從大數(shù)據(jù)的應(yīng)用現(xiàn)狀，看企業(yè)運(yùn)營決策該何去何從（全文）

來源：數(shù)據(jù)觀-企業(yè) 時(shí)間：2017-03-09 16:32:28 作者：TalkingData

從大數(shù)據(jù)的應(yīng)用現(xiàn)狀，看企業(yè)運(yùn)營決策該何去何從（下）

　　著眼情報(bào)數(shù)據(jù)挖掘

　　昨天我們提到了大數(shù)據(jù)工具的運(yùn)用，另一方面情報(bào)數(shù)據(jù)也是電商公司真正應(yīng)該關(guān)注的。

　　對(duì)于情報(bào)數(shù)據(jù)的處理，從日常工作來看，數(shù)據(jù)及情報(bào)的收集工作占了大部分時(shí)間。這個(gè)包含跟上下游供應(yīng)鏈以及跨部門的溝通。例如，一個(gè)采購人員應(yīng)該去生產(chǎn)線，去分析每家供應(yīng)商的生產(chǎn)質(zhì)量水平，產(chǎn)能如何，優(yōu)秀的工廠和二線工廠的生產(chǎn)周期區(qū)別，哪里的原材料采購價(jià)格最低，運(yùn)輸時(shí)長較短、運(yùn)輸成本穩(wěn)定。一般來講，這樣的一條情報(bào)能使用一到三年。

　　雖然數(shù)據(jù)性不強(qiáng)，但這些情報(bào)價(jià)值十分高。講數(shù)據(jù)挖掘不如講是情報(bào)挖掘，情報(bào)挖掘才能夠?yàn)殡娚唐髽I(yè)提供真正生產(chǎn)力級(jí)的支持，如果情報(bào)挖掘都沒做好，就想把它數(shù)字化和量化，有點(diǎn)操之過急。

　　舉個(gè)夸張的例子，當(dāng)一個(gè)品牌商擁有20萬家生產(chǎn)廠商無從選擇時(shí)，為了找一個(gè)與需求相匹配的生產(chǎn)企業(yè)，才需要建立一個(gè)大數(shù)據(jù)模型，進(jìn)行篩選。而現(xiàn)在只需情報(bào)先行，當(dāng)規(guī)模達(dá)到一定程度難以進(jìn)行決策時(shí)，才使用數(shù)據(jù)挖掘技術(shù)。

　　的確，大數(shù)據(jù)的應(yīng)用要滲透到中國的電商企業(yè)內(nèi)部，還有很長的路要走。

　　而營銷領(lǐng)域則完全不一樣，市場營銷的數(shù)據(jù)模型已經(jīng)成熟，而互聯(lián)網(wǎng)又帶給電商企業(yè)足夠多的信息源，大數(shù)據(jù)的應(yīng)用已經(jīng)可以直接給決策層提供建議。

　　以淘寶某原創(chuàng)女裝品牌為例，他們會(huì)每天花費(fèi)500~1000元做情報(bào)挖掘，這個(gè)cost已經(jīng)相當(dāng)?shù)母吡?，甚至跟某些公司用于百度投放的日消耗相近。他們有專門的情報(bào)收集人員，根據(jù)數(shù)據(jù)魔方、量子恒道、CRM系統(tǒng)分析數(shù)據(jù)，再把這些信息結(jié)合輔助最基本的經(jīng)營決策，考慮下一款新商品款式如何，基于對(duì)老會(huì)員的購買分析及需求分析，是否需要拓展新類目等等。

　　比如，當(dāng)其有50件商品、100萬現(xiàn)金時(shí)，究竟應(yīng)該怎么安排生產(chǎn)？情報(bào)挖掘人員會(huì)提醒決策層，這其中有2件爆款、6件長尾、2件滯銷品，甚至可以提出對(duì)各款商品的補(bǔ)貨、清倉建議，從而進(jìn)行價(jià)格調(diào)整，頁面展示位置調(diào)整，push調(diào)整等一系列后續(xù)動(dòng)作。從系統(tǒng)中取得所需數(shù)據(jù)并不困難，但數(shù)據(jù)需要進(jìn)一步拼接，再去思考各個(gè)數(shù)據(jù)之間的因果聯(lián)系。

　　通俗來理解，商業(yè)領(lǐng)域中的情報(bào)分析，就是商業(yè)邏輯。

　　“情報(bào)支持的是對(duì)商業(yè)邏輯的理解，而數(shù)據(jù)支持的是對(duì)商業(yè)情報(bào)的處理能力?！蔽覀冋J(rèn)為必須要先做情報(bào)挖掘，再做數(shù)據(jù)挖掘。如果情報(bào)沒做好，相當(dāng)于對(duì)商業(yè)邏輯的理解沒達(dá)標(biāo)，指望著數(shù)據(jù)直接講清商業(yè)邏輯，有些癡人說夢。

　　數(shù)據(jù)無法替代商業(yè)邏輯

　　大數(shù)據(jù)需要在量化數(shù)據(jù)的基礎(chǔ)上，加上商業(yè)邏輯，才能幫助電商企業(yè)做全局性、系統(tǒng)性的決策。排除一系列不可控因素，把結(jié)論和實(shí)際情況進(jìn)行剝離，在一個(gè)理想狀態(tài)下的模型，只是數(shù)學(xué)專家給出的結(jié)論。

　　大數(shù)據(jù)的核心是融入商業(yè)邏輯。在商業(yè)邏輯里必須先懂市場，懂某個(gè)領(lǐng)域的消費(fèi)者真正訴求的變化；其次要懂行業(yè)，包括行業(yè)的特征、要求和規(guī)則；最后才是懂企業(yè)運(yùn)營，把多個(gè)支持模塊、資源有序地整合起來，從而共同創(chuàng)造價(jià)值。

　　在這些都具備的情況下，再用量化的數(shù)據(jù)適度輔佐決策，在商業(yè)邏輯的主導(dǎo)下，真正發(fā)揮量化數(shù)據(jù)的作用。

　　“缺乏這個(gè)商業(yè)邏輯之本，那量化數(shù)據(jù)就是天馬行空的東西?！蔽覀儼焉虡I(yè)邏輯看成真正需要解決的難題，因行業(yè)不同、企業(yè)不同、類目不同、時(shí)機(jī)不同，商業(yè)邏輯都會(huì)有所變化，這是一種動(dòng)態(tài)平衡的藝術(shù)和哲學(xué)。雖然數(shù)據(jù)不能代替商業(yè)邏輯，但是數(shù)據(jù)可以修正、調(diào)整商業(yè)邏輯?！耙粋€(gè)決策的產(chǎn)生，要靠部分?jǐn)?shù)據(jù)、部分商業(yè)經(jīng)驗(yàn)、部分商業(yè)直覺。”

　　說到這兒，就涉及數(shù)據(jù)分層。根據(jù)經(jīng)驗(yàn)判斷，越是偏宏觀戰(zhàn)略層面的數(shù)據(jù)，實(shí)用性越高，越是偏微觀細(xì)小的數(shù)據(jù)，不確定性越高。因?yàn)楹暧^的決策很大，大到細(xì)小的影響起不了作用，而微觀的決策恰恰相反。

　　比如紐約時(shí)報(bào)在2014年進(jìn)行“去紙化”向“線上訂閱”的轉(zhuǎn)型過程中，面對(duì)不同設(shè)備、不同介質(zhì)、不同時(shí)段的定價(jià)，以及培養(yǎng)用戶習(xí)慣而贈(zèng)送的免費(fèi)渠道、免費(fèi)數(shù)量。

　　再比如，整個(gè)行業(yè)規(guī)模如何，市場增長力如何，本身是多樣本的綜合數(shù)據(jù)，每一個(gè)樣本的影響都只占一部分。而一旦到微觀層面，比如廣告用的顏色、打折力度大小、滿減的額度，某一項(xiàng)的數(shù)據(jù)會(huì)起決定作用，這樣如今多數(shù)商家更相信A／Btesting等更多形式，去相信數(shù)據(jù)研判和自身商業(yè)邏輯的結(jié)合。

　　我們認(rèn)為“宏觀層面多看看數(shù)據(jù)，輔以經(jīng)驗(yàn)；微觀層面多談?wù)劷?jīng)驗(yàn)，輔以數(shù)據(jù)”，相結(jié)合的內(nèi)容才對(duì)電商企業(yè)有價(jià)值。

　　回歸商業(yè)的本質(zhì)，數(shù)據(jù)只不過是業(yè)務(wù)的副產(chǎn)物，業(yè)務(wù)系統(tǒng)好，一般情況下數(shù)據(jù)系統(tǒng)不會(huì)太差。如果本末倒置，數(shù)據(jù)系統(tǒng)好但業(yè)務(wù)系統(tǒng)差，結(jié)果會(huì)發(fā)現(xiàn)數(shù)據(jù)系統(tǒng)產(chǎn)生的數(shù)據(jù)內(nèi)容都沒法進(jìn)行有效的積累與使用。

　　這并不是打臉說數(shù)據(jù)不重要，但請(qǐng)不要迷信，因?yàn)閿?shù)據(jù)的不確定性所帶來的風(fēng)險(xiǎn)，就如股票市場出現(xiàn)MACD金叉背離，可能也會(huì)下跌一樣。商業(yè)決策的風(fēng)險(xiǎn)是多數(shù)企業(yè)無法承受的，企業(yè)需要通過豐富的數(shù)據(jù)維度和數(shù)據(jù)內(nèi)容，回歸商業(yè)邏輯，進(jìn)行企業(yè)決策。

　　總之通過大數(shù)據(jù)去挖掘、展現(xiàn)自身的商業(yè)價(jià)值，并進(jìn)行決策，是需要科學(xué)嚴(yán)謹(jǐn)?shù)幕I劃和儲(chǔ)備的，而不是隨大流的跟風(fēng)，畢竟耗時(shí)耗力也是企業(yè)成本，這不是鬧著玩。

?點(diǎn)此進(jìn)入 TalkingData 在數(shù)據(jù)觀的企業(yè)欄目>>>

?

責(zé)任編輯：陳近梅