從大數(shù)據(jù)的應(yīng)用現(xiàn)狀，看企業(yè)運(yùn)營(yíng)決策該何去何從（全文）
來(lái)源：數(shù)據(jù)觀-企業(yè) 時(shí)間：2017-03-09 16:32:28 作者：TalkingData
何謂大數(shù)據(jù)？
什么是大數(shù)據(jù)？在大多數(shù)人理解中，是企業(yè)用數(shù)據(jù)來(lái)優(yōu)化自己的流程、產(chǎn)品以及決策，讓運(yùn)營(yíng)變得更有效。但我認(rèn)為，這還不能涵蓋大數(shù)據(jù)的完整范疇。
事實(shí)上，大數(shù)據(jù)是一個(gè)包含了技術(shù)和商業(yè)兩個(gè)層面的綜合性概念。一方面是技術(shù)層面的。在技術(shù)層面，其實(shí)從計(jì)算機(jī)誕生的那一刻起就伴隨著數(shù)據(jù)的產(chǎn)生。但要進(jìn)行海量的數(shù)據(jù)存儲(chǔ)、高效的數(shù)據(jù)計(jì)算，需要有非常強(qiáng)大的硬件系統(tǒng)來(lái)支撐，而動(dòng)輒百萬(wàn)美元的硬件成本和每月數(shù)萬(wàn)美元的維護(hù)成本并不是每一個(gè)企業(yè)都能夠承擔(dān)的。在高昂的成本面前，數(shù)據(jù)的分析使用成為了企業(yè)的一種“可望而不可及”的財(cái)富資產(chǎn)。
但最近幾年，技術(shù)在不斷地發(fā)展，類似于Hadoop這樣的分布式存儲(chǔ)和計(jì)算系統(tǒng)的出現(xiàn)，大大提高了數(shù)據(jù)存儲(chǔ)和計(jì)算的效率，使海量數(shù)據(jù)應(yīng)用于商業(yè)變成了可能。同時(shí)，隨著互聯(lián)網(wǎng)產(chǎn)業(yè)的飛速發(fā)展，大數(shù)據(jù)的概念也開(kāi)始被越來(lái)越多的人關(guān)注。
另一方面是商業(yè)層面的。對(duì)于商業(yè)行為而言，最重要的意義是能夠讓企業(yè)通過(guò)數(shù)據(jù)的使用獲得更多的收益。傳統(tǒng)意義上的數(shù)據(jù)是面向業(yè)務(wù)的，對(duì)于每一條業(yè)務(wù)線來(lái)說(shuō)都會(huì)有數(shù)據(jù)的采集和積累，相信很多企業(yè)已經(jīng)在這方面做得很好了，可以說(shuō)私量級(jí)已經(jīng)足夠了。如果連私量級(jí)這方面都沒(méi)有做好，那我覺(jué)得有必要先去建立數(shù)據(jù)建構(gòu)，畢竟有數(shù)據(jù)，才能進(jìn)行接下來(lái)的相關(guān)內(nèi)容。而能夠讓商業(yè)產(chǎn)生更大價(jià)值甚至顛覆性創(chuàng)新的則是具有多樣性多元化的數(shù)據(jù)。這個(gè)多樣性是指能夠?qū)⒍喾N數(shù)據(jù)相互印證，通過(guò)彼此之間的關(guān)聯(lián)和互動(dòng)讓數(shù)據(jù)產(chǎn)生有可能的具有可靠性的商業(yè)價(jià)值。
對(duì)于企業(yè)來(lái)說(shuō)，科學(xué)有效的數(shù)據(jù)指標(biāo)體系可以增加企業(yè)決策的選擇范圍以及可預(yù)見(jiàn)范圍。通常情況下，數(shù)據(jù)可以通過(guò)是否具有正向作用、是否可預(yù)見(jiàn)兩個(gè)維度歸納成四個(gè)類別。
那些具有正向作用且可預(yù)見(jiàn)的數(shù)據(jù)通常作為運(yùn)營(yíng)指標(biāo)進(jìn)行關(guān)注，而那些具有反向作用且可預(yù)見(jiàn)的數(shù)據(jù)通常作為風(fēng)險(xiǎn)來(lái)規(guī)避，而具體如何劃分?jǐn)?shù)據(jù)指標(biāo)，就根據(jù)具體的企業(yè)狀況決定了。但是除了可預(yù)見(jiàn)的數(shù)據(jù)之外，還有大量的不可預(yù)見(jiàn)的數(shù)據(jù)。例如雙十一，淘寶的目標(biāo)是單天銷售100億，結(jié)果卻實(shí)現(xiàn)了191億，那么91億便是不可預(yù)見(jiàn)的意外驚喜。對(duì)于我們來(lái)說(shuō)，我們需要把不可預(yù)見(jiàn)的變成可預(yù)見(jiàn)的，也就是把意外驚喜變成可預(yù)見(jiàn)的固定收益，讓它發(fā)揮更大的價(jià)值，把意外悲劇變成可預(yù)見(jiàn)的，最大可能地規(guī)避掉。
將所有意外可能性變成可預(yù)見(jiàn)的，穩(wěn)定收益規(guī)避風(fēng)險(xiǎn)
如果說(shuō)上述都是對(duì)大數(shù)據(jù)定義的解釋，那么下面就來(lái)說(shuō)說(shuō)企業(yè)與數(shù)據(jù)的關(guān)系。
一方面是企業(yè)內(nèi)部數(shù)據(jù)，包括財(cái)務(wù)數(shù)據(jù)、運(yùn)營(yíng)數(shù)據(jù)、市場(chǎng)數(shù)據(jù)這類公司的結(jié)構(gòu)型數(shù)據(jù)以及網(wǎng)站的分析數(shù)據(jù)和移動(dòng)應(yīng)用數(shù)據(jù)；另一方面是企業(yè)外部數(shù)據(jù)，包括百度、360這樣的社會(huì)外部數(shù)據(jù)以及TalkingData這類的第三方數(shù)據(jù)，用以補(bǔ)全自己的業(yè)務(wù)數(shù)據(jù)維度。
例如，一個(gè)用戶看了某項(xiàng)服務(wù)或者產(chǎn)品但沒(méi)有產(chǎn)生消費(fèi)，所以這組數(shù)據(jù)不可能出現(xiàn)在企業(yè)的經(jīng)營(yíng)數(shù)據(jù)中，絕對(duì)僅僅出現(xiàn)在網(wǎng)站分析數(shù)據(jù)中。換而言之，如果想要知道企業(yè)未來(lái)的機(jī)會(huì)，起碼要把那些看了卻不選用的用戶轉(zhuǎn)變成客戶才可能吧？如果能轉(zhuǎn)化20%，你的市場(chǎng)會(huì)增加多少？
再比如，如果你無(wú)法解釋市場(chǎng)份額增加的原因，那么這個(gè)就屬于“意外驚喜”；但當(dāng)你看懂?dāng)?shù)據(jù)，當(dāng)了解“意外驚喜”的產(chǎn)生原因，并做出相應(yīng)的調(diào)整，將不可預(yù)見(jiàn)的可能性慢慢變少，使之成為正向的穩(wěn)定的，公司也會(huì)越來(lái)越聰明（Data Smart）。
相較于對(duì)不可預(yù)見(jiàn)的“意外驚喜”的探索，對(duì)未知意外風(fēng)險(xiǎn)的警惕顯得更為重要。
在如今競(jìng)爭(zhēng)數(shù)據(jù)化，新聞自媒體化的現(xiàn)在，不再僅僅是去看對(duì)手做了什么事，而更多的是從那些“微小聲音”中感受危機(jī)。例如，以前A公司的用戶，有10%是先去B公司看看后再來(lái)A公司的，現(xiàn)在這個(gè)比例變成了40%，說(shuō)明B公司的影響力比以前大，對(duì)于A公司便是危險(xiǎn)。
所以，不僅僅是內(nèi)部數(shù)據(jù)的分析使用，我們也需要用一些非結(jié)構(gòu)化的外部數(shù)據(jù)不斷補(bǔ)充自身的數(shù)據(jù)分析維度，比如微博指數(shù)、百度指數(shù)這類的社會(huì)數(shù)據(jù)就是很大一塊非結(jié)構(gòu)化的數(shù)據(jù)。這些社會(huì)數(shù)據(jù)不單只是用來(lái)評(píng)價(jià)公司口碑的好壞，同樣能幫助公司進(jìn)行一些決策。如果單純停留在自身數(shù)據(jù)中，往往容易出現(xiàn)盲人摸象的尷尬，用片面的數(shù)據(jù)錯(cuò)誤地描繪用戶的全貌。就像當(dāng)淘寶的賣(mài)家離開(kāi)淘寶數(shù)據(jù)的支撐，只能稱之為有數(shù)據(jù)分析，決不可稱為大數(shù)據(jù)分析。
所謂的大數(shù)據(jù)，是需要跨視角、跨媒介、跨行業(yè)的海量數(shù)據(jù)，也可以理解為數(shù)據(jù)的收集方法相較于過(guò)去的傳統(tǒng)收集方法的巨大革新。當(dāng)數(shù)據(jù)的規(guī)模和豐富程度達(dá)到一定程度，大家才開(kāi)始提出大數(shù)據(jù)的概念。
從大數(shù)據(jù)的應(yīng)用現(xiàn)狀，看企業(yè)運(yùn)營(yíng)決策該何去何從（中）
數(shù)據(jù)，圍城
在淘寶中，很多的店主認(rèn)為“如果不到萬(wàn)級(jí)訂單量，在基數(shù)這么低的情況下，數(shù)據(jù)分析有什么用處？所以，根本不需要大數(shù)據(jù)。只有淘寶本身、京東、亞馬遜這樣級(jí)別的電商公司才有海量數(shù)據(jù)，也才有資格去談?wù)摷笆褂么髷?shù)據(jù)?！?/p>
可是事實(shí)上，現(xiàn)在的電商企業(yè)日均能達(dá)到十萬(wàn)單的少之又少，在有海量數(shù)據(jù)積累的基礎(chǔ)上，還要有一套優(yōu)秀的BI系統(tǒng)，而且必須是根據(jù)公司的產(chǎn)品特性及供應(yīng)鏈策略需求定制，才可能實(shí)現(xiàn)大數(shù)據(jù)。
對(duì)于現(xiàn)在大多數(shù)的電商企業(yè)來(lái)說(shuō)，根本一時(shí)半會(huì)兒走不到這一步。宏觀調(diào)控在小市場(chǎng)的確有效，一旦市場(chǎng)變大便依賴市場(chǎng)化。在企業(yè)較小規(guī)模階段，具有一定經(jīng)驗(yàn)的“拍腦袋”式?jīng)Q策的確效率最高。這造成不少企業(yè)對(duì)自身的數(shù)據(jù)一開(kāi)始就沒(méi)有一個(gè)標(biāo)準(zhǔn)化運(yùn)營(yíng)、收集、分析的意識(shí)，直到企業(yè)規(guī)模不斷擴(kuò)大，反過(guò)頭再來(lái)談大數(shù)據(jù)，多數(shù)只是癡人說(shuō)夢(mèng)、紙上談兵。
以庫(kù)存數(shù)據(jù)舉例
大型制造企業(yè)或者電商企業(yè)還有ERP這種主要工具幫助處理庫(kù)存，而淘寶的商家或者小型企業(yè)對(duì)自己庫(kù)存的即時(shí)數(shù)據(jù)并不了解，更不可能清楚庫(kù)存銷售的利潤(rùn)。往往出現(xiàn)這種情況——庫(kù)存都是賣(mài)不掉的貨，好賣(mài)的貨早已經(jīng)斷貨，而發(fā)現(xiàn)問(wèn)題時(shí)，已經(jīng)來(lái)不及清倉(cāng)或者補(bǔ)貨了。如果光看庫(kù)存，會(huì)發(fā)現(xiàn)指標(biāo)挺健康，但所謂的庫(kù)存基本都變成了積壓壞賬，所以根據(jù)庫(kù)存預(yù)計(jì)銷售利潤(rùn)，不是每家企業(yè)都做得出來(lái)的，這說(shuō)明數(shù)據(jù)管理水平有待提升。
在企業(yè)內(nèi)部，有大量的決算數(shù)據(jù)需要耐心收集，但一般商家都沒(méi)有專門(mén)的部門(mén)做這件事情，所以很難獲得高質(zhì)量的數(shù)據(jù)給自己提供決策支持。
事實(shí)上，賣(mài)家之所以對(duì)數(shù)據(jù)決策感覺(jué)束手無(wú)策，是因?yàn)閿?shù)據(jù)收集維度不全，對(duì)數(shù)據(jù)的管理和獲取不夠，直接導(dǎo)致無(wú)法利用數(shù)據(jù)去輔助決策。而大數(shù)據(jù)之所以被熱炒，是因?yàn)樯贁?shù)巨無(wú)霸企業(yè)在其中獲得了巨大商業(yè)價(jià)值。例如亞馬遜從虧損到盈利，大數(shù)據(jù)功不可沒(méi)。不管是巧合還是時(shí)機(jī)成熟，亞馬遜的確在采用了重量級(jí)的大數(shù)據(jù)分析后，業(yè)績(jī)持續(xù)上漲?？梢钥吹絹嗰R遜很多基于數(shù)據(jù)的決策，甚至包括我們最能感知到的用戶體驗(yàn)。
亞馬遜上，囊括了所有生活必需品。因此它充分掌握消費(fèi)者的原始數(shù)據(jù)，做出來(lái)的判斷具有預(yù)測(cè)性。甚至可以向商家定制亞馬遜版本產(chǎn)品，并能保證熱賣(mài)。而這一切都是根據(jù)亞馬遜所具有的大數(shù)據(jù)源，進(jìn)行收集、分析所推測(cè)出來(lái)的。
區(qū)分大數(shù)據(jù)與數(shù)據(jù)
雖然大數(shù)據(jù)看著好高端、好厲害的樣子，但畢竟像亞馬遜、淘寶這樣的公司屈指可數(shù)，大多數(shù)的電商企業(yè)還處于起步階段，甚至依舊沒(méi)有。這不得不讓人重新思考大數(shù)據(jù)和數(shù)據(jù)之間的關(guān)系。
大數(shù)據(jù)與數(shù)據(jù)是兩個(gè)極易混淆的概念。對(duì)兩者的區(qū)別，每個(gè)人的理解也大相徑庭。大數(shù)據(jù)是基于交易、產(chǎn)品與用戶的匹配。產(chǎn)品很多，人很多，把它們精準(zhǔn)地匹配在一起，是很難的一件事情。
普通的企業(yè)內(nèi)部業(yè)務(wù)經(jīng)營(yíng)指標(biāo)——原材料、制造、庫(kù)存，這是一個(gè)相對(duì)固定的封閉流程結(jié)構(gòu)，通過(guò)ERP、豐田精益生產(chǎn)策略，企業(yè)通過(guò)不斷自身優(yōu)化和與調(diào)整供應(yīng)鏈上下游來(lái)進(jìn)行企業(yè)經(jīng)營(yíng)調(diào)整，好的分析策略或許可以對(duì)經(jīng)營(yíng)指標(biāo)有所影響。所以，數(shù)據(jù)是一種狹隘的定量數(shù)據(jù)，利于企業(yè)內(nèi)部流程優(yōu)化；而大數(shù)據(jù)是在定量數(shù)據(jù)的基礎(chǔ)上，做了一個(gè)更大范圍的延伸，給企業(yè)提供決策支持，也可以理解為大數(shù)據(jù)是對(duì)數(shù)據(jù)本身的價(jià)值權(quán)重的進(jìn)一步詮釋，即數(shù)據(jù)在決策中所起到作用的權(quán)重在提高。
大數(shù)據(jù)其實(shí)是一個(gè)更大范圍、更多維度的數(shù)據(jù)，就是從最初信息獲取一直到最后的售后數(shù)據(jù)。大數(shù)據(jù)的數(shù)據(jù)量往往很大，而且一旦精細(xì)研究、不斷拓展，數(shù)據(jù)量的增加也會(huì)異常驚人，對(duì)數(shù)據(jù)存儲(chǔ)的要求甚至超出對(duì)運(yùn)算能力的要求。暫且不管大數(shù)據(jù)和數(shù)據(jù)如何定義，對(duì)于目前的電商企業(yè)而言，僅僅是希望通過(guò)數(shù)據(jù)分析帶來(lái)整個(gè)流程上的優(yōu)化和推薦系統(tǒng)的智能化。大數(shù)據(jù)的價(jià)值是并不是那么立馬立竿見(jiàn)影的，每一個(gè)消費(fèi)者和賣(mài)家都在享受大數(shù)據(jù)決策的成果，但是在使用時(shí)，并不覺(jué)得是大數(shù)據(jù)。
其實(shí)常被人詬病的百度關(guān)鍵詞搜索就是大數(shù)據(jù)的最日常應(yīng)用，百度會(huì)提供一個(gè)關(guān)鍵詞排名篩選系統(tǒng)（這里面涉及競(jìng)價(jià)、權(quán)重評(píng)定等等諸多因素，不展開(kāi)說(shuō)），一方面是搜索內(nèi)容的相關(guān)性排序，另一方面是搜詞的同時(shí)系統(tǒng)會(huì)自動(dòng)提示其他相關(guān)熱銷詞（比如窗體右側(cè)可能是其他公司名片或者相關(guān)詞條以及搜索欄下面的提示“你可能要找的是xxx”），告知哪些詞更容易接觸同類消費(fèi)者。這是最早使用大數(shù)據(jù)的系統(tǒng)，是基于百度每天上億次搜索的總結(jié)。每一個(gè)買(mǎi)百度關(guān)鍵詞的公司，其實(shí)都在使用大數(shù)據(jù)產(chǎn)品。此外，淘寶直通車(chē)、數(shù)據(jù)魔方都也是大數(shù)據(jù)的衍生工具。
如果企業(yè)希望在大數(shù)據(jù)時(shí)代取得一些成績(jī)，必須重視大數(shù)據(jù)的使用，靈活使用大數(shù)據(jù)工具，這些工具才是目前走在大數(shù)據(jù)最前沿的技術(shù)。大數(shù)據(jù)對(duì)企業(yè)的價(jià)值，很大程度上取決于第三方服務(wù)商能夠提供怎樣的數(shù)據(jù)工具。作為企業(yè)，應(yīng)該從幾十家甚至上百家工具提供商中，找到適合自己的大數(shù)據(jù)工具。
這里有不得不說(shuō)說(shuō)大數(shù)據(jù)的另一個(gè)重要應(yīng)用--廣告精準(zhǔn)投放。這個(gè)以后如果你們想聽(tīng)，我就單起一篇來(lái)說(shuō)，畢竟這塊兒的事水太深，坑兒太多，可以說(shuō)夠?qū)懸槐就斗艣Q策者的血淋淋心酸淚史了...
從大數(shù)據(jù)的應(yīng)用現(xiàn)狀，看企業(yè)運(yùn)營(yíng)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(lái)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(mén)的溝通。例如，一個(gè)采購(gòu)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(gòu)價(jià)格最低，運(yùn)輸時(shí)長(zhǎng)較短、運(yùn)輸成本穩(wěn)定。一般來(lái)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(méi)做好，就想把它數(shù)字化和量化，有點(diǎn)操之過(guò)急。
舉個(gè)夸張的例子，當(dāng)一個(gè)品牌商擁有20萬(wàn)家生產(chǎn)廠商無(wú)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(guó)的電商企業(yè)內(nèi)部，還有很長(zhǎng)的路要走。
而營(yíng)銷領(lǐng)域則完全不一樣，市場(chǎng)營(yíng)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(mén)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(yíng)決策，考慮下一款新商品款式如何，基于對(duì)老會(huì)員的購(gòu)買(mǎi)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(wàn)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(zhǎng)尾、2件滯銷品，甚至可以提出對(duì)各款商品的補(bǔ)貨、清倉(cāng)建議，從而進(jìn)行價(jià)格調(diào)整，頁(yè)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(lái)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(méi)做好，相當(dāng)于對(duì)商業(yè)邏輯的理解沒(méi)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(shuō)夢(mèng)。
數(shù)據(jù)無(wú)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(chǎng)，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(yíng)，把多個(gè)支持模塊、資源有序地整合起來(lái)，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(jué)?！?/p>
說(shuō)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(guò)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(chǎng)增長(zhǎng)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(guò)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(méi)法進(jìn)行有效的積累與使用。
這并不是打臉說(shuō)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(lái)的風(fēng)險(xiǎn)，就如股票市場(chǎng)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(wú)法承受的，企業(yè)需要通過(guò)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(guò)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