㈠ 大思维促大数据战略
大思维促大数据战略
你一定知道，所有的数字都是数据。如今的硬件和软件已不能应对以如此高速产生的形式多样的海量数据。大数据变得如此复杂，其变化如此迅速，传统的数据工具已难以对之进行处理、存储、分析和管理。数据量如此之大，以致问对问题和找对答案跟大海捞针一样困难。
幸运的是，用现有的硬件、工具和算法能将所有数据转化为有用的信息。从这些信息中提|炼出的洞见能用来改善你所在组织的决策，提高其效率，降低其成本并增加收入。大数据革|命带来了广泛的影响，并且会遍及各行业的所有企业。
大数据的七个V
有一点是公认的，即大数据可以用三个“V”来解释：速度（velocity）、种类（variety）和数量（volume）。不过，笔者还想加入真实性（veracity）、可变性（variability）、可视化（visualization）和价值（value）的概念，以更好地解释精心计划过的大数据战略。
速度：速度是指数据产生、存储、分析和形象化的速度。当前数据的生成速度几乎超出我们的想象：每分钟，我们向YouTube上传的视频总时长达到100小时。此外，人们每分钟发送超过2亿份电子邮件，查看约2,000万张照片，并将3万张照片上传到Flickr相册，发送近30万条推特消息，谷歌每分钟处理近250万次请求。
多样性：过去所有的数据都是结构化的，可以很容易地进行归类，不过这种情况已经一去不复返了。如今，90%的数据都是非结构化的。数据可以有许多不一样的格式，包括结构化、半结构化、非结构化，甚至是复杂结构化的数据。
每一类型的数据都需要配以不同类型的分析法和解读工具。像脸书（Facebook）或推特（Tweet）这样的社交媒体可以提供深入的见解，让你了解客户对企业的品牌、服务或产品的看法，而传感器数据提供的信息则是用户对产品或机器的使用情况，让你获得可用于改进产品的洞见。
数量：按照如今数据产生的速度，每两年数据量就能翻上一倍。在2011年，我们创造的数据总量令人咂舌，共有1.8ZB。而根据IDC在2011年的研究，到了2020年这一数字将是现在的50倍。这个数量是相当可观的，而这个数字宇宙中相当大的一个数据来源就是物联网，物联网在世界各地各种设备上安装的传感器每分每秒都在传输数据。
让我们来看一些例子。飞机在引擎上安装的传感器每年会产生约25亿TB的数据。而安装在农业拖拉机上的传感器也会产生和采集大量数据。约翰迪尔公司（JohnDeere）使用传感器数据来监控机械的优化，控制日益壮大的农机队伍，并且帮助农产业者优化决策。壳牌（Shell）也在油井中使用高灵敏度传感器来寻找更多的油，如果公司在所有1万口油井中安装这种传感器，每年大约会采集10EB的数据。
真实性：如果数据本身存在缺陷，那么即使采集高速产生的大量数据也毫无价值。不正确的数据可导致组织乃至消费者面临严重的问题。如果你希望组织能够以信息为中心，那么就需要确保你的数据和分析法都正确无误。在进行自动化决策时，这一条尤其关键，因为整个过程不再有人的参与。但令人震惊的是，企业领导者有三分之一不相信他们用来做决策的信息。所以，如果你想要制定大数据战略，就需要高度注重数据的正确性以及分析的准确度。
可变性：可变性往往会与多样性的概念相混淆。我们可以举个例子说明它们之间的区别。如果面包店销售十种不同的面包，这就是多样性。如果同一种面包每天的口感和香味都不一样，那就是可变性。在进行情感分析时，可变性与主题的关联非常密切。
可变性意味着定义会（迅速）改变。在类似的推特消息中，同一个词可能会有截然不同的含义。要想正确地进行情感分析，所用的算法必须能够根据上下文解读一个词的准确含义。不过，这一点目前仍然是一个亟待解决的技术难题。
可视化：这是大数据中比较难办的部分。这表示你需要帮助受众以容易阅读和理解的方式了解大量的数据。经过正确的可视化操作后，原始数据就可以发挥作用。当然，这里说的可视化并不等于普通的图表或饼状图，而是包含多种数据变量的复杂图表，同时又易于人们阅读和理解。
可视化或许不是技术上难度最大的任务，但肯定是最具挑战性的。使用图表来解说一个复杂的故事很有难度，但同样也极为重要。幸运的是，越来越多的大数据初创公司专注于解决这个领域的挑战。归根结底，可视化能发挥关键的作用，并且它能帮助提高可读性。
价值：所有可用数据都能为组织、社群和消费者创造大量的价值。大数据意味着大量业务，各行各业都能从中有所收益。当然，数据本身完全没有价值。其价值存在于根据数据完成的分析以及如何将数据转化为信息，从而最终变成知识和智慧。数据的价值在于组织如何使用它们来创造以信息为中心的公司，根据数据分析得出的洞见进行决策。
关于大数据的五个事实
现在我们已经对大数据进行了定义，你需要了解你的组织在制定大数据战略时，应当注意到其中哪些方面最重要。大数据需要对范式进行转变，理解这一点能帮助你的组织在利用大数据方面取得进展。
1、大数据需要不一样的企业文化。要想真正发挥大数据的作用，你的组织需要成为以信息为中心的公司。
这种文化上的转变能让企业更注重在数据的推动下进行决策，并让你的员工有机会基于真实的数据而非估算结果来开发新的运营、战术和战略计划。利用大数据的企业文化要求公司鼓励员工在每一个客户接触点上采集数据。他们需要询问正确的问题，并以精确的数据作答。
2、组织内的人才是大数据背后真正的驱动因子。尽管文化上的转变对于充分发挥大数据的潜力很重要，大数据战略的开发却是由组织内的人完成的。尤其是，中层经理人和高管应当明白大数据是什么，以及如何将其应用到组织上。如果有更多的决策者意识到大数据的好处，就更有可能制定和实施成功的大数据战略。
要开始成功开发大数据，首先要在组织内找到正确的发起人，尤其是在初期回报不确定和成本高居不下时更是如此。最理想的做法就是发动一位高级管理者或董事会成员，因为这些人在最初结果不利的情况下，也有足够的权力支持大数据项目。
3、大数据确实需要“大”的安全措施。如果一个组织聚集了大量宝贵数据，就需要保护这些信息免遭不法分子的盗用。因此保护搜集来的所有数据有着极为重要的意义。要保护你的数据，有许多种方法，最常见的是对信息进行正确加密。当然，其他的方法也很多，所以你的大数据团队应始终将数据的安全性当作自己的一项责任。
不过，每个组织还是应当事先准备应急预案，以防数据真的被黑客盗取。出人意料的是，许多公司在遇到与计算机相关的信息安全事件时完全不知所措。这种安全事件可以给企业带来灾难性的后果。如果公司缺乏必要的安全手段，甚至连被黑客入侵了都没发觉，那么后果就更加严重了。
因此，公司应当委派内部人员或使用专门的外部机构的服务，针对潜在的信息安全袭击拟定应急预案。如果公司对组织和客户的数据不加保护，那迟早会关门大吉。如果未雨绸缪了，情况又会大不一样。
4、世界各地的政府正加紧在大数据上的投入。与组织一样，政府也在产生越来越多的数据。许多政府也在进行数字化的转型。以荷兰为例，该国政府希望全面转型数字化办公，并在2017年底彻底淘汰纸质通信。想象一下，1,700万公民在跟国家、地区和县市各级政府通信时可以产生多少数据？
随着这种方案的出现，组织也能够更广泛地接触到公共数据集，从而引发人们针对世界各地的问题提出创新性的解决方案。私营领域启动的数据集项目也越来越多。这种为组织搜集公共和私营数据集的行为已经形成了市场。用户能以访客身份购买数据集或是免费下|载。在某些网站上，还有组织出|售他们自己的数据集。
5、大数据的关键并不在于数据的量。人们通常认为“大数据”这个词表示大量的数据。结果，许多人认为大数据战略只有在你拥有PB或EB级别的数据时才有用。这是不对的。大数据远远不只是收集来的大量数据。大数据更主要的是组合不同来源、不同时间的不同变量的数据集。特别是组合并随之分析不同的数据集，从中找到有价值的新洞见。
此外，大数据指的是对可用的数据进行实时分析，并利用各种算法来预测行为。实时的洞见对于组织来说是十分宝贵的，可以让组织预知客户在短期内的行为。
㈡ 企业数字化转型从哪里开始
企业数字化肯定从基础开始，从员工打开，工资饮食方便开始，这些所有的都数字化，然后就是生产设备数字化，
㈢ 大数据为企业决策关键因素是
大数据为企业决策关键因素是？
在过去的几年中，雪崩的数据，包括结构化和非结构化数据，推动组织到了一个突破点，大数据时代俨然已经到了。在大数据时代，CIO和IT主管知道，他们能否取得成功，严重依赖于如何挖掘到大数据，并把它充分利用。然而，目前许多高管并不知道如何最好地利用大数据以提高企业决策能力。
据凯捷最近发布的关于“决定因素：大数据和决策”的调查研究显示，90%的商界领袖视大数据为企业决策关键因素，它像如土地，劳动力和资本等一样重要。超过三分之二的北美高管表示，他们的组织必须解决大数据问题，以提高决策能力。44%的受访者表示，数据量大、杂和无法实现有效管理，增加了高层决策难度。
然而，并不是说数据越少高层就越容易做决策。据85%的受访者表示，越来越多的数据量不是企业决策的主要障碍。相反，它能够使企业及时分析并利用。因此，如何有效管理大数据才是企业应该真正面对的。
由于大数据并不只涉及处理大容量数据，它是处理企业所有的数据，加之有大量的破坏性技术影响组织。难怪凯捷副总裁兼北美业务信息管理负责人Scott Schlesinger感叹，管理好大数据以供企业决策是个不小的挑战。
据调查发现，71%的受访者每天都在与基础数据不准确做斗争。62%的人抱怨，经营决策无法根据数据自动化进行。46%的受访者在与解释数据集做斗争，39%承认管理非结构化数据有困难。总之，58%的受访者表示，在未来三年内，他们将做出更大的数据分析投资。
Schlesinger指出，如何解决上述大数据的挑战，定位战略重点超过技术工具本身。已经历了兼并和收购的组织面临着特别严峻的挑战，尤其是当它涉及到处理数据管理和数据质量问题。
为应对这些挑战，Schlesinger建议企业采取三个步骤解决难题。
第一步，组织应打破部门墙和业务流程孤岛，避免不同的应用软件和系统运行在不同的网站上。“然而，值得注意的是，一些企业仍然使用ERP、薪资、人力资源等多个应用系统，员工需要在这些不同的系统之间来回切换，这不仅影响工作效率，同时信息存在不同的系统里也容易导致信息孤岛产生。”施莱辛格如是说。
第二步，在某些情况下，组织可能需要升级存储网络，以便连接到分散在整个企业的数据。此外，企业必须找到更有效的方式，同化社会流媒体、视频、电子表格、电子邮件和其他形式的非结构化数据。
第三步，创造良好的环境，以寻找优秀员工能够管理大数据。约有一半的受访者表示，人才短缺成大数据发展掣肘。
总之，大数据与其说是一个技术问题，不如说它是一个应用问题，企业需要有效地利用它，以供企业决策。因此，组织为取得更大的成功决策，应对他们的整体环境数据有根本的了解。
㈣ 传统企业如何实现数字化转型
传统企业数字化转型步骤如下：
一、 制定正确的企业战略，整合到整体的企业战略中；
二、 大规模能力建设；
三、快速、敏捷的企业文化；
四、组织与人才。
一、 制定正确的企业战略
“数字化”对自己的组织意味着什么?这是高管们必须首先回答并达成共识的问题。之后，成功的第一步就是制定一个明确而连贯的数字化战略，并将其完全整合到整体的企业战略中去。如果整合不完善，任何后续措施都必然会出问题。然而，制定正确的数字战略对于很多公司都是个挑战。数字领先企业与一般企业之间的差距集中体现在战略方面。制定正确数字战略的一个难点，就是只有小部分有着高曝光率的龙头企业才能博得社会宣传与关注(以及普遍走高的市场估值)，这其中就包括市场颠覆型的企业，如优步(Uber)。要想制定正确的数字战略，企业要回答三个关键问题：
1、最值得关注的数字机遇和威胁在哪里?
2、数字颠覆可能发生的速度有多快，规模有多大?
3、怎样才能更好地拥抱这些机会，更好地配置资源以规避主要威胁?
绝大多数公司需要对症下药，采取战略措施来解决这三个问题。这些措施包括：
1、小规模转型自身业务模式，以进入新市场或重新定义现有市场。例如,深圳的平安银行创立了橙子银行,聚焦数字化，针对年轻消费者。其所提供的简单、高回报的金融产品和一分钟开户的金融服务对年轻消费者的吸引力是传统网点或任何复杂的金融产品组合都难以望其项背的。
2、紧跟潮流，抓住行业发展所带来的价值。英国百货公司 John Lewis 推行“线上点击加线下实体”的方案，使客户能够在网站下单后，在门店或社区杂货网点提货。
3、积极重新配置资产，从受到数字威胁的领域转向受益于数字化的领域。举例来说，德国的 Bauer 媒体集团曾系统性地重新配置资源，抛弃过去的传统媒体模式，开发出更具数字特质的产品组合。虽然表面来看其整体收入有所缩减，但实际上其营收增长及市盈率均有所增长。
4、通过数字途径和工具，提高现有业务模式效率。例如，为了更好地服务迪士尼度假村和主题公园的游客，迪士尼公司开发了一系列数字工具，比如可帮游客预订主题公园项目的 Fast Pass+服务，或者方便游客在园区内预订和规划游览路线的 MagicBand 手环(有一半迪士尼游客都选择佩戴这种手环)。更高效的游览路线，使得迪士尼的神奇王国在2013-2014 年的假期高峰每天可多接待 3000 名游客。
5、找到最合适自己的数字战略至关重要。成功的数字战略与差异化的管理方法相辅相成。如果战略正确，管理起到的干预作用就会更清晰。
因此，公司可以考虑以下做法：
1、大胆将眼光放远，不过分追求短期的财务业绩，能够承担适当的风险，对数字化举措和 IT 架构进行大规模投资。
2、将数字化整合进公司战略，使数字化成为业务核心，自然形成内部协作，公司治理也会并重数字化需求。战略优先与投资决策属同一个流程。
3、坚持不懈关注客户需求，有助于公司在关键领域不断创新。虽然最初期客户的数据有时候会误导业务的方向，但是他们的行为往往能够在短时间内渗透大众市场。公司可以通过多种场景(如视频会议、短信和线上聊天)与消费者建立直接的连接。
一旦公司经过深思熟虑达成一项战略，它们就必须全心全意地投入其中。只对表面皮毛修修补补的日子已经一去不复返了。
二、 大规模能力建设
要想数字化一举成功，一些特定的能力，尤其是那些夯实关键流程和工作内容的能力至关重要。其中，最重要的是模块化 IT平台与敏捷技术交付能力，它们让公司在快速发展的世界中随时与客户保持同步。麦肯锡调研的大多数公司的IT平台均存在重大缺口，这也从侧面反映出目前企业普遍为在 IT 和投资中对数字举措进行优先考虑。
除此之外，调研中表现优异的企业往往能够通过数字方式与客户互动，并在以下四方面优化它们的成本效益。
1、基于大数据的决策
优秀的数字化企业善于紧跟顾客的数字化消费决策之旅。例如，它们会快速收集并形成结构化数据(如人口结构、购买历史)与非结构化数据(如社交媒体、语音分析)，预测客户行为新模式，并由此调整与客户的互动方式。这些公司巧妙地利用自身业务内外的可用资源来应对市场中最至关重要的问题。
2012年，感冒流感药剂制造商Reckitt Benckiser 利用医疗网站 WebMD的搜索数据(当时该网站每月近3200万访客)，追踪美国的感冒流感症状，并预测可能爆发病情的地区。之后，该公司在这些地区发布了针对地域和症状的广告和促销活动(包括免费送货上门)。在感冒和流感多发的季节，这项计划使 Reckitt Benckiser 一个月内的咳嗽感冒药品在全美的销量同比增加了22%。
2、与消费者建立联系
这也是不可或缺的一环。企业应该积极拥抱能够加深品牌与客户联系的新技术(如应用程序、个性化和社交媒体)，这些技术一方面能为客户提供更优体验，另一方面也能服务于产品开发。
2009年，博柏利发起了“风衣艺术(Art of the Trench)”活动，鼓励顾客访问其线上平台，并上传自己身着风衣的照片。其他买家和时尚专家会对照片评论并点赞,并通过电子邮件和社交媒体分享到自己的平台上。用户还可以直接点击进入博柏利官网购买照片上的款式。随着时间的推移，这些创新模式也与公司结合得愈发紧密。虽然博柏利的做法可能并非无可挑剔，但是总的来说，此番做法再结合其他创新举措，使得公司在六年内年收入翻了一番。
3、流程自动化
优秀的数字企业会将自动化的重点放在流程设计上，并在过程中不断进行试错和优化。要想实现成功的流程自动化，首先要将眼光放得长远，抛开眼下的限制，提前设计未来的每个流程。比如，将周转时间从几天缩短到几分钟。明确了未来想要达成的目标后，就可以对相关的约束条件(如法律协议)从长计议。
一家欧洲银行就使用该方法将其开户流程从两到三天缩短至不到十分钟。与此同时，该银行通过在其信用评分模型中添加一款线上计算器，成功实现了抵押贷款申请流程中部分环节的自动化，在短短一分钟内为客户提供初步报价。该系统在显着提高客户满意度的同时，大大地降低了成本。
4、双速IT
当下，消费者的期望给 IT 带来了新的压力。传统的 IT 架构难以应对数字产品创新中快速变化的测试、失败、学习、调整和迭代机制。领先企业通常既有专业高速的新 IT 能力，以实现快速产出，亦对其传统的 IT 能力进行了优化，以支持传统的业务运营。
这种 IT 架构可以支持两种不同的运营速度：一方面，面向客户的技术灵活多变，能够快速反应。例如，这些技术可以在几天内就开发部署完成新的微服务，或几秒钟内为客户提供动态的个性化网页。另一方面,核心 IT 基础架构牢固，可以支撑高质量的数据管理和内置的安全保障，旨在确保交易与支持系统所需的稳定性和灵活度，保证核心业务服务的可靠性。
一家英国金融机构就是通过采用双速 IT 模式，改善了其线上零售银行服务。该银行开设了一个新的开发办公室，借鉴初创企业公司文化，执行敏捷的工作流程，快速完成新产品测试和优化。为了长期培养这种能力，该公司同时发展服务架构，以加速发布面向客户的新功能。
三、快速、敏捷的企业文化
强大的技能固然重要，但如果不能做到尽善尽美，公司也大可以将传统文化与速度、灵活性、开放度和学习能力相结合，弥补其技能的缺失。塑造这样的文化，方法不止一种，但DQ诊断得分较高的公司，都会采取 DevOps、持续交付和敏捷等边测试边学习的软件开发方法,并取得了不错的成效。曾经，这些方法仅处在工作环境的边缘地带，而如今它们的应用促进了核心人才的互动与沟通。以前各自为政的职能和业务部门也因此有了新的凝聚力。
这种边测试边学习的方法结合了自动化、监控、社区共享和跨部门协作,将各自为政的职能与流程融入到快速变化、以产品工作为核心的文化中去。在技术和产品产权共享的环境中，数据使用能快速得到普及，将复杂性降到最低，并且能快速进行资源再配置，建立一个可循环、模块化和可交互的IT 系统。想要塑造这种协作、敏捷的文化，高管可以重点关注以下四个关键领域。
1、外部协作
通过发展鼓励协作的企业文化，企业能够参与到更广泛的生态系统中，与非本行业内的企业进行合作、深度学习和协同创新。然而，对于大多数企业来说，凭借一已之力构建这些网络或生态系统难度较大。但是，在一套复杂的生态系统中，企业可以另辟蹊径，树业有专攻(如在生产或物流方面)，以此创造价值。
企业与外界的协作不一定非得在大生态系统里才能实现，与客户、技术商和供应商的小规模合作也能让企业受益匪浅。此外，巧妙利用自己员工队伍以外的资源，如在兴趣小组或网络中招揽人才，也不失为一种好的方法。比如 SAP在推出 NetWeaver 软件时，就充分调动了用户社区资源。
以上所述的外部协作都要求数字领导者认识到自身所长和别人的过人之处，提高与个人和机构合作的能力。在各种宣传炒作中，他们还必须懂得区分真正的机会与威胁，辨别对方是敌是友。
2、风险偏好
数字行业的领军企业普遍敢于采用大胆的举措。相比之下，落后企业的高管则偏向于规避各种风险。虽然成熟企业不太可能打造或主导大型生态系统，但是它们仍会受到市场或行业中颠覆性力量的影响，需要面对随之而来的风险。当今世界大数据涌现，不确定性也日益增加，企业必须做出决策，尽早地对颠覆力量做出回应。
大规模地推广边测试边学习的策略。敏捷文化的核心是边测试边学习的思维方式和产品开发方法，这种模式可以在任何成熟企业的项目或流程中得到有效应用和转换。相较于坐以待毙、不听取市场反馈、被动等待热门产品的诞生，数字领先企业选择不断学习、不断追踪，并迅速地在市场中投放新产品。之后，它们会分析消费者兴趣，收集消费者反应，并不断改进产品。严格的数据监控可以帮助团队快速决定是完善还是放弃新举措。如此这般，失败固然常见，但成功的几率也大为上升。
例如，Nordstrom 的创新实验室就面向顾客，推出了一系列周期为一周的试点活动。为了开发太阳镜购买的 App，公司创新团队在西雅图的零售旗舰店设立临时工作点，搭建各种样板场景，模拟现实的线上购物情境，让购物者进行点击和选择。顾客可以指出他们认为最有用的功能，或样板中存在的问题。利用这些信息，编程人员实时调整，当下发布新版 APP供客户现场操作。经过一周的不断调整和再发布后，这款 APP 已经成为了门店销售的绝佳帮手。
3、内部合作
无论数字化与否，团队协作都格外重要。沃顿商学院的 AdamGrant 表示，最影响团队效率的因素，是同事在工作中互相帮助的程度。在企业提升 DQ的过程中协作文化更显得尤为重要。许多公司缺乏必要的数字化业务作为主干来协同传统上各自为政的职能部门，无论是从客户服务到订单履行，还是供应链管理和财务报表，均缺乏必要的协同。
在麦肯锡调查的150 家公司中，只有不到30%的公司表示它们拥有高度协作的企业文化，不过，这也说明其他公司的改进空间巨大，先进的科技能够在这里发挥较大的促进团队合作的作用。例如，将虚拟云作为跨职能、地域间的协作的平台，让各职能团队在云上协作开展实验、试错与创新。
四、组织与人才
除了战略、能力和文化之外，领先的数字公司在管理人才、流程和组织架构方面也采取了统一的举措。
1、吸引和培养数字化人才
高管团队里需要有一位主管数字化的领导，将业务、营销与技术专长方面的人才结合起来。但同时，中层的才干也很关键。他们才是脚踏实地，深入一线的骨干，数字举措的成败，往往取决于他们，因为他们才是最终将产品和服务推向市场的中坚力量。
在当下的环境中，挖掘到合适的人才并不容易。在寻找人才时，企业应该认识到数字能力往往比行业知识更重要，在数字化转型的早期阶段尤为如此。只有35%的数字人才拥有除现阶段工作之外的数字化工作经验。
2、企业还必须采取适当的激励措施和明确的职业发展方向来培养数字人才
实际上，一些成熟的企业可能比想象的更有优势，因为年轻人更愿意帮助时尚服饰、豪华轿车、新闻杂志等行业的知名品牌建立数字化渠道。渠道一旦建立成功，就是良性循环的开端。对优秀人才的培养足够好，就能吸引更多的人才，组织也能快速地拓展，确保在数字行业的领军地位。当公司人才济济时，更多的人才也就蜂拥而至了。
最后，推荐我们的管理工具给大家
阅读原文
有用
|
分享
企业如何数字化转型_数字化转型的关键是什么
值得一看的数字化转型相关信息推荐
日立数字技术和数字解决方案，通过跨界连接多样化的人才和企业来创造新的价值。考虑将其作为加速开放创新的空间，并将其整备为能够面向未来工作方式的多功能性设施。
hitachi.com.cn广告
赫中企云中国动态折扣营运资金企业数字化转型解决方案提供商
值得一看的企业数字化相关信息推荐
赫中企云将“时间货币化”作为核心理念，以“提升企业间资金流转效率”为目标，专注为全球企业提供创新高效的数字化营运资金解决方案
hzqyun.com广告
数字工厂整体解决方案_工业产品全生命周期数字孪生应用
数字工厂整体解决方案_智参科技多年数字化工厂规划经验_真实世界物理资产的虚拟“拷贝”和真实物体的属性一致
智参软件科技(上海)广告
大家还在搜
企业如何实现数字化转型
传统制造业数字化转型
传统企业数字化转型成功案例
人力资源数字化转型
传统行业的数字化转型
数字资产
企业数字化转型包括哪些方面
如何做好数字化转型
企业分类都有哪些类型，企业都有哪些特点
赢家财富网
05-23
1点赞
王淑文：物信融合助力能源企业数字化成功转型
传统安防巨头海康威视不断加码能源工业，实现创新业务的多点开花。 当AI遇上矿山，海康威视如何助力煤炭、钢铁、化工等能源企业数字化转型？面向工业互联网应用领域，海康威视将在哪些方向进行重点研发与业务开拓？
㈤ 浅谈数据产品管理实践
近些年来，随着增长黑客、精益化运营、大数据、AI等概念大热，数据产品、数据产品经理曝光率也不断攀升。公司也于2017年初开始推行数据化战略，取得一些成果，上线了数据仓库、数据云平台、数据监控、自动化审批等数据产品。 但什么是数据产品？数据产品如何解决公司业务问题？如何设计有价值的数据产品？数据产品经理需要具备什么能力和特质？本文将围绕数据产品设计开发管理，结合公司一年来做的数据产品，与大家一起探讨分享，以期各位同事了解数据产品的价值和特点，未来更好的利用数据产品和提出更有意义的需求。
1 数据产品的定义
简单讲，即以数据产品是能帮助用户发挥数据价值去辅助用户决策或行动，以数据为主要自动化产出的产品形态。强调自动化产出是区分类似数据研究咨询公司的咨询报告、手工报表。接下来数据产品又可以进行细化：
通过用户群体可以分为三类：
企业内部数据产品，如开篇讲到我们公司的BI 、自动化审批、数据监控等；
商业型数据产品，如谷歌的Google Analytics；
用户均可使用，如淘宝指数。
2 数据产品的意义
当我们推出一个新的产品功能的时候，是否是符合用户预期的，是否是受用户欢迎，我们需要通过数据来说话。 在 Facebook 中，直接汇报给扎克伯克的增长团队就有两个数据团队做数据的采集计算和展示。Facebook 所有数据的监控，以及根据效果持续优化工作都由他们负责。 Facebook对数据驱动的重视程度有一个例子很好说明，曾经一个 VP带领的 30 人团队花了一年时间改版主页，在灰度上线三个月期间因数据表现不佳，直接回滚。 Facebook 通过可量化的数据对新功能进行客观反馈，从而驱动下一步的产品决策。
彼得.德鲁克有句名言：if you can't measure it, you can't manage it.
3 数据产品如何设计
关于这个问题我们可以拆解成五步来解答：
-面向什么用户和场景
-解决什么问题或带来什么价值
-分析思路是什么
-用到什么样的指标
-怎么组合展现这些指标
1）面向什么用户和场景
产品设计先要明确面向的用户和场景大家并不陌生，具体到数据产品用户和场景的特点有：
-不同用户有不同的价值：特别是面向企业内部产品。从数据能产生的价值来看，高层的一个正确的决策可以节省下面无数的成本，不能单纯从产品使用用户数来衡量产品的价值；
-不同层级用户关心的数据颗粒度不同：产品设计时需时刻记住数据呈现的主次、不同颗粒度的分析以及最细粒度的入口。数据分析本质就是不断细分和追查变化；
-不同类型的用户使用数据的场景不一样，要围绕这些场景做设计。比如我们分公司分总、团队经理们，工作繁忙且甚少坐班，那么移动化和自动化就很关键。在设计的时候，原则就是通过手机界面展现关键指标，分析结果简要清晰，较少分析功能。而且在某些指标异动时能及时通过手机通知。而办公室的数据分析师，则 PC 界面更多细化分析对比的功能。 即将上线的管理决策系统就充分考虑这些场景，业务线通过手机APP浏览查看并支持指标异动的通知；另一个业务数据监控产品，则将细致的分析呈现在PC界面上。只有充分了解自己的用户和使用场景，保持长期有效的沟通，才能设计出更好用的产品。
2）解决什么问题或带来什么价值
即明确产品需要满足用户的什么需求，有怎么样的迫切程度和价值。
首先判断用户的本质需求，可用 Demand/Want/Need 方法分析。用户说来杯可乐（Demand），如果他最需要的是解渴（Want），那么一瓶矿泉水或者宝矿力会更适合他（Need）。
其次判断需求的价值，基于两点：这个需求满足的是否是核心用户；是否是刚性需求。核心用户衡量公式“人数 * 单用户价值”，我们心里要有“不要为了次要用户的需求去干扰核心用户的正常使用”的观念，更不要因为有些数据产品只有公司几个高管使用而觉得缺乏成就感；刚性需求的判断，可以从需求有无替代方案、发生频率（可以结合何时何地的场景来思考）、持续时间等因素综合考虑。
3）分析思路是什么
明确问题后应该通过什么样的思路进行分析？需要明确以下原则：
-数据产品经理要有数据分析能力，才能更好创造更大的数据价值；
-数据产品设计理念，应从总览到细分，多维度不断对比；
-数据产品的总览页面设计应提纲挈领、简明扼要、主次分明，帮助用户快速定位了解重要信息数据和重要异常问题，而不是浸泡在无序繁复的数据细节之中；
-数据的细分应该提供足够丰富的维度便于分析。每次细分必须带着指标下去，所有分析的结果必须可以落实到动作执行，并与业务紧密相关；
-数据本身没有意义，数据的对比才有意义。数据产品的核心就是凸显对比，这点是数据产品经理的差异化能力，同时要求甚高（如下图业务数据监控产品）。既需要丰富的产品设计经验，也需要深刻的业务理解能力和数据分析能力。
4）用到什么样的指标
分析思路需要相应的数据支撑，需要确认数据准确完备，包括需要哪些数据指标、数据来源和字段等。在确认的过程要注意以下两点:
-数据的完备性需要提前明确所有的数据是否已经准备完全。数据的采集，清洗和聚合工作是数据准备环节的核心内容。如果需要的数据没有及时采集或没有经过清洗，会让整个工期增加极大的风险。
-数据的准确性在很多时候临到使用，才发现这个埋点的方式一直都是错误的，或者发现这个指标计算的方法没有把某种因素排除掉。原因多是部门众多口径繁杂，缺乏统一数据定义和质量监控管理。 公司为了治理这个问题，专门由数据分析中心牵头，产品与业务部分参与梳理。与此同时，为了更好的采集数据的完备和准确，我们在数据采集埋点的方案选择上也积极求变，与优秀的第三方数据服务商神策数据合作。
5）怎么组合展现这些指标
关于数据产品用怎样的产品形态组合展示指标，常见的数据产品形态有着重于数据呈现，比如邮件报表类、可视化报表类、预警预测类、决策分析类等；着重于算法类的，比如用户画像、匹配规则等。
这里探讨一下着重数据呈现的产品形态设计思路：
-指标的设计，首先需要明确什么类型的产品适用什么样的指标，如项目核心的订单转化率，放款金额，逾期率等。
逐层拆分，不重不漏。如将逾期分析拆成逾期率、逾期笔数、逾期金额，各节点也可以往下细分出逾期分布，不同的产品、不同的城市还会拥有不同的逾期表现，一层层往下分拆；
确保指标能明确表达含义，为上层的分析思路提供依据；
明确指标定义，统计口径和维度；
-指标的呈现，即数据可视化。它不仅是UI设计师的工作，对数据产品经理也提出很高要求。因为它涉及到别人怎么去理解和使用你的产品。一方面需要持续阅读相关专业的书籍，另一方面，需要观察学习足够多的优秀数据产品。具体到数据的可视化图表设计上，一些经验有趋势用曲线图，占比趋势用堆积图，完成率用柱状图，完成率对比用条形图，多个指标交叉作用散点图。根据不同指标选择其合适的形式。
4 数据产品对数据产品经理有怎样的要求
前面讲关于数据产品设计，那么如何确保按正确的符合企业需要的数据产品顺利的设计开发上线呢？即数据产品经理需要具备哪些能力才能胜任，概括的讲有以下四个方面的能力模型：
-数据分析的能力：要懂分析，不然就会变成一个只出报表的传话筒，要懂数据的产生逻辑，要能建立一个业务模块的数据指标体系，不然，出来的东西会比较乱，可能迟迟上不了线；
-数据展现的能力，即可视化的能力；
-商业模型的理解能力：商业理论要了解，才能给抽象成报表和分析页面，而不同的商业理论适用于不同的企业和企业不同的阶段，除了保持商业理论的持续学习更新，还需要结合企业实际情况选择执行；
- 一般产品经理的能力如需求分析调研、逻辑沟通、快速学习等能力；
除了对能力有专门的要求，数据产品设计开发过程中，数据指标梳理是一件非常繁琐的事情，另外在进行数据分析，在一大堆数据里刨来刨去，很可能半天也没有结果，这样就需要数据产品经理的性格能沉下心，能耐得住寂寞和有些枯燥的工作，所以对数据产品经理比一般产品经理有一些不同的性格要求。比如一般产品经理要求会玩，性格外向活跃，而数据产品经理表现的就会偏沉稳和内敛。
从数据产品经理的能力模型可以看出，既要懂数据，懂产品，又要懂商业，还有性格，要求相当高。公司2017年初启动数据化战略，由此可见，数据产品经理团队的组建是一件有挑战性的工作，在火热的数据人才市场，于去年8月完成组建工作。全面的数据产品经理难求，但我们力求形成全面而富有战斗力的团队，作出优秀的产品