酷应用

让老板像个真正的老板一样管理！拒绝要数症

运营作者：牛透社 2016-09-01 05:58:08

编者按：2015年还处在Gartner领导者象限里的Oracle已经完全消失，连利基象限都没有保住？原本的IT巨头没有跟上时代趋势正在走向衰败，通过分享者解读2016年Gartner报告你可以窥见一二。回到用户，原来年底月未一要数据，“IT部门忙死，业务部门急死”，好不容易出个数，还是个静态数据，怎么解?如何让老板能够像个真正的老板一样决策千里？

一、数据化运营，打造智慧企业的唯一选择

没有数据化运营的企业，是这样的：不明现状、不明原因、不可预测。 不明现状：无法获知业务状况、发展规律、用户画像等，在一片漆黑中凭感觉前行。 不明原因：利润下滑、增长停滞、用户流失，不能探究真实原因，面对问题无法有效解决，且未来再发生时依然如此。 不可预测：销量、收入、用户行为，没有准确的预测，依靠经验来进行备货、促销、人员扩张。粗放经营，损耗太大。因此，业界有句耳熟能详的话： “If you can’t measure it, you can’t improve it.”

——Lord Kelvin

大数据时代，数据化运营是企业长远发展的必然选择，也是大势所趋。那么，企业在运营数据的过程中都会产生哪些问题呢？这是下面我们要讨论的话题。

二、企业运营数据过程中的痛点问题

1、IT资源瓶颈化严重 我们通过调研发现，企业客户的IT资源瓶颈化严重。到今天为止，当企业的业务用户需要通过大数据分析来提升业务的时候，总是需要转告IT部门的同事，让他们准备好OLAP，这总是需要漫长的等待，还无法应对变化。常常出现的现象是：业务部门提出的数据分析需求响应滞后，而IT中心的数据分析报告需求堆积如山。IT资源完全不能满足业务需求的提出速度，需求实现周期以周和月为单位。用一句话形容就是：IT部门忙得要死，业务部门急得要死。 2、只能呈现报告静态化 通过我们的调研发现，传统数据分析不能很好地处理大数据。来自Forrester的一份调研报告显示：100家部署传统数据分析平台的企业，其中80%的用户拒绝使用，只有20%在使用。 80%企业用户不愿意使用的原因有两个：第一个问题是数据分析的环节多、周期长；第二个问题是分析结果只能是静态报告。静态报告呈现系统分析流程的结束。当用户在数据中发现问题，想要切换角度进一步查明原因，则需要等待制作新的数据报告，而不能直接在原报告中做交互式分析。 3、工具碎片化严重 我们调研之后发现，传统数据分析平台的产品碎片化严重。企业客户做静态报告用的是一种产品，做探索式分析用的是另外一种产品。做大数据分析的产品就更多了，包括Hadoop、Spark等，深度分析用R或Weka，这一系列的数据分析产品种类就超过了10种。在这种复杂的环境下，导致IT部门的采购成本、实施成本、集成成本、维护成本和使用门槛都很高，业务用户使用体验也不一致，更为严重的是，企业客户经常要纠结于不同产品间的数据对接，很难顺畅地完成一次真正的大数据分析。 4、缺乏高质量的本土厂商 大家知道，一个行业如果没有高质量的本土厂商，往往都被外资厂商垄断，后果就是：价格高昂你也得买，用起来还很痛苦，产品水土不服，服务还跟不上。我们已经看到了为数不多的本土厂商在特定行业里潜心耕耘，取得了优势并彻底改变了行业，例如电信行业的华为。但在大数据分析行业，高质量的本土厂商屈指可数，永洪认为这是我们的社会责任，一定要做好。 总结：投入很大，期望很高，但大数据的价值产出和预期并不匹配。

三、解读Gartner最新《BI与分析领域的魔力象限》报告

我们来了解一下国际上BI和数据分析领域的发展趋势，看看这个领域正在发生哪些变局？首先，我们来解读一下2016年Gartner最新的《BI与分析领域的魔力象限》报告。这份报告很长，提炼其中的核心观点有： 1、传统BI与分析厂商几乎全部从领导者象限被驱除，包括 IBM、SAP、SAS、Microstrategy 等传统BI巨头无一幸免。 2、2015年还处于领导者象限的Oracle已经完全消失，连利基象限都没能保住。 3、Birst、Logi Analytics等处于挑战者象限的BI厂商也被驱除到其他象限。在Gartner分析师眼中，没有一家厂商具备挑战者资格。您一定感到惊讶，这些原本的IT巨头到底怎么了？ Gartner给出解释，他们没有跟上时代发展的趋势！那么，现在的趋势是什么样呢？

四、近5年的全球BI与数据分析市场的趋势

1、探索式分析已经成为BI选型的唯一选择。 2、去中心化的探索式分析逐渐被放弃，良好的企业管控之下的探索式分析将成为主流。 3、云计算改变着企业 IT 建设，但处于 Gartner 魔力象限报告领导者象限的 BI 厂商，收入无一例外不是 On-Premise 为主，SaaS 为辅。 4、伴随着大数据、深度分析、自然语言查询、搜索、流计算等技术的不断进步，商业智能与分析行业仍然处于巨大的技术变革中。 5、商业智能与分析是一个充分竞争的全球化市场，这对创业者的要求越来越高。 6、分析应用市场将涌现巨大的创业机会。

五、智慧运营企业，先把你的数据用起来！

上面说了这么企业数据化运营的问题，也说了这么多国内外的发展趋势，那么，我们有什么应对方法呢？我们说，想做好数据运营，先把你的数据用起来！下面我们从思维上、方法上和行动上分别阐述。 1、思维上：探索式分析是未来企业数据化运营的唯一选择 Gartner2015 BI（商业智能）魔力象限报告：敏捷BI、探索式分析已成大势所趋业务驱动——BI市场正进行着基础性的变革。过去，大多由IT部门主导BI项目的投资，这些项目高度可控、中心化、IT驱动。IT部门负责编制出生产报告，再推送给消费者和分析人员。现在，大量的商业用户迫切要求进行探索式分析，希望通过深度分析获取数据洞察力，而他们只有非常有限的IT或数据科学技能。自2014年起，信息中心的BI平台正越来越多地被商业用户驱动和交互式分析项目替换。在国内，越来越多的企业希望借力业务主导型、高性能、并同时具备大数据分析能力的敏捷BI平台。 Gartner2016 BI（商业智能）魔力象限报告：传统的、报表型BI厂商已从领导者象限出局，探索式分析将融入一站式大数据分析平台。 2、方法上：数据化运营的两个五步曲 第一个五部曲——由上至下梳理数据分析体系：明确目标、分解指标、细化字段、非功能要求、系统实施。（1）确定目标这是第一个应该问自己的问题。花大力气做数据分析，最终为了什么呢？如果这都没想清楚，那数据体系肯定无从下手。是想提高用户活跃度、增加用户、增加销量，还是别的什么目标？这么一想，对于大部分领导而言，好像都想要...... 都想要没有问题，但是会让工作的边界无限蔓延，导致事情无法推进。所以，应该从最关心的那个目标/KPI入手。什么问题是最关心的目标呢？对于不同领域、不同阶段的公司和不同角色的用户而言，这个问题都是不一样的。对于很多公司老板来说，利润就是最关心的目标。对于非售卖产品/服务的公司或政府而言，也许客户满意度是最关心的目标。对于交易平台类公司或早期电商公司而言，利润不是重点，交易量是最关心的目标。老板最关心的是利润，其他人不一定和老板一样。销售总监最关心的是收入，市场总监最关心的也许是流量。最关心的目标搞定了，下面是不是可以解决都想要的问题了呢？并不是！大数据带来的最大一个误区就是数据量和字段数越多越好，但在真正解决具体业务问题时，一定是从大数据的全集中切出相关的一个子集来使用的。对于单人而言，无论是老板还是执行层，同时关注的目标/KPI都不宜过多。同时看几十个KPI，想象一下也知道会很晕，且耗费时间，但是对企业而言确实有很多KPI都是非常重要的，怎么办？可以分解到多人，即不同角色一起协作，每个角色关注自己的目标，所有角色合在一起是公司所有目标/KPI的全集。假设老板关注利润，利润=收入-成本，就应该由销售总监来关注收入，运营总监来关注成本。当然，并不是说老板不能看收入，而是把常规性的关注目标锁定在一个可行的范围之内。（2）分解指标目标确定了，下一步是分解出相关的指标。针对目标，需要哪些指标来监控或分析，能达成目标呢？比如利润，相关指标就是收入和成本，当然这太粗了，收入有哪几类，成本有哪几类，都应该考虑进去。比如对于零售行业的销售额，可以分解为客流量、进店率、购买率、客单价和复购率。所以，分解的方式有很多种，需要遵循MECE原则（完全穷举，相互独立）。（3）细化字段针对指标的计算公式，涉及到哪些字段？分别在哪些库的哪些表里？是否需要数据清洗？清洗规则是什么？比如购买率，是通过公式“购买人数/进店人数”算出来的，购买人数又是对“客户id”进行计数计算得出来的，这些指标涉及到的字段对应到数据库里哪张表的哪个字段，需要梳理清楚。这部分就需要IT人员或数据库管理员的介入和配合了。（4）非功能需求上述第3步完成，其实已经算是梳理完了指标体系，可以落地了，但为了让最终形成的数据系统完备、友好、可用，还需要一些非功能需求的梳理。 UI：偏好什么样的展示风格，这点看着无关紧要，实际上数据系统用户每天都会打交道，美观、体验好的系统会让用户更加喜欢。 页面流：哪些相关指标摆放到同一个报告页面上，页面之间的层次关系如何，用户可以在页面之间如何跳转。 权限：谁能看哪些数据范围，谁能看哪些字段和指标，需要有统一的权限控制，避免出现数据安全问题。 ETL：数据从数据源同步到分析系统的频率如何，规则如何。 集成：是否需要在界面、预警消息等层面和其它系统集成。 性能：看不见摸不着，但是直接决定系统可用性。如果数据量大时需要几分钟甚至几十分钟才能看到结果，相信这个系统就不会有人用了。（5）系统实施上述4项完成，形成《数据运营系统需求文档/实施方案》，即可落地到数据运营系统里。根据报告页面数量、数据准备复杂度等确定工作量和时间计划。 第二个5步曲——由下至上实施落地到BI系统：连接数据、数据处理、数据建模、制作数据报告、非功能需求实现。（1）连接数据根据需求文档/实施方案，一步步进行系统搭建工作。这个系统有的企业称之为大数据平台，有的企业称之为BI系统。大数据平台的范畴会更广一些，但对企业数据化运营而言，BI一定是核心构成。那么无论是开发还是基于第三方工具快速实施，系统搭建的第一步是连接各个数据源，打通和各个数据源之间的通路。在企业里，数据环境往往是异构的，数据源可能包括数据库、Hadoop系列平台、Excel文件、日志文件、NoSQL数据库、第三方接口等，需要对每种数据源都有快速友好的对接方式。最终，我们在系统里能看到所需要的各个数据源中各个表里的各个字段。（2）数据处理数据源里的数据往往是有或多或少的不规范性存在的，比如有重复记录，比如有遗漏的空值，比如有明显不合理的异常值（比如有2020年的成交订单），还可能有同一个事物在系统中存在多个名称的情况。这些数据如果不做一些处理，或称之为清洗的工作，是会对分析的准确性产生很大影响的，所以需要做些预处理。这个过程往往是最耗时、最枯燥的，但也是十分重要的。（3）数据建模数据处理好了，下一步就该做数据建模了。一提建模，非技术背景的用户就生畏，觉得高深不可理解。其实建出的模是个什么东西呢？简单来讲，把多张表关联到一起，就是一个数据模型。比如公司要做绩效分析，需要员工的工龄、学历、项目数、项目金额、项目利润率等指标，其中工龄、学历在个人信息表里，项目数、项目金额在项目表里，项目利润率在财务表里。这三张表有个共同字段“员工编号”，通过这个字段把这三张表关联起来，这就是一个数据模型，一个绩效分析主题的数据模型。（4）制作数据报告基于建好的数据模型，就可以开始制作数据报告了。数据模型提供了基础数据和字段，按照需求将它们以公式进行组合，用合适的图表类型进行展示，将相关指标摆放到同一个报告页面上，配置好页面之间的层次关系和跳转关系。（5）非功能需求实现经过第4步，系统已基本成型，剩下的就是实现上述的各个非功能需求了，这样，一个完备、友好、可用的数据运营系统就上线了。上线并不是工作的终点，业务需求时刻都会变化或新增，需要能够快速迭代调整，数据处理、建模、制作数据报告等操作需要高度工具化，以保证灵活可配置。第三方工具对比自开发的优势也在这点上体现尤为明显。以上就是数据化运营的方法论。 3、行动上：循序渐进的自服务分析路径 从IT驱动到商业用户驱动，这对传统数据分析平台来说是一个巨大的挑战。那么，我们说，面对业务人员，我们需要提供自服务式的分析。下面，是我们总结出自服务分析路径： （1）与数据交互：基于做好的数据报告进行交互操作，包括筛选、联动、钻取、下钻等； （2）调整数据报告：基于做好的数据报告进行调整，给予用户有限的简单操作功能，用户可以更换维度或度量，之后进行另存，不影响原报告； （3）制作数据报告：基于数据模型，从零开始制作数据报告，给予用户完整的操作功能。

六、国内BI与数据分析市场的领航者

目前，大数据时代，国内数百家领袖企业已经在数据运营方面走在了行业的前列，提高了企业效率，提升企业竞争力。在这里，我们给大家列举其中表现比较突出的四家企业代表。 1、中国最大的互联网研究公司——艾瑞咨询 艾瑞咨询是中国最大的互联网研究公司，国内公司在纳斯达克上市的80%以上的年报数据都来自艾瑞咨询。艾瑞咨询在最初整理数据时压力很大，后期通过大数据分析平台的构建，原来需要两周的事情，现在只要两个小时，时间大大缩短了，效率得到大大提升。现在，艾瑞咨询内部已经有了一个很大的数据平台，有将近数百亿条的数据。 2、中国最大的住宅分享平台——途家网 途家网是中国分享经济的领导者，类似美国的Airbnb，是中国最大的住宅分享平台。途家网，每天都会产生很多竞争者，如何在激烈地竞争中立于不败之地？他们考虑，要构建一个全面的数据洞察平台，帮助住宅的获取，帮助市场优化，帮助获客的优化，帮助他们了解产品的特性和客户的需求。其中既用到了描述性分析，也用到了决策树等深度分析。所以，途家网做了一个全业务面的数据洞察平台，整个途家网就基于平台的优化效果，取得不错的效果。 3、中国最大的白色家电制造商——美的集团 美的集团，中国最大的白色家电制造商，2015年收入1400亿，财富500强企业。现在美的集团也采用了大数据分析技术的探索式分析平台，用50台服务器的机群搭建，目前已经可支持上万个美的用户使用。现在，美的的IT部门再也不用数据分析，而是集中精力进行数据管控和企业治理，大大提升了美的集团的数据化运营能力，使其在2015年超过格力成为中国最大的家电厂商。 4、中国三大运营商之一——中国联通 中国联通是中国三大运营商之一，2015年收入2800亿，财富500强企业。中国联通在业务转型上还是碰到了很多困难，因为他们知道在将来，他们如果再不做运营商的转型和基于数据价值去挖掘的话，很有可能收入会持续降低，利润也会持续降低。其实，中国联通使用了几乎所有的数据分析平台，但是并没有什么改观。目前，中国联通正在全集团打造自己的大数据分析平台，目标是实现“人人都是数据分析师”。为此，中国联通构建了一百台服务器的集群，把6个大部门的数据都导入了这个集群里，每天都会进行及时更新。 6个部门的业务人员都可以根据自己的需求到平台上提问，例如，每一个手机的获客是什么情况？每一个手机的用户的使用频度是什么情况？每一个手机用户的使用周期是什么情况？每一个手机用户的利润如何？等等。这些问题在以前都是IT部门来帮助回答，但是在现在，这些问题已经交给了业务部门自己去问，自己去回答。

七、小结

大数据这个词热了好几年了，然而很多企业依然在圈外围观。实际上现在的环境非常好，开源技术也很丰富，有实力的厂商和产品也越来越多，方法论和经验也逐渐成熟和完善。对企业的领导者们来讲，唯一缺的就是通过数据优化业务和管理的信心和决心了。而给领导者们信心，也是大数据企业们的义务和职责。永洪在这几年已经服务了几百家企业客户，希望能在这个过程中尽到自己微小的一份力量。正如我们的价值观所说：以卓越的数据技术为客户创造价值，实现客户成功！

八、互动问答

（1）问：永洪刚获得腾讯2亿战略投资，接下来永洪要在哪些领域发力？ 王桐：永洪接下来的发力点，一方面是继续加大研发投入，将产品打至世界一流水平。另一方面是加强本地服务，今年落地7个服务中心，客户响应更及时。（2）问：对数据的评价是不是也是属于数据分析？所谓的考评（数据计算出来属于哪个等级）是否就是分析的一部分？ 王桐：对数据的评价一般就是数据质量评价，这应该算是分析的前提，而不是分析的一部分。对人的考评即绩效，这可以是分析的一部分。比如60-80算良，80-100算优。这属于阈值性质，也算维度衍生。把度量转换成了维度，也算数据处理的一种类型。这也反映出维度和度量是可以互相转换的，一个字段可以既是维度，又是度量，像量子态一样。