运营篇 大数据运营商们的“绝活儿”

  如今基本上所有人都达成了共识，大数据给运营商带来了革命性的影响，而数据资产在运营商的运营中扮演着逐渐重要的角色。随着大数据时代的到来，数据慢慢变成企业最重要的、最高价值的资产之一，所有业务的升级转型不能离开数据的支持，所以IT部门在数据时代慢慢从成本中心向利润中心转变。在这样的一个过程中同时也帮助了运营商与相关企业完成自己的业务形态转型。

  北京永洪商智科技发展公司高级副总裁王桐表示，通过数据都能做出什么样的事情，产生怎样的价值，同时该如何更好地去运用数据……成为关键的几个问题。除此之外，通过数据化的运营，将改变以往决定战略和决策的思维模式。以前经常是通过业务经验来做相应的决策，不管是宏观的、战略的，还是和具体的某些执行相关。

  数据本身通过这一种客观，如实的证据帮咱们提供了一个量化决策支持的基础。通过这样的基础支持，帮助更好地完成决策的事情。所以，对公司战略的定义，还是未来的走向，具备数据的支撑是很重要的。在存量的时代，数据资产化、决策数据化才是整体的趋势。

  过去几年大数据领域的热门话题多是集中在基础架构方面，近年来伴随着相关底层技术的逐渐成熟与丰富，在数据的底层的基本的建设的问题上不再困难。“如今大家都不约而同地思考更进一步的问题，这些存下来的数据，其价值产出如何，怎么在业务场景中体现价值，如何对外输出和变现……这些都成了用户乃至企业的管理者们共同思考的问题。”王桐对《中国信息化周报》记者说。在这样的一个过程中，同样产生了很多有创意的业务形态与想法，现在数据的价值在于如何通过数据达到更精准的运营、更有效的管理以及更加全面的集团企业监控，才是数据价值所主要遵循的三个方向。

  在每一个方向中，实际有很多具体的细分场景。例如更精准的运营，可能会与用户画像、用户活跃度等紧密关联，其中更有效的管理可能偏向内部执行层面，更全面的监控是指偏财务审计与管理层面。在这些不同的业务层面，其实数据都能够切入每一个具体的业务场景中，通过数据化的指标帮助完成监控。不管是运营还是管理，还是业务，成效如何主要是通过数据化的KPI来监控。很多时候，业务本身是通过数据来进行包装组合的利用，最后构成了服务的一部分，甚至是产品的一部分。

  但在今天，所有的运营商，包括所有的行业企业都会在运营方面遇到各种各样的难题。例如，我们大家常常会发现运营商的报告，在内容和数据分析等菜单项，实际上存在大量的重复。看数据的过程其实是感知业务、察觉缺陷，并且思考逻辑、找到答案、采取行动的过程。如果所看的分析内容，实际有很多冗余，这就会对分析与思考的过程带来很糟糕的使用者真实的体验，耽误效率的同时还造成成本的浪费。

  在探讨运营难题时，王桐说：“现在绝大部分的数据分析系统，或者是VI系统，底层还是上一代的传统架构，是基于立方体的技术底层，它的特点是相对来说还是比较零散和固定，往往是一个需求对应一个数据模型，模型中的分析和计算方式只满足了一次的需求的实现。和客户交流的过程中，会发现有的客户的数据仓库中有几百个模型，甚至多达上万个，后果是数据仓库复杂到不可维护，性能的损耗相当严重，不但带来了不可维护性，而且也给用户非常差的体验。”

  通过观察多家企业的数据分析系统，我们总结出其中的统计数据依然占比很高，明晰偏少。实际上，对于数据分析的操作的流程相对来说还是比较复杂，而且数据的目录结构也很难梳理，最终反映出来的问题看上去很零散，问题表现的背后实际上还是过去做数据分析的思路与逻辑的诟病。

  探究其问题的本质，IT资源往往是有限的，如果负担过重，资源会变成瓶颈。数据分析虽然只是一个词，但实际上却涉及了一个完整的链条，从数据的整合、清洗、加工、建模、分析、展现，输出，还有挖掘和深度分析，整个链条涉及到了很多方面，管理难度非常大。目前很多场景对大数据的应用还不够灵活高效，往往以固定报表为主，数据的展示只是起点，而不是终点，所以对数据的分析和利用一定不是做一个静态报告就结束了，后续还有很多工作要做。

  如今大多数情况下大数据的价值产出与预期可能并不匹配。如何让数据真正促进业务，真正产生价值的变现，并且让产生价值的过程高效，是值得探讨的问题。

  业界权威的IT机构Gartner撰写了商业报告，证明敏捷型BI以及探索式的分析已成为大势所趋。许多企业中，无论是信息部门，还是业务部门，两者都在呼吁能不能成为数据分析过程中的协作角色，使IT部门可以充分完成底层的数据模型建设后，将剩下90%的常用需求让业务部门“上手”，这样做才能够让业务部门自己进行服务分析。

  “无论是国外还是国内，实际上慢慢的变多传统的、完全以IT为中心的BI平台正在逐渐被新型平台所补充，甚至被取代。最新的BI的报告中，这种敏捷型，探索式的BI也是不够的。众所周知，数据分析是一个完整的链条，必须要移动到一站式的大数据平台，这将会是未来各个企业的标配。”王桐补充道。

  探索式分析可以让业务部门也能轻松做数据分析，实际上只做BI类偏描述型的分析也是不够的。若需要做用户画像，收入预测，或者是电子商城商品的关联交易分析，以及其它机器学习等相关分析的话，还是需要深度分析的，所以深度分析与企业级的管控等四部分有机融合在一起就构成了一站式的大数据分析平台。敏捷型数据分析，会促进释放数据价值。数据分析做到更敏捷，需要出示更好的洞察力，如今很多行业的客户慢慢的开始采用一站式大数据平台来完善、提升大数据运营能力。

  王桐在交谈中提出：“现在是存量的竞争时代，以用户画像举例。用户画像归根结底是要对用户有更深刻的了解，因为大多时候电子商城也有第三方的产品和自由服务，逻辑过程比较类似。做用户画像，更深地了解用户和C端的消费者，对研发设计人员，或者电子商城的选品，和产品和服务的设计人员来讲，会有很关键的指向作用。以前是基于自己的经验去设计新产品和服务，设计好后，再推销出去，这是过去闭门造车的做法；好的做法是先调查用户的需求与喜好，再结合需求与喜好来设计套餐和选品。”

  另外针对营业销售人员，面对产品和服务，明确针对不一样的用户卖什么产品，才能更有效达成交易，这个精准营销的过程，对于营业销售人员比较关键。例如，想生产将年轻女性作为用户群的电视，需要做的事情是要先了解年轻女性对电视的需求和喜好是什么，进而指导设计。一方面去计算过去有多少年轻用户购买了这种功能的电视，另外在舆情调查上又有多少人讨论与电视相关的问题，尽管这部分权重比较低，但也会考虑，最后将两者数据结合在一起。如果除了功能诉求外，像颜色、尺寸、价格都有数据统计，就会在发现消费者需求的时候，迅速实现用户需要。

  总结来讲，如今对于数据分析，人们已不再停留在初期的摸索阶段，实际上很多的问题都已得到了有效解决，现在面对的是如何做有价值的利用，并且让这个利用的过程变得更容易和高效。

  借用《双城记》那段经典的开场白：这是一个最好的时代，这是一个最坏的时代。对于运营商这样天生依靠人口红利、规模红利的企业，未来在大数据的浪潮中或许并不是特别容易翻云覆雨，真的需要数据优化运营的种种“绝活儿”才可以始终立于不败之地。数字化运营，至少有三件事可以做，分别是盘点数据资产，建立计算能力，开放数据平台。

  谈及大数据Hadoop，今天Hadoop主要应用场景集中在技术处理上，但是已经有一部分的应用开始偏向机器学习。例如有的IT厂商与合作伙伴开始尝鲜，利用Hadoop技术来处理数据的高级分析，从大数据中挖掘出有价值的数据，相信未来HadoopECO的发展 会卓有成绩。