候不“养数据”，临要用的时候就很难抱佛脚。这里有三个小窍门。
第一，AAR 原则锁定客户。第一个 A是 acquire（获取），即如何用最有效的方法获取核心客户。第二个 A 是 activate（活躍），让获取到的客户快速成长，变得活跃、有黏性。R 即 retention（保留），防范核心客户的流失。这三个阶段数据都可以贯彻始终，既可以帮你找出核心客户，也可以告诉你什么服务和价格能让他们变成忠诚客户，同时还可以用数据模型来预测客户未来的需求，甚至是他们离开的概率。当企业充分掌握客户当前状态的数据后，就可据此进行预测，发现问题马上纠正。例如企业乱发现金券或经常打折，不但太“博爱”，还会让客户养成“无折不买”的习惯。
第二，行为数据比结果数据更有价值。企业通常关注的重点是交易数据，比如一天有多少客流量、多少交易额，却忽略了这些交易背后的原因。当把客户的行为数据（交互行为）和交易数据相关联时，就会知道，用什么产品吸引什么客户最有效、什么价格能让这些客户活跃起来、怎样让他们对这个平台更感兴趣。我们甚至可以预测客户流失的蛛丝马迹。通过行为数据去发现客户如何决策是个重要课题，即使是负面数据也可能有正面作用。
第三，从小处着手。假如是小企业，可以从结构化的、已有的数据开始，一步一步开展。中小企业要有清晰的具体目标：希望数据帮自己做什么、数据能解决什么问题。必须谨记，我们面对的是消费者，数据的收集、整合、决策、反馈都必须从消费者出发，以人为中心。另外，企业不应把客户看成一个整体，因为解决了客户的一般性需求，不等于了解了客户的特殊需求。
数据思维的妙用
谈数据离不开量化。量化是对被量化的事物的一种映射，就像照X光片。我们要明白量化后的数据是为了解决什么问题，以及在量化的过程中如何降低噪声，增加稳定性。过去数据很难获取，所以人们喜欢用经验预设简单维度，这种局面随着大数据时代被快速改变。一些看似毫无关联的事情，却是过去分析时的盲点所在。所以要改变传统观念，将思维方式从经验驱动转变为数据驱动。这不仅仅应用在处理大数据上，也可以走出数据世界，应用到工作的管理上，甚至应用到人生中。
比如说，你可以去量化某次会议上，CEO 在别人演讲时的几个动作信号：点头、写笔记、发问，这样大致可以得出该公司CEO对每一个主题演讲的专注度。用这种方式作出相应的关键词分析，可以事半功倍。再如，递送报告给管理层，每一个高管的反应是不同的，量化他们的反应，事后在回顾总结时可以还原并改进。所以不要说数据是冷冰冰的，恰当地运用数据思维，它可以帮助你解决热乎乎的问题。