《大數據時代》的作者維克托·邁爾·舍恩伯格被譽為大數據商業應用第一人，他從2010年就開始在《經濟學人》上發布對大數據應用的研究報告。2012年底《大數據時代》引進中國，從此開始開啟了中國人言必稱大數據的時代，該書一直位于京東當當的暢銷書之列，可以說這是一本大數據的啟蒙教科書。

　　也是從13年開始各種大數據的書籍層出不窮，各種大數據培訓、講座、論壇隨便就能忽悠一大票人，就連自媒體文章標題不加上“大數據”三字兒就會out。

　　大數據都忽悠了這么多年了，很多人談大數據還是那幾個老掉牙的案例：啤酒與尿布濕，塔吉特預測少女懷孕，google成功預測流感，微軟大數據成功預測奧斯卡21項大獎，大數據拍《紙牌屋》，大數據助力奧巴馬連任。ps：可是你是否知道今年大數據預測就折在美國總統預測上了（相關文章：選舉日，大數據預測失靈了嗎？）。

　　從最近來看，無論是百度指數還是微博指數，關鍵詞“大數據”都趨于穩定，過去那種言必稱大數據的情形越來越少了，忽悠的少了，踏實下來研究的多了。這對大數據來講是一件好事，畢竟大數據這種東西不是吹牛吹出來的（不過有些創意確實是可以經過吹牛后變成現實的，這就像早期的科幻電影，如星球大戰系列，有些當年的科幻情節已經變成現實一樣的道理）。

　　百度指數

　　企業管理者們需要冷靜的下來思考一下，你的企業離大數據還有多遠？看看你的企業處在數據驅動的那個層次。

　　一、養數據階段

　　大部分企業處在這個階段，企業內部只有少的可憐的基礎數據，例如零售企業只有進銷存的數據，工廠也只有原材料、半成品、成品的加工數據，客服中心只有一大堆錄音記錄。

　　如果你的企業只有進銷存的數據千萬別提大數據驅動，丟人。進銷存的數據再大，哪怕你開到10萬+門店，也只是小數據。你連消費者的行為數據都沒有，連一個簡單的消費者畫像都做不出來，談什么大數據？靜下心來好好的養數據吧。

　　養數據的三個層次：

　　完善數據結構，把數據做大

　　提高數據質量，把數據做精

　　養成數據入庫的習慣

　　對于這樣的企業首要工作是養數據，并做好數據分析的工作，而不是不切實際的引進大數據，妄想要做數據驅動業務。

　　二、數據分析階段

　　我相信現在的企業或多或少都在做數據分析，只是有些人用計算器，有些人用Excel，有些用專業的分析軟件。這個階段最大的特點是基于歷史數據做分析，一般來講傳統的分析方法和工具就足夠了，因為我們大量時間是花在“發現事實”而不是洞悉關系上。

　　通過數據分析，企業會發現自己在數據方面的短板，有前瞻性的老板會重新去布局企業的數據需求，繼續養數據。所以說第一、二階段一般是互相交錯的，很難涇渭分明的分開。

　　其實數據分析的目的是為了提升營運水平，重點是應用。就像我微信名“數據化管理“，數據驅動是一種管理方法，而不僅僅只是一個分析的動作。

　　三、BI階段

　　不少企業都有這樣的幾個場景，同一個指標不同的部門算出來是不一樣的結果，企業管理者們每天只能看到幾張羅列著各種數據的表格，數據驅動業務完全談不上。

　　這個時候商業智能應運而生，商業智能（BI，Business Intelligence）。早期的BI主要指企業的報表規范，標準化，試圖解決企業不同的層級使用同一套報表達到規范管理的目的，主要解決前文中的第一種場景。

　　試圖用幾張或幾十張報表去洞悉商業顯然是不現實，也不能算作商業智能。隨著大數據處理工具的發展，洞悉關系變得容易，這個階段一大批大數據處理的公司出現，一大批BI工具也隨之涌出。數據的秒級響應，各種關聯數據很方便的整合在一起，半結構或非結構化數據的處理能力也容易實現。

　　這個階段主要是工具的發展提升了企業對數據的處理能力，但是最大的問題數據的業務化不夠，大部分的BI工具都是標準版而不是分行業版本（因為這樣開發成本和銷售成本最低），雖然這些工具也標榜業務化，其實這只是IT部門眼中的業務化。曾經見過一個企業的BI系統，程序員在柱狀圖中添加了一條平均線就號稱業務化的可笑案例。

　　看過很多企業BI產品，發現幾個特點：

　　現在大都是多屏、交互的形式了；

　　以IT主導的BI產品，優點是體驗感不錯，缺點是又臭又長沒有重點，不夠業務化；

　　以業務為主導的BI產品往往形式較死板，但貼近業務；

　　所有BI產品在業務預警和診斷功能都太弱，不能讓數據自己說話。

　　所以好的BI產品應該是技術和業務的完美結合

　　四、數據化管理階段

　　我對數據化管理的定義是指運用分析工具對客觀、真實的數據進行科學分析，并將分析結果運用到生產、銷售等各個環節中去的一種管理方法！請注意這個定義的落腳點是管理方法，也就是數據驅動營運，驅動管理。數據分析再好，BI工具再好如果不能幫助管理就是耍流氓。

　　這個階段的數據應用不僅僅是量化管理，預測未來和洞悉關系這么簡單了，幫助企業營運，提升管理水平才是重點。在這個階段有兩個要求，一是數據分析不僅僅是一種職位，而是每個企業員工都應該具備的基本能力；二是企業的數據分析師要非常懂業務，我喜歡那種從業務出生的數據分析師，而從數據分析出生的人則需要去打造自己的業務深度。

　　今年年初給一個企業做培訓時，他們給我看了一下他們IT部門打造的高端大氣上檔次多屏使用的日報系統。管理層每天都可以收到這份報表，這套報表的特點是數據全，非常全，基本上是要什么報表就有什么報表。在手機端我試了一下從這套報表的第一張圖不間斷的劃到最后一張圖需要大約兩分鐘的時間，兩分鐘啊！各位想想，我只是劃動圖表還沒有去解讀數據就花了兩分鐘，業務部門的人要看完全套圖表至少得半小時吧？

　　我們指望這樣的報表去驅動業務嗎？這樣的圖表業務部門是不看的！很多企業的BI產品是以IT主導設計的，優點是體驗感不錯，缺點是又臭又長沒有重點，不夠業務化，在業務預警和診斷功能都太弱，不能讓數據自己說話。

　　專業的數據分析師如何打磨自己的業務深度呢？

　　對于初級的數據分析師有條件的可以考慮到業務部門實習一段時間，銷售、市場、營運部門都可以待一段時間，這對提高業務理解度會有直接的幫助的。就像我的書《數據化管理：洞悉零售及電子商務營運》中的主人翁柯北和星星一樣，成為正式的數據分析師之前先到各部門輪崗。

　　當然企業主管也可以創造一些機會給這些初級數據分析師輪崗，這也是為日后分析師更能接地氣打基礎的工作，值得做甚至形成制度在企業推行。

　　對于高級數據分析師可以通過多參加跨部門會議，想辦法成為企業各種項目成員，也可以參加行業論壇等方法來提高自己的業務深度。

　　對于數據挖掘工程師來說業務理解度要求應該更高，可以把數據模型、數據成果放到業務單位去試錯、測試和驗證，還需要想盡辦法去挖掘業務人員的需求（因為大部分業務人員并不能準確的說出自己的需求）。

　　只有基于業務化的管理模型才能真正的驅動企業的營運和管理，而數據分析師的使命就是推動這個進程的快速發展。

　　五、數據生態階段

　　數據生態這是最近兩年伴隨著企業生態體系的打造而出現的詞匯，企業的生態體系歸根結底是數據的一體化，這里我不具體闡述了。來看看羅輯思維的老羅對阿里數據生態的分析吧。

　　【黃成明　CIO之家】