大數據的三個誤區及危險_數據分析師考試

解決方案供應商總是信誓旦旦。他們說，你要做的就是把數據給到我們。然后我們就會提供一系列想法，讓你們公司在營銷效率、客戶體驗和服務運營效率方面得到極大改善。你和你的團隊就放心吧，我們的技術和你們的數據科學家會把重頭扛下來。

是不是有似曾相識的感覺？如果你曾經歷客戶關系管理（CRM）改革時最初那個興奮階段，那么你一定會有這種感覺。早在20世紀90年代，很多企業對這種技術十分認同，最后的結果就是搞了一堆沒用的數據庫、養成了很多叛逆的銷售團隊，以及資本預算的耗盡。

此后，CRM行業日漸成熟。毫無疑問，現在的CRM解決方案可以為很多機構提供真正的價值。例如，在貝恩咨詢“2015管理工具與趨勢”調查（2015 Management Tools & Trends）中，CRM是排名第六的暢銷業務工具。根據Gartner統計， 2014年，全球的CRM開支總計達到204億美元，此前一年為180億美元。

但CRM的失敗率也很高。C5 Insight在2014年發布的一份報告中稱，有超過30%的CRM應用以失敗告終，同一批公司的第二和第三次CRM應用，其失敗率僅比第一次實施略低。這就是CRM改革之前20年的情況。

我們看到，大數據的發展路徑與此類似，都是在客戶影響力和價值創造方面信誓旦旦。Gartner在最新一份報告中預測，到2017年，60%的大數據項目過不了試驗期，會被打入冷宮。為什么歷史會重演？原因不在于興趣、努力或投資的缺乏。相反，這說明從既有客戶、運營和服務數據中創造價值是非常困難的，更不用提社交媒體、移動設備和在線活動所產生的大量非結構化的內外部數據。

各家公司在利用大數據和高級分析工具方面面臨的壓力日漸增大，因為客戶希望從與他們打交道的機構中獲取更多信息。競爭在加劇，特別是在金融服務、零售、通信和媒體等成熟行業。以數據為驅動的行業繼續洗牌。包括Progressive、Capital One、亞馬遜、谷歌、優步、Zappos等新舊行業的攪局者已經創造出以數據為驅動的經營模式，并將其應用于定制產品和服務的生產。

以美國汽車保險商Progressive為例，他們利用插件設備，追蹤司機的行為。Progressive利用數據細分客戶群，并確定保費。美國金融服務公司Capital One則在確定客戶風險評分及忠誠度項目中十分倚重先進的數據分析。為此，Capital One開發了多種客戶數據，包括先進的文本和語音分析。與此同時，美國零售業巨擘亞馬遜則對客戶數據深度開發，創造出個性化的在線購物體驗。亞馬遜參照客戶的購買歷史和瀏覽記錄，開發出一種先進的推薦引擎，不同的消費者會看到定制化的網絡頁面。在物流領域，亞馬遜在將數據分析應用于優化庫存和減少裝運時間方面也走在了前列。

大數據的先行者設定了很高的成功標準。他們聚集了一大批數據分析人才，并創造出很多流程，使這些機構能從高級分析中獲得有用的想法。他們打造技術平臺，以發布最新數據以及這些數據何時何地會被用到的洞察。很多公司還基于“測試與學習”（test and learn）方法營造持續創新的文化理念。

那么你的公司如何才能從大數據中獲益呢？第一步就是，學習如何大浪淘金。對大數據的持續炒作有賴三個誤區：一、大數據技術會自行識別出商機；二、就是掌握的數據越多，自動創造出的價值也越多；三、數據科學家可以幫助任何公司從大數據中盈利，無論該公司的組織架構如何。

以下內容是我們認為與上述三個誤區分別有關的危險。

誤區一：大數據技術會自行識別商機。

危險：盡管投入了大量的資金和時間，但這種投資所產生的回報非常有限。失敗的技術布局往往是以假想這種新工具會自行產生價值開始。成功利用大數據能量的企業往往都是在重金投入大數據技術前，先將高級分析應用于少量高價值商業問題的解決。在這個過程中，他們學會了如何有組織地實施解決方案，也獲得了對于運營挑戰的新認識，并漸漸了解其數據和技術的局限性。根據對于他們實際需求的理解，他們可以確定大數據技術解決方案的具體要求。（圖1）

例如，一家大型保險公司最近將其數據分析項目聚焦騙保問題。這家公司的騙保率激增，且由此產生了高額的調查成本。這個項目旨在以最低的成本減少騙保行為。為此，這家公司開發了一種可以算出騙保傾向分數的文本挖掘算法。這種算法幫助這家公司實現了騙保分數準確性的增加。結果就是，需要調查的騙保案變少，節省了3000萬美元的成本。在證明了高級分析的價值后，這家公司現在加大了對高級分析的技術和能力投資。

誤區二：掌握的數據越多，自動產生的價值也越多。

危險：對于未經證實的數據來源過度投資，忽略了那些有價值的、接近真相的數據來源。

隨著社交媒體和移動設備的爆炸性增長，獲取和利用新數據的誘惑在不斷強化。很多大型機構已經被淹沒在數據的海洋中了，其中多數數據存儲在筒倉內，不能輕易接觸并連接。我們發現，成功的大數據之路往往始于充分開發該機構的現有數據。

從分析的角度而言，通常處理歷史數據要比處理全新數據更容易。美國一家大型通信公司就采用了這種方法。這家公司面臨的競爭日趨激烈，因此希望創建一個項目，能系統地增加現有客戶群的價值。為了實現這個目標，該公司從既有的15個營銷、服務和運營數據庫中提取了200多個數據，為所有客戶描繪出“高清晰”畫像。這家公司利用這些畫像開發出有針對性的新員工培訓、交叉銷售和客戶管理項目。

誤區三：好的數據科學家會為你發現價值。

危險：現有組織還沒有做好實現數據價值的準備。為了從大數據中持續獲利，你需要打造出一個持續利用大數據和高級分析力量的運營模式?；跀祿头治鰣F隊的思考，成功的數據驅動業務可以讓其組織、流程、體制和能力協調化，以做出更好的業務決策。（圖2）

一家通信服務供應商創建了一種涵蓋數據和分析團隊、技術部門和一線職能部門（銷售、市場、客戶運營和產品開發）的合作模式。在這個模式中，商業智能團隊（數據科學家、統計學、數據挖掘工程師）與各業務部門緊密配合，通過對海量的內部數據進行分析來解決具體問題。

結論

大數據革命已經擾亂了很多行業。某些數據驅動公司已經從這場革命中獲取到重要價值，但很多傳統公司正在迎頭趕上。但光靠技術是無法彌補這一鴻溝的。

那些能夠實現客戶數據分析承諾的公司通常遵循以下三個規則：

• 在投資大數據技術解決方案前，證明你所在的機構可以將高級分析應用于解決一些高價值的業務問題。

  
  

• 在向新數據來源擴張前，先利用現有數據創造價值。然后再利用測試-學習的方法，向你的歷史數據注入前瞻性數據

  
  

• 將運營模式賦能企業，特別是業務前線，使其快速行動，并對企業高級分析團隊的洞見報有信心。

在大數據時代，那些遵守這些規則的企業將更有可能獲得成功。