❶ 如何培养企业管理者的数据思维
第一步：自上而下的改革；
第二步：营造数据驱动的文化；
第三步：先复制，后创新；先有形，后有神；
第四步：循序渐进的培训模式；
第五步：分析竞争对手，向标杆企业学习。
❷ 如何选择大数据应用程序
如何选择大数据应用程序
选择大数据软件对于组织来说是一个复杂的过程,组织需要仔细评估其目标和供应商提供的解决方案。
如今可以确定的是,组织对大数据解决方案需求量很大。组织的管理者知道他们的大数据是不可忽视的最宝贵的资源之一。因此,他们正在寻找可帮助存储、管理和分析其大数据的硬件和软件。
根据调研机构IDC公司的调查,2017年组织在大数据和数据分析方面的支出为1508亿美元,比去年增长12.4%。到2020年,这一支出可能会以每年11.9%的速度增长,2020年的收入可能高达2100亿美元。
大部分收入都用于大数据应用。据IDC公司预测,到2020年,仅软件开支就可能超过700亿美元。非关系分析数据存储(如NoSQL数据库)的支出增长尤其迅速,每年可能增长38.6%,认知软件平台(如人工智能和机器学习能力的分析工具)每年可能增长23.3%。
为了充分利用大量的数据支出,供应商在各种不同的产品和服务上打上了“大数据”标签。这种产品的扩散会使组织很难找到合适的大数据应用程序来满足他们的需求。专家建议,企业开始选择大数据应用程序的一个好方法是精确地确定自己所需要什么类型的应用程序。
大数据应用的类型
企业软件供应商提供了大量不同类型的大数据应用程序。适合企业的大数据应用将取决于其目标。
例如,如果企业只想更加详细和深入地扩展现有的财务报告功能,那么数据仓库和商业智能解决方案可能已足以满足其需求;如果企业的销售和营销团队希望利用其大数据的发现增加收入和利润的新机会,则可以考虑创建数据湖和/或投资数据挖掘解决方案;如果企业想创建一个数据驱动的文化,组织中的每个人都在使用数据来指导他们的决策,那么企业可能需要数据湖和预测分析,内存数据库,也可能是流分析。
这样的事情将会变得更复杂,因为不同类型的工具之间的界限可能会有些模糊。一些商业智能工具具有数据挖掘和预测分析功能。一些预测分析工具包括流媒体功能。
最好的办法是组织一开始就清楚地确定自己的目标,然后去寻找能够帮助其实现这些目标的产品。
选择大数据应用程序时的关键决策
无论企业选择哪种类型的大数据应用程序,都需要做出一些关键决策,以帮助企业缩小选择范围。以下是一些最重要的考虑事项:
(1)内部部署数据中心与基于云计算的大数据应用程序
企业需要做出的第一个重大决策是要在自己的数据中心托管大数据软件,还是希望采用基于云计算的解决方案。
目前,更多的组织似乎正在选择云计算。分析机构Forrester公司副总裁兼首席分析师BrianHopkins在2017年8月的一篇博客文章中写道:“通过云订阅在大数据解决方案上的全球支出将增长快近7.5倍。此外,根据数据分析专业人员的2016和2017调查,公有云是大数据的头号技术优先事项。”
基于云计算的大数据应用受到欢迎有多种原因,其中包括可扩展性和易管理性。主要的云计算供应商也在人工智能和机器学习研究方面处于领先地位,这使得他们可以在解决方案中添加高级功能。
但是,云计算对于组织来说并不总是最好的选择。对合规性或安全性要求较高的组织有时会发现他们需要将敏感数据保留在内部部署的数据中心。此外,一些组织已经在现有的本地数据解决方案上进行投资,并且他们发现继续在本地部署数据中心运行大数据应用程序或使用混合方法会更具成本效益。
(2)私有vs开源的大数据应用程序
一些最流行的大数据工具(包括Hadoop生态系统)可以在开源许可下获得。 Forrester公司指出,“2017年,企业将在Hadoop软件和相关服务上投入8亿美元。”
Hadoop和其他开源软件最大的吸引力之一是降低总体拥有成本。尽管专有解决方案需要支付高昂的许可费,并且可能需要昂贵的专用硬件,但Hadoop没有许可费,并且可以在标准的硬件上运行。
然而,企业有时发现很难获得开源的解决方案,以满足他们的需要。他们可能需要购买支持或咨询服务,组织在计算总拥有成本时需要考虑这些费用。
(3)批处理vs流式传输大数据应用程序
最早的大数据解决方案(如Hadoop)只是处理批量数据,但企业越来越多地发现他们希望实时分析数据。这引发了对Spark、Storm、Samza等流媒体解决方案的更多兴趣。
许多分析师表示,即使组织认为他们现在不需要处理流式数据,流媒体功能也可能在不久的将来成为标准操作流程。出于这个原因,许多组织正在向Lambda体系结构迈进,这是一种既能处理实时数据又能批处理数据的数据处理体系结构。
在大数据应用中寻找特性
一旦企业缩小了选项范围,就需要评估其正在考虑的大数据应用程序。以下包括一些最重要的需要考察的因素。
与传统技术集成 - 大多数组织已经在数据管理和分析技术方面进行现有投资。完全替代该技术可能代价高昂并且具有破坏性,因此组织通常会选择寻找可以与现有工具一起使用的解决方案,或者可以增加现有软件。
绩效 - 2017年Talend研究发现,实时分析功能是商业领袖的首要IT优先事项之一。如果要从这些洞察中获益,管理人员和工作人员需要能够及时获取见解。这意味着投资可以提供他们所需速度的技术。
可扩展性 - 大数据存储的规模每天都会变得更大。组织需要快速执行的大数据应用程序,随着数据存储量以指数级增长,这些应用程序可以继续快速执行。这种对可扩展性的需求是基于云计算的大数据应用变得非常流行的主要原因之一。
可用性 - 组织还应该考虑他们打算购买的任何大数据应用程序的“学习曲线”。易于部署、易于配置、界面直观和/或与组织已经使用的工具相似或集成的工具可以提供巨大的价值。
可视化 - BI-Survey.com表示,“针对商业用户的可视化和探索性数据分析(称为数据发现)已经演变成当今市场上最热门的商业智能和分析主题。”在图表中呈现数据可以使人类的大脑更容易发现趋势和异常值,加快识别可操作见解的过程。
灵活性 – 企业如今所需要的大数据可能与其在一两年前的需求大不相同。这就是为什么许多企业选择寻找能够满足各种不同目标的工具,而不是很好地执行单一功能的原因。
安全性 - 这些大数据存储中包含的大部分数据都是敏感信息,这对于竞争对手、国家机构或黑客都是非常有价值的。组织需要确保他们的大数据具有足够的保护,以防止成为头条新闻报道的大量数据泄露事件。这意味着组织需要寻找具有内置安全功能(如加密和强身份验证)的工具,或者寻找与现有安全解决方案集成的工具。
支持 - 即使有经验的IT专业人员有时也会发现难以部署、维护和使用复杂的大数据应用程序。不要忘记考虑各供应商提供的支持的质量和成本。
生态系统 - 大多数组织需要多种不同的应用程序来满足他们所有的大数据需求。这意味着要寻找一个大数据平台,与其他许多流行工具以及与其他提供商有强大合作关系的供应商进行整合。
自助服务能力 - 2017年毕马威公司针对组织的CIO调查发现,60%的CIO持续报告指出数据分析人才短缺,而大数据和分析是最需要的技能组合。由于没有足够的数据科学家去解决,组织正在寻找其他商业专业人士可以独立使用的工具。调研机构Gartner公司最近的博客文章指出,通常在一个组织中,大约32%的员工正在使用商业智能和分析。
总体拥有成本 - 大数据应用的前期成本只是其中的一小部分。组织需要确保他们考虑相关硬件成本,正在采用的许可或订购费用、员工时间、支持成本,以及与本地部署应用程序的物理空间相关的任何费用。不要忘记要考虑到云计算成本随着时间的推移普遍下降的事实。
预计价值的时间 - 另一个重要的财务考虑因素是企业能够以多快的速度启动并运行特定的解决方案。大多数公司都希望在几天或几周内,而不是几个月或几年内从他们的大数据项目中受益。
人工智能和机器学习 - 最后,考虑各种大数据应用供应商的创新。人工智能和机器学习的研究正在以惊人的速度发展,并成为大数据分析的主流部分。据Forrester公司预测,“企业在2017年对于人工智能的投资增加了三倍,因为企业需要将客户数据转换为个性化体验。”如果企业选择的供应商在这项研究没有处于行业前沿,那么可能会发现自己落后于竞争对手。
选择大数据应用程序的提示
很明显,选择正确的大数据应用程序是一个复杂的过程,这涉及诸多因素。已成功部署大数据软件的专家和组织提供以下建议:
理解自己的目标–企业在选择大数据应用程序时,需要知道自己想完成什么是至关重要的。如果不确定为什么要投资某项技术,那么其项目不太可能成功。
从小规模开始-如果企业可以通过小规模的大数据分析项目取得成功,那么企业对使用该工具将会产生更多的兴趣。
采取整体方法-尽管小规模项目可以帮助企业获得技术方面的经验和专业知识,但选择最终可用于整个业务的应用程序非常重要。Gartner公司建议:“为了支持无处不在的数据和分析世界,IT专业人员需要创建一个新的端到端体系结构,为敏捷、规模和实验而构建。如今,技术学科正在融合,数据和分析的方法正在变得更加整体化,涵盖整个业务。”
协同工作–Gartner公司的这篇博客文章还指出:“建议数据和分析领导者积极主动地在他们的组织中传播分析,以便从启用数据驱动业务操作中获得最大的收益。”许多组织正试图构建数据驱动文化,这需要业务和IT领导者之间的大量合作。
病毒式传播–前面提到的自助服务功能还可以帮助创建数据驱动的文化。Gartner公司建议:“让分析在企业内部和外部真正发挥作用。通过培养实用的自助服务方法,并通过在交互和流程中的数据摄入点上嵌入分析功能,使更多的业务用户能够执行分析。”
❸ 数据驱动的思维方式包含哪五个方面
每日干货好文分享丨请点击+关注
欢迎关注天善智能微信公众号，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区。
对商业智能BI、数据分析挖掘、大数据、机器学习，python，R感兴趣同学加微信：fridaybifly，邀请你进入头条数据爱好者交流群，数据爱好者们都在这儿。
本文作者：天善智能联合创始人&运营总监 吕品，微信：tianshanlvpin，原文发表于天善智能服务号，欢迎讨论交流。
开篇语
看过不少讲解大数据思维的文章，文章的一些观点能够带给我很多的启发，很有见地也很受用。在跟一些企业的负责人聊起大数据项目规划和建设的时候，发现大家对大数据并不缺少自己的认识和看法，只是这些认识和看法没有被系统性的组织起来，形成一个比较有深度的思考问题、解决问题的套路。
这篇文章结合我在和一些朋友沟通过程中看到的一些问题，将大数据思维和价值做了一些聚焦和分解。我来抛砖引玉，希望这篇文章能够让大家从另外的一个角度去了解和思考一下到底什么是大数据思维和价值。
这篇文章适合企业高层、即将或者正在规划大数据项目、思考如何对大数据进行顶层设计、大数据项目管理人员一读。作为补充，我在此也推荐几篇文章以丰富大家思考问题的维度（角度）：
【概念篇】大数据思维十大核心原理
【分析篇】趋势 | 大数据应用落地分析
【案例篇】深入解读民生银行阿拉丁大数据生态圈如何养成
【案例篇】大数据如何聚焦业务价值，美的大数据建设的启发
本文作者：吕品 天善智能联合创始人
本文整理自 2017年3月3日 美云智数新品发布会数据云分论坛吕品的演讲内容
人人必谈大数据
说到大数据，大家并不陌生，从各种自媒体、线上线下沙龙，包括生活中大家经常提起。早在 2010 年之前，国内的很多互联网公司都已经在处理 “大数据”，只不过那时对大数据还没有一个清晰的定义。2013 年起，我们注意到在国内大数据这个词开始火了，火到什么程度？ 举个例子：我每次回家，家里的亲人朋友都在问我是做什么的，我说我们是搞商业智能 BI 的，基本上听不懂。什么把数据变为信息、信息产生决策，什么 ETL、报表，几乎是懵圈的。后来提了一句，我们有一个技术网站，里面都是玩数据的，比如大数据、数据分析、数据挖掘...。“大数据啊！大数据我知道！”，我问什么是大数据，回答很简洁干脆：“大数据就是数据大呗！”。
其实这种理解不能说错，只能说不全面，但是从某种角度上来说大数据还是比较深入人心的，“大数据”这三个字起到了一个很好的名词普及作用，至少不会像商业智能 BI 那样很难用一句或者几句话让大家有个哪怕是很基础的概念。
大数据 4V
我们经常提到的大数据四大特征：4个V
Volume 数据容量大：数据量从 GB 到 TB 到 PB 或以上的级别。
Variety 数据类型多：企业在解决好内部数据之后，开始向外部数据扩充。同时，从以往处理结构化的数据到现在需要处理大量非结构化的数据。社交网络数据采集分析、各种日志文本、视频图片等等。
Value 价值高，密度低：数据总量很大，但真正有价值的数据可能只有那么一部分，有价值的数据所占比例很小。就需要通过从大量不相关的、各种类型的数据中去挖掘对未来趋势和模型预测分析有价值的数据，发现新的规律和新的价值。
Velocity 快速化：数据需要快速处理和分析。2010年前后做过一个美国医疗保险的数据迁移项目，有一个 ETL 需要处理该公司几十年的历史文件和历史数据，文件数据量很大，并且逻辑非常复杂，一个流程几十个包，一趟下来 35 个小时执行完毕。这种情形如果放在现在的互联网比如电商平台很显然是不允许的。比如像电商促销、或者要打促销价格战，实时处理传统的 BI 是无法完成的。对有这种实时处理实时分析要求的企业来说，数据就是金钱，时间就是生命。
我相信上面提到的大数据的四个 V、核心特征还是比较容易理解的。如果我们不是站在技术层面去聊的话，大家对大数据或多或少都会有一些比较接近和类似的看法，并且在理解和认识上基本也不会有太大的偏差。
但是当我们谈到大数据，大家真正关心的问题在哪里呢？ 从技术角度大家可能关心的是大数据的架构、大数据处理用到了什么样的技术。但是站在一个企业层面，特别是在着手考察或者规划大数据项目建设的负责人、企业高层来说，更多关心的应该是下面这几个问题：
1. 大数据到底能帮我们企业做什么，或者说能够带给我们企业什么变化。上了大数据对我们有什么用，会有什么样的改变，是经营成本下降、还是帮我们把产品卖的更多？
2. 我们的企业现在能不能上大数据？如果不能上大数据，为什么，那又需要怎么做？
3. 我们企业也想跟随潮流上大数据，问题是要怎么做。需要准备什么，关于投入、人才、还缺什么、需要用到什么样的技术？
4. 我们怎么验证这个大数据项目是成功还是失败，我们判断的标准是什么？
我相信这些问题都是大家比较关心的一些点，包括我自己。我们目前还是以 BI 分析为主，但我们也会去爬一些外部的数据，后面也在规划大数据相关的一些项目和开发。
当然大数据这个话题是非常大的，我们很难从一个或者两个角度把这些问题回答的非常全面。但是我觉得有一点是我们的企业高层或者决策者可以注意的：在规划和考虑大数据的时候需要具备一定的大数据思维，或者说是面对大数据时我们所要具备的考虑问题和看问题的角度。
大数据思维方式
大数据思维方式我简单概括为两个方面：第一个是以数据为核心、数据驱动的思维方式。第二个是业务核心，业务场景化的思维方式。
以数据为核心、数据驱动的思维方式包含这几个方面：
1. 尽可能完善自己的数据资源。我们手上握有什么样的数据资源，我们数据资源的质量如何？
企业需要关注和梳理我们有什么样的数据，以前是关注企业的流程，IT的流程、业务流程再造。现在大多数企业这些 IT 基础和应用的建设都已经完成了，更加关心的应该是在我们的企业里到底握有什么样的数据资源，在不同的行业我们的数据主题是不一样的。
比如电商零售行业，我们考虑更多的可能是消费数据、涉及到用户、产品、消费记录。因为我们可以围绕这些数据比如做用户画像、精准营销、定制化的产品、产品的市场定位分析等等。
比如制造生产行业，我们涉及更多的数据可能是产品本身、我们的生产流程、供应商等。因为我们可以围绕这些数据比如做我们的生产质量检查、降低生产成本、工艺流程再造等。
只有了解我们目前自身的数据资源，才能知道我们还缺少哪些数据资源。而这些缺少的数据资源从哪里来，如何获得，就是我们在规划大数据项目的时候是需要解决的。如果缺乏这种意识，等在规划和上大数据项目的时候你的大数据资源非常有限的。
2. 增加数据触点、尽可能多的去收集数据，增加数据收集和采集渠道。大数据的建设和大数据分析它是一个迭代的过程，很多的分析场景都是在不断的探索中找出来的，它有一定的不确定性。正是因为这种不确定性所以才需要我们尽可能收集更多的数据。
现在是移动互联网时代，人人都是数据的生产者和制造者。比如每天的社交数据、互联网点击网络的数据、刷卡消费的数据、电信运营、互联网运营数据。像我们的制造和生产行业，有自动化的传感器、生产流水线、自动设施的数据等。有些数据放在以前可能不值钱，但是现在看呢？这些数据现在或者在将来的某一天就会变得很有价值。
比如像我最开始提到的那家美国医疗保险公司，我看过他们的 COBOL 代码注释都有是七几年、八几年前的。他们积累了几十年的数据，突然在 2010 年前后开始意识到数据的价值了，开始通过数据进行一些变现了。之前知道这些数据的价值吗？不知道，但是尝试到数据的甜头，比如做自己的数据分析，咨询机构购买一些脱敏的数据，或者给咨询机构提供数据做市场研究用途。
所以大数据的构建不会是一天两天的，这个过程会持续很长的时间，我们需要为将来做准备。所以如果你的公司连个最简单的业务系统，IT 应用系统都没有，数据连存放的地方都没有，怎么能够上大数据呢？不合理。
数据越多，数据种类越丰富，我们观察数据的角度维度就越丰富，我们利用大数据从中就能够发掘出以前更多没有看到的东西。
3. 数据开放和共享思维。这一点在我们国内其实说起来很容易，但是实际上很难。
去年的时候我去看了一个市公安局的大数据项目（可参看这篇文章 政府大数据面临的问题和阻力在哪里？），他们有两点意识非常好：
1）非常清楚的知道自己拥有哪些数据资源。比如市公安局以及下属分局、各个支队各个应用系统的数据：基础的人口管理、信访、犯罪信息、情报。包括数据监控所涉及到的铁路、网吧、民航购票、ETC 卡口等。
2）为了纳入更多的社会化数据资源、实现全行业的数据覆盖，他们准备接入交通、服务、科技信息化、教育、社保、民政等各个行业的数据。包括他们给下面的单位下了数据的指标，每个单位或者每个民警都有这种收集数据的指标，比如哪个单位今天上传了什么样的多少数据，每个月哪个单位上传的最多，这都是很好的数据收集的意识。
但问题在哪里？问题在于很多机构比如银行受国家政策限制很多数据是没有办法共享的、还有像教育机构，我凭什么把数据给你，在行政上大家是并级的机构。
所以这个时候就需要考虑数据开放和共享的思维，在满足数据安全性的基础之上我们可以不可以考虑数据互换共享的可能。公安局有的数据一定是教育机构没有的数据，那么同样的教育机构有的数据，公安机构也不一定有。如果两者数据在某种程度上形成共享，在保证数据安全和不冲突的情况下是可以创造出更多的社会价值的。比如公安局可以提供教育机构关于各个地区犯罪率的信息，包括交通安全事故多发地等，教育机构可以针对
❹ 企业实施大数据的路径
企业实施大数据的路径
企业实施大数据的具体的建设路径有两个方面，一方面是自下而上，另一方面是自上而下。
自上而下
自上而下的路径，首先是有序地在管理层建立数据的决策文化，在企业文化层面建设起数据的使用意识，然后建立对应的组织架构、对应的部门和团队，确定需要招聘什么样的人进来、需要多少人、具体职责怎么划分，最后建立起对应的技术平台。
自下而上
自下而上第一是让员工学习和掌握相关技术技能，可以通过内部培训，也可以通过外部招聘。第二，要有规划地设计，以后系统怎么走、怎么做， 要有一个长期的规划。第三，要有明确的绩效考核的指标，数据的管理、质量的管控、效益怎么保证。第四，在思维上要保持一个开放的态度，互联网时代大数据还在发展的初期，一般认为大数据在企业的应用还处于幼儿园阶段，这个时候还有很多东西要学习，必须保持一个开放的心态，不断地学习，才能真正把事情做好。
（一）建立企业的数据文化
文化是企业看待事物的价值观和执行行动的衡量标准。建立数据文化就是要在整个企业层面建立一种以客观的数据为决策依据和衡量标准的价值观和制度体系，为企业能够真正利用大数据产生价值提供基础。没有这个基础，企业即使拥有再好的技术和资源，也无法利用好它们来为企业服务。
什么叫企业数据文化？它包括六个方面的内容。
第一，数据文化主要体现在数据驱动决策，决策主要通过数据来说话。
第二，企业运行效率的分析。一方面，通过对数据进行深度分析，可以像望远镜一样了解企业各方面的运营情况，另一方面，数据可以像显微镜一样去观察企业运营的细节，找到以优化的地方。
第三，通过数据来分析营销规划的得失。通常企业做促销活动，销售量提升了就觉得是成功了，但是促销是有成本的，销量提升了，是不是真的就带来效益了呢？
第四，在以人为本的时代，企业对员工的人身安全和健康的责任越发重大了。如果能通过客观可衡量的数据，关注员工的工作环境和舒适性，对保障良好健康的工作环境、提升员工的满意度将起到非常重要的作用。
第五，员工绩效，必须要有一个数量化的指标。
第六，价值链中的数据管理。在纵向供应链中通过数据的分享和交换，可以更好地让供应链上下游的企业了解整个供应链上的需求、库存和供给，从而可以优化链条上的库存，主动发起供给的准备，更快地应对市场的变化。在横向生态链中，通过分享和交换数据，可以在全方位生活场景中对用户进行分析，从而打造出满足用户更广泛需求的一站式服务，不仅可以挖掘出更多的商业机会，而且增强了用户的粘性。
（二）建立企业的数据战略
建立企业的数据战略，需要建设三个方面的内容，如下图
数据模型
第一个方面是建立完整的数据模型。数据模型的目的是正确地定义数据，对数据进行分类和确定数据交互之间的标准。将对企业业务管理的理解，转化为数据的要求，从而理解到底什么样的数据需要管理。不同的系统产生不同的数据，各系统之间的数据和数据之间互相交互的内容是什么。企业内部有不同的系统，ERP 系统、供应链系统、CRP 系统等，用户信息放在哪，供应商信息、物联网信息、财务信息分别放在哪，他们之间怎么协调，怎么沟通？这些都是需要考虑的问题。
数据服务
第二个方面是建立数据服务体系，包括选用什么样的技术平台、采用什么样的数据技术，不同的系统如何使用这些不同技术，包括传统的数据库、数据仓库、商业智能、新型的 Hadoop 等。基于业务架构的设计，来设计数据应用的架构，然后通过数据交互接口来交换数据，从而避免出现数据孤岛，同时建立统一的数据规划，确保数据源的统一和一致性，为后期的数据分析提供支持。
数据管理
第三个方面是建立数据的治理体系。数据治理包括数据的管理制度和整体生命周期的管理。数据正在成为一种资产，与此相对应的，资产需要体系化的管理。数据的资产权利管理，包括确定数据的所有权、确定每个数据的所有者、谁是这个数据的管理者、谁来负责这个数据的准确性、谁来保障数据的质量，等等。数据的高质量是进行数据分析的基础，数据如果是错误的，怎么分析都不会有正确的结果。同时，数据的合规和安全的管理也是核心环节，比如谁可以操作数据、谁负责数据的安全、备份和服务等，一个严格的数据的合规和安全管控制度是必不可少的。
数据的生命周期管理，包括如何和何时建立数据、什么时候可以修改、谁批准修改、数据如何消除等。国内的企业这方面做得比较欠缺，不只是数据，还包括设备、电脑等，电脑报废了不能用了，就直接丢弃。在这方面，国外企业做得不错，国外信息安全的企业， 通常会花钱请第三方公司来进行专业的数据销毁的处理，甚至每台电脑花费几百块钱来进行环保型销毁。比如在一些数据消除案例中，数据要用各种方 法来确保被彻底擦除，比如有些企业要求对数据进行格式化七遍，以避免可 能的数据恢复。
（三）建立企业的数据组织能力
建立数据的组织能力，包括设立合适的组织角色的定位、招聘到合适的人员、设立合适的组织结构以及设计合适的责权利，等等。
第一，数据的组织能力，建议有条件的公司可以建立首席数据官（ChiefData Officer）岗位，这个岗位主要是设计整个数据的战略，领导数据战略的落地，以及通过数据和业务管理层进行沟通、对话，传递数据的价值。
第二，数据科学家的作用非常重要，数据科学家研究的是如何用最好、最科学的算法得出最好的结果。同样一堆数据在那儿，十个不同的人在看，十个人看的结果都不同。那么为什么科学家算得准呢？因为他的知识够深入，他了解哪个因素最重要，那么多因素里面他应该选哪部分来分析。数据科学家目前是整个市场上最欠缺的人才，因为同时兼具数据算法专业知识和业务知识的人才是极其难得的。数据科学家可以分为三种类型，第一种是技术型数据科学家，他们是计算算法方面的行家，对各种统计分析技术非常在行；第二种是应用数据科学家，他们对数据架构非常熟悉，熟悉数据在各个系统中的分布，能够很好地把各种数据进行集成管理；第三种是业务数据科学家，这些人对行业知识和企业业务非常熟悉，同时兼具一部分对数据处理技术的了解，能很好地把业务的需要和特征转换成数据的处理要求，同时可以很好地将数据处理结果转换成业务的视角和言语，来传递给业务管理者。
第三，对于一定规模的企业，我们通常建议，企业要建立一个集中式的数据管理运营中心。云计算服务就是集中化管理方式，成本最低、灵活性最高、扩展性最强。
第四，整个数据组织的架构标准不是以技术、产品来交付，而是以商业价值交付为衡量标准。考量数据分析的产出能力，不是数据分析的速度有多快，也不是数据量有多大，而是数据分析的结果对业务到底有没有帮助、是不是有指导意义。这也是所有数据分析的核心价值，也是对大数据中“大”的含义的最核心的衡量标准——“大”到产生业务价值。这个衡量标准对技术组织来说，执行起来有些困难，所以必须建立一个明确的绩效评估标准和价值评估标准，让技术人员能够更多地从业务角度来考虑所做的工作的价值，而不陷入技术优先论的境地。
第五，提升一线人员的业务决策权和数据决策权，建立一个扁平化管理的组织。通过系统化的培训来不断培养员工的数据分析能力。由专业数据分析人员和算法人员设计的数据分析解决方案或者产品，必须以简单易用的方式提供给一线员工，同时更为重要的是，加强相关的解决方案或者数据产品的系统化培训，让更多的员工意识到这些解决方案或者产品的价值，并乐于在日常工作中使用。我们建议数据建模 / 数据产品研发的费用和针对一线员工的使用培训的投入应该是对半分的。为了更好地推进培训，企业还可以考虑成立兴趣驱动的数据协会，让更多的员工加入到该协会中，定期举行培训课程、研讨沙龙以及聘请外部专家做相关分享以开拓视野。
建立了企业的数据组织能力后，企业使用数据的过程如下阐述。
首先搜集数据，从不同地方把数据找到，找到以后选择算法。其次进行业务关联的分析，确定哪些指标、哪些维度是有意义的，这就是数据科学干的事。业务科学家和数据科学家可以分离，也可以整合，大部分企业是一套人马来做，展示成一个业务的可以接受、可以理解的方法，如果单纯是数据展示，可能管理层、业务部门看不懂，这就需要转换成业务管理者可以理解的语言和信息。最后，提交给管理层或者是对应的部门作商业决策。这就 完成了一个完整的价值交付。
在上述的数据处理过程中，数据团队中有不同的岗位来执行对应的工作。在数据的采集和清理环节，主要是数据管理员，包括企业内部的数据抓取， 外部的微博、淘宝、第三方电信等的数据采集，数据很多，需要做清理，把一些没有用的数据处理掉，留下来有效的数据，这主要是数据管理员要做的事情。接下来是数据科学家，选择正确的算法，同时可以根据业务的维度制作各种不同的模型，来得出一个分析的结果。再接下来，还有一个团队是业务分析师，根据这些分析结果，将其转换成业务人员可以理解的语言和展示方法，交给 CDO 和核心管理层、决策层做沟通，帮助他们作决策。作为整个技术平台的提供者，还有一个技术团队做具体的平台搭建，可以自行开发基于 Hadoop 开源的大数据平台，或者购买第三方的系统做管理维护，也可以 直接使用大数据的 SaaS 服务平台来快速建立大数据技术能力。
（四）选择技术平台
企业以往使用传统数据进行复杂分析时，多使用数据仓库和商务智能系统，也就是所谓的 OLAP 系统，对传统数据比如财务数据、用户数据进行抓取、挖掘和分析，然后通过页面展示出来，这是非实时的分析系统。在互联网+时代，要将第三方的社交数据和电商数据，比如微博、电商数据等放进来分析是很难的，因为传统的架构是基于结构化的数据基础上的，而现在更大量的数据是非结构化的数据，传统方式很难支持。这样我们分析数据就碰到一些困难，大数据应运而生，Hadoop 是其中最重要的一个平台。
Hadoop 是一个生态系统，它里面包括了一些计算的系统、数据存储的系统、数据分析的系统，它是阿帕奇组织在 2004 年正式开展的一个项目。Hadoop 是一个非常重要的革命性的应用，因为它是免费发布，让很多人都有机会使用，现在很多企业都是以 Hadoop 开源平台为基础，再由内部技术人员做一些优化来使用。
传统数据和大数据的关系是一个发展和结合的关系。传统数据还是可以分析出对业务有价值的信息，也还是用以前仓库的方式分析，新型数据用大数据的方式分析，两个系统最后进行整合，形成一个后端的解决方案；现在也出现了一种完全集成式的方案，这是最近一两年出现的新的大数据平台，可以同时兼容新的大数据和传统的数据，这种集成式的应用将会越来越多。市场上很多公司的商业套件和 Hadoop 开源的方案有什么区别呢？它们的主要区别是商业套件在性能上做了优化、提 升，在安全上做了增强，它加入了针对对应行业的业务理解，帮助企业预置了建模的方法和工具，但问题是价格比较贵。所以，各种方案的选择是基于企业的实际情况，包括预算和团队能力等因素综合考虑的。
（五）数据的开放和共享
对于数据的来源，企业内部通常不具有大数据分析所需要的所有数据。 2014 年，我国的大数据市场规模 84 个亿，预计 2015 年达到 166 个亿，增长40%。相信随着大数据交易平台的建设，增长还会更多。根据中国信息通讯研究院的研究报告，企业对大数据的认同度，认为“比较重要”的达到 97%，这说明企业对大数据的重要性是有认识的，问题是怎么来落地。企业对待大数据往往关注的是安全性和稳定性。这说明虽然企业已经意识到大数据的重要性，但还是比较保守，对安全的顾虑影响了对数据商业价值的挖掘。随着安全技术的发展以及对商业价值的认识的提高，企业应用大数据、获取和交换数据将会越来越多。安全和商业价值永远是一对需要衡量的关系，它就像速度和成本、速度和质量一样是相辅相成、互相平衡的关系，要同时追求两方面是有困难的，不同时期要有不同的策略。
企业对政府公开数据的需求非常强烈。市场上有很多针对政府数据的创业公司，例如一家企业叫法海风控，他是从法律层面分析企业的信用状态，通过分析企业相关的法律文书，比如这家企业过去数年有没有相关的法律官司、胜诉还是败诉，也包括相关联企业涉及到的法律行为，从这些角度提供风控的判断，这是一个很好的应用案例，这取决于政府的数据公开程度。政府拥有海量的数据，如交通数据、社保数据等，一旦这些数据能够公开，将会带来大量的创业机会，也会给企业带来更多考虑问题的维度，所以企业都希望政府能够尽快地公开数据。
（六）找好切入点，小步快走
关于实施路径，企业或多或少已经有一些数据、有一些系统，这个时候是推倒重来，还是有一些别的方法？数据能够在哪些领域实现业绩的大幅提高？数据能在哪些领域实现企业运营效率的提升？这些问题很重要，一开始就必须提出来。每个重要业务部门和职能部门都需要考虑这个问题，并展开相关的研讨。企业高管实施大数据战略的时候，需要高度重视这一步，但在国内很多企业往往忽略这一方面，投入大数据往往不是以提升业绩为导向，而是以学术为导向，使得很多企业实施大数据战略后，看不到数据对企业绩效的提升，从而使得大数据战略流产。
（七）放眼未来，永远在路上
大数据是不是万能的？是不是永远有效的？大数据的使用有限制吗？正确地认识这些问题，有助于企业更好地利用大数据，更客观地看待大数据。
第一，大数据不是万能的，大数据的使用是有限制的。大数据的使用，首先是在讨论相关性的时候，而在判断、解决一个具体问题的时候，大数据不是最好的方法。
第二，大数据即使大，也不能囊括所有的数据，大数据终究有成本的问题，准确性还不会达到百分之百。虽然它足够可以做预测，但是不是绝对正确的东西。
第三，我们不能过于相信数据，因为有时候数据会解读得不对，所以还要尝试做一个验证，如果这明显和常识相反，你要验证一下你的分析方法否正确。
还有一个问题是数据的安全，数据这么重要，能不能保护好数据，数据使用过程中有一些问题和潜在的风险。
最后的寄语：大数据是文化和技术的结合，最终的目的是产生业务价值。
第一，大数据技术是 IT 驱动业务变革的一个机会，不管从IT 部门本身的定位、IT 对企业产生的作用来说，还是企业能够增强核心竞争力的角度来说，大数据都是一个非常重要的推动力。
第二，应用大数据技术的前提是要有一个数据驱动决策的企业文化，如果用大数据形成了一个报表，企业管理者作决策时根本不看，这就没有意义了。只有当企业建立了数据驱动决策的文化，并真实地执行后，数据的价值才能够充分实现。所以大数据使用的重要前提是企业有数据驱动决策的文化。
第三，数据本身只是一些信息，大数据的价值不在于数据本身，而在于如何通过数据做分析整理，最后产生分析和预测，传递业务价值，这才是使用大数据的目的和核心。
❺ 如何将数字化转型
数字化成熟的组织不会浪费时间抵制数字化转型，而是拥抱并适应商业环境中的关键转变。从接触与咨询的企业来看哪些能够驾驭复杂不确定环境下往往有以下6个特征：
对客户保持亲密的连接，动态感知需求变化
以数据为依据而非简单数据驱动的文化，人是核心
挑战者心态和极强的颠覆意愿
分布式决策与共创之风
不断做实验和团队学习
道德决策和数字化伦理，持续发展
❻ 如何利用数据驱动的方法来降低欺诈风险
在高科技领域，数据是不可或缺的。它可以帮助你更好管理系统和团队，但从数据有效获取价值比拿到数字更难。你需要一种由数据驱动和抉择的文化。通过数据可以让管理者不仅降低正确决策的风险，也更有信心迅速行动。它也提供一种确认选择是否可行的办法。
建立这样文化比口头上简单说说要更复杂。你衡量哪些数据看如何响应看采取什么方法让团队意识到应该把数据摆在首位看
以下是实现可持续发展的数据驱动的企业文化的一些建议，可以让团队在自我完善，也有一些陷阱我们需要注意：
1.确定要测量什么。我们目的是用数据让商业更加灵活有信心。管理层需要了解公司高层的优先级，再选择支持这些目标的指标。如果你不分重要性衡量一切的话，你就会陷入无关紧要的细枝末节。比如对于用户增长的核心指标有注册数，激活率，重新激活率。
2.为实现具体商业及团队目标的相关指标。修复的平均时间(MTTR)是一个不错的性能指标，但它不容易让团队执行。确认事件发生的平均时间(MTTA)是MTTR的一个组成部分，往往更可行。跟踪这两个关键绩效指标，有助于了解团队是如何对总体指标做贡献的。
❼ 如何做好数据驱动运营
核心了解业务，对数据敏感 数据背后的意义逻辑清楚。具体表现为：
每天不仅关心日活、新增，数据精细化运营就及其有必要，比如这个时候我们会增加一次性用户与活跃用户的比例、新增用户留存率、连续N日活跃与当日活跃的占比这些指标，通过这些指标间接佐证产品生命周期是处于增长期、活跃期、稳定期、还是衰退期，如果一次性用户占比比较高、说明产品粘度不够，用户流失率较高、那么就要采用提升回流的方法比如PUSH、短信等一系列热点营销活动，如果新增用户占比趋势区域平缓、既有可能说明产品已经进入稳定器，这时候运营更多考虑保持活跃、如果发现新增用户增值趋势是呈下降、连续活跃占比下降说明产品用户在逐步流失，很有可能进入衰退期，这个时候管理者结合收入指标等其他财务指标判断是否放弃原有产品投入、是否研发新的产品。