成本节约70%，效率提升60%！大数据重塑了一家24岁的“老企业”

编者按：本文来自微信公众号数据赋能，作者：小胡，36氪经授权发布。

统计学界有一句名言：“除了上帝，任何人都必须用数据来说话。”如今在商业、经济、社会生活、犯罪学和科研各领域，决策行为都将通过大数据分析而得出，不再是过去笼统的经验之谈。

对于企业而言，没有大数据的未来是万万不能的。

在市场营销中，大数据帮助市场人员了解客户的特征、偏好和购买倾向，进而将广告投向精准客户，节省大量广告费；

在金融风控中，大数据帮助业务人员了解顾客的收入水平、资产情况、借贷历史、违约风险，不向高风险顾客发放贷款，或可以有效降低坏账率，提升资产质量；

在零售经营中，大数据帮助企业了解各商圈人流量情况、人群特征、周边环境、竞品布局，进而选择更符合本企业定位和用户需求的地点开设新店，在起步阶段就跑在了前面；

在物流运输中，大数据帮助经营人员了解各地需求、线路业务量、节点负荷和处理效率，科学设置线路规划、节点布局及资源配置，有效提升物流效率。

尽管大数据在很多地方得到了应用，但还是有很多企业不理解大数据，不知道哪些数据有价值，甚至认为大数据只是互联网科技公司又一次鼓吹的风口。

01. 大数据是垃圾？

《21世纪商业评论》的发行人吴伯凡，他就曾说过“大数据本质上是一种垃圾，如果你有好的方式把这些垃圾提炼加工出来，那就是很有用的。”

这句话指明了大数据一个事实：价值大但密度低。

那么我们怎样才能让大数据变废为宝，彰显其价值呢？回答这个问题前，我们先来看看国内外几家互联网公司是怎么玩的。

从2015年Alphabet（Google母公司）和Facebook的营收来看，广告营收占总营收的比例分别为89.55%和95.28%，而百度、阿里巴巴和腾讯的比例分别是98.58%、62.7%和55.01%。

通过上面的数字，一个直观的感受就是互联网行业的大数据公司，其核心商业价值竟是靠赤裸裸的广告体现的，至少目前阶段是这样的。

当然，这里的广告并非传统意义上的线下广告，而是依靠大数据精准的人群分析，通过一种付费内容的载体，对流量和数据进行变现。

难怪人类学家兼数学家托马斯·克伦普说，数据在本质上是人类观察世界的表征形式，研究数据在某种程度上就是在研究人。

对人的行为进行预测，是大数据的核心价值，如今人类行为93%是可以预测的。

电商行业有一个概念叫“用户画像”，它是很多系统的基础，比如推荐系统、精准广告系统、大数据风控系统，等等。

用户画像是什么呢？说到底就是对用户的分类数据。比如说：

• ID：韩梅梅

• 性别：女

• 年龄：26

• 性格描述：萌妹子、文艺

• 资产状况描述：月光族

• 大姨妈的日期：每月3号左右

• 上周的购物：猫粮、口红、裙子

 ......

有了这些信息，我们就可以针对这个用户，进行精准的广告营销和个性化的服务。

但是问题来了，现实中用户在注册信息时，性别栏里可能填的是“男”，年龄栏里填的“150”，这样的错误的数据会误导我们的数据分析结果。

倘若如果我们得到更多用户行为信息，比如这个ID用户经常浏览“胸罩”、“卫生巾”，还一直在追韩剧《请回答1988》，并在某个评论里说“最近刚生完宝宝......”便可以通过多种维度去不断描绘这个用户的画像。

大数据真正的难点，是花费了巨额成本和大量精力所获得的数据，没法转化成实际的效果和价值。舍恩伯格在《大数据时代》的第一章就强调了大数据和抽样调查的不同，大数据所需要的数据是海量且全面的，这样才能还原最真实的场景。

利用全量数据，我们可以将一些"不确定"、"不可控"的东西准确描述，进而更好地改进计划与重点方向。如果数据及维度充足，我们可以用更高的维度衡量一个公司的风险率与资损率。

除了前端的数据采集难度之外，配合数据的整个行动框架如何跟上大数据的变化，同样考验企业的数据运用能力。

所以，目前用的最好的大数据都是高价值、实时应用场景下、有明确对应关系的情况，比如安全领域、物流内部管理领域，等等。

比如你是一家电商网站，每天有几十万用户的点击数据，你希望通过这些数据知道，定了鲜花的用户是否也会购买避孕套，然后给杜蕾斯做推荐。

紧接着，你试图通过前一天的用户数据进行分析，这些数据结构松散，没有索引。你通过一些数据工具发现鲜花和避孕套有很大的正相关性，从而认为分析有效的。

结果，跟老板汇报后，你被他臭骂了一顿：笨蛋，昨天是情人节！

为什么出现这样的情况？是因为你配合数据的整个行动框架跟不上趋势的变化，而且时间轴太短（分析的是前一天），很容易形成错位，最终得到的答案也是徒劳无用。

同样是电商企业，亚马逊每天能产生成TB（1TB=1024GB）甚至PB（1PB=1024TB）的数据量，将每个用户在其网站上的所有行为都记录下来：页面停留时间、用户是否查看评论、每个搜索的关键词、浏览的商品等。

亚马逊的各个业务环节都离不开“数据驱动”的身影，通过历史数据来预测用户未来的需求，这就是亚马逊成功的密码。

由此可见，大数据的本质就是“看人下菜碟”，或者高大上的说法是“千人千面”，这其实也是商业的本质。大数据是否牛，往往取决于使用者而不是数据本身。

02. 除了大，大数据还需要什么？

当然，通过数据驱动，进行预测是大数据的美好状态，但哪些数据对企业有价值，是一件更值得企业关注的事情。

第一，数据是否在线，大量数据不在线，就没有利用的基础。王坚博士在《在线》中提到，离线的数据难以产生最大化的经济价值，但在线的可以。

举个例子。我们在开车时，汽车仪表盘上随时都在显示数据，其中大致可以分为3类：即时数据，例如速度、转速等，这些数据显示之后就消失了，没有任何记录；

统计数据，例如汽车行驶的公里数，可通过简单的统计向车主提示车辆行驶的总里程；

分析数据，例如5000公里的保养提示，车辆故障提示信息等。

这些数据都是不在线的，因此没有人可以对这些数据进行加工、处理、分析、反馈，大量的数据默默地产生又默默地消失，但是它是具备很大价值的数据。

如果汽车厂商能够将车辆所有的信息实时在线，那么这些数据就可以在线判断汽车故障发生的可能性，收集发动机运转情况以备改进，收集驾驶员习惯以不断改进车型，整合所有的燃油信息降低油耗，收集事故信息改进汽车安全，等等。

第二，数据是否链接，大量数据都是独立分布在不同系统，没有进行数据的打通，那么数据就缺乏有效利用的支撑。

步步高是一家传统商超集团，拥有超市、购物中心，也有电器店、便利店等丰富的应用场景，过去这个业态之间部门墙严重，很难从纯粹的组织管理上进行打通。

2018年开始，步步高和腾讯合作进行数字化战略，分为数字化顾客、数字化商品和数字化运营。通过连接各个业态的数据在线化，最终达到对顾客能够可识别、可触达、可洞察、可服务，对商品做到可描述、可搜索、可跟踪、可预测，对整个运营场景做到可量化、可追溯、可优化。

转型后的结果是，新店面节约70%推广成本，新会员转化能力是以往10倍，收银效率提高60%。

第三，数据是否知识结构化，一堆粗糙、没有经过有效的抽取和挖掘的数据，就缺乏有效利用的手段。

在中国的钢铁行业，有一个流传已久的段子：全球钢产量排名，第一名是中国（不包括河北），第二名是河北（不包括唐山），第三名是唐山（不包括瞒报产量），然后是日、美、印、俄、韩。 所以钢铁行业在中国占据着举足轻重的地位，但是由于市场的关系，信用体系一塌糊涂，银行及其他金融机构往往避而远之。

此环境下，找钢网应时而生，找钢网通过采用3类数据建设钢铁行业信用体系：

首先，是客户数据，包括客户基本工商资料、公司领导以及重要员工的个人信息；

其次，“找钢网”交易平台上产生的交易数据，包括供应链数据、财务信息、客户行为习惯等；

最后，是金融数据，包括下游小微企业的融资数据，供应链数据等。

在数据获取后，找钢网对供应链、财务、行为习惯进行校验，进而利用上述数据建立统一的钢贸指标体系，寻找一种标准化钢贸行业信用评估的方法。

由数据生成指标，由指标形成信用，实现对钢贸企业的信用评估，从此减少了钢铁行业“坑现象”。

第四，数据量的大小并不是数据价值体现的必要条件，少而精的数据有时也可以提供很大价值。

水是一个不好管理且数据量庞大的东西，以色列一家名为Takadu的水系统预警服务公司，专门针对地下的自来水管道水压计、用水量和天气等检测数据进行搜集。

通过亚马逊的云服务传回数据进行算法分析，如果发现城市某处地下自来水管道出现爆水管、渗水以及水压不足等异常状况，就会用10分钟分析生成一份报告，发回给这片自来水管道的维修部门。

报告中，除了提供异常状况类型以及水管的损坏状况，还能相对精确地标出问题水管具体在哪里。其检测每千米“水路”，Takadu就能收费1万美元。

03. 如何实现企业的大数据化？

我国是数据最大的拥有者，也是数据最大的需求者。

2017年12月9日我国实施了“国家大数据战略”，在政策的指引下，数据驱动已经成为现代企业的新兴业务增长力，为整个大数据行业带来了一个新的方向。

目前，企业对于大数据的追逐，存在着两级分化的态度：

一部分企业对大数据的认知仍处在概念化状态；或者受限于业务数据收集、处理之困；或者认为自身数据量不足够大，离所谓大数据很遥远；亦或者在战略意识上过于谨慎，认为大数据技术使用成本过高而预期不明。

我曾经采访过一家业内知名的老人鞋企业，这是一个消费者认知还停留在“老北京布鞋”的传统行业，在交谈当中我们提到一个话题：如何利用用户数据，进行C2M的大规模订单战略，降低营销成本和库存压力？

企业老板对这个话题很感兴趣，但是对于大数据只有一个概念，认为它更多的是一种技术能力而不是一种思维能力，完全可以交给第三方机构来做。可见预见，对于大数据并不是一家传统企业这样判断。

而另一部分企业盲目崇拜大数据，执着于大数据的统计结果，从而忽略了一些浅而已见的因果逻辑。

原阿里巴巴副总裁车品觉讲过这样一个案例。他问了一个问题：一枚1960年的1元真币到底价值多少，应该怎么评估？

很多人的答案是上网查新闻，听有专家估价，找当铺咨询......但是车品觉的答案却是，他会上淘宝这些电商搜索一下，在大数据的情况下，供需平衡，价格的总是不断地趋近于价值。

只有具备这样的因果逻辑，才能反映数据背后真实的结果。

那些盲目崇拜大数据的企业老板，只把数据统计系统当成KPI系统，公司没有把前端业务和后端数据进行衔接，没有人去帮助它分析问题、解决问题，所以它也只能去看数据，而不能用数据。

企业要真正实现对数据资产的转化，并逐步发挥价值，真正成为一家被数据驱动的企业，需要做到以下3点：第一，形成统一认知。一开始，注重数据挖掘往往只是少量部门，但实际需要全企业协同发展，企业高层需形成统一认知，才能让数据发挥价值；

第二，要养成数据驱动决策的思维方式。很多企业的经营决策以往可能都是拍脑袋决定，但假设每个员工、每个部门、每个领导都有“有数据支撑再做决策”意识以后，数据驱动决策的文化才能开展；

第三，加强和外部的协作。比如金融机构在做信贷业务时，获取并使用外部更多数据帮助其做风控，做好反欺诈。

帮助企业了解客户，帮助企业了解自己，进而做好更好的市场判断和商业行为，这就是大数据的价值。它就像是新时代的汽车，只是比旧时代的马车快一点，仅此而已。