论文部分内容阅读
“创新， 究其本质，意味着迈出一大步，做出重大变革……实际上，创新之前最佳的‘做事方式’在创新之后就不再是最佳方式了。”20世纪著名经济学家约瑟夫？熊彼德的话，反映出大数据的潜能，它可以创造性地破坏现有的商业模式。世界数据总量的90%是在过去两年产生的，预计全球商业数据量每1.2年就翻1倍，2020年产生的数据量将是2009年的44倍。
毫无疑问，大数据现在是公司董事会和IT部门专注的议题，许多领先公司已经不仅是纸上谈兵了。最近进行的一项IT创新研究显示， 45%以上的公司在过去两年中已采取了商业智能或者大数据相关的举措；90%以上的全球500强企业在一年之内会开展至少一个大数据项目。企业明白，如果能有效地利用这股浪潮，便可以大幅增加收入和利润。建设这方面的能力不仅有助于改善传统行业和部门的绩效，还可以创造机会提供更多的产品和服务。
然而，只有那些了解大数据将如何变革组织、能力和行业，并对此有一个明确愿景的公司，才得到最大的回报。问题是，几乎没有公司能够完全了解大数据的概念以及它对未来的意义。采取大数据相关举措的公司也尚在探索阶段——目的只是为了试水而不是培养关键能力。公司固然不应该错过大数据带来的机会，但最难的地方在于，究竟从哪里着手？
“数据资产”的竞争优势
了解大数据能促进产生哪方面的竞争优势，对实现其价值至关重要。对许多公司来说，不论是从各种信息源搜集整理数据还是线下搜集信息，一旦掌握了某些有价值的数据以后，公司可以通过新的方式提高收入并改良产品。实际上，从大数据中得出的洞察成果已经使客户关系、产品创新和运营这三个领域出现了盈利和可持续性的增长。
对电商而言，大数据有助于提供实时的定制化服务。亚马逊将产品陈列在“购买此产品的顾客还买过”的栏目中，它以这种方式利用大数据已有好几年历史。而在线下广告领域，当今的技术已经超越了模式匹配：Bluefin Labs 利用先进的技术分析视频和音频，来了解哪些客户群偏爱哪种类型的电视节目中的哪种广告，从而实现广告精确投放。
并不是所有的大数据都是新数据。过去几年中产生的大量信息都没有得到利用——至少没有得到有效利用。举一个例子，ZestCash为低收入借贷者提供贷款，当其开始用手机录音的方式来监测信贷风险时，公司的利润提高了20%。
大数据催生了众包以及其他社会产品创新技术，现在可以将数以亿计的非结构化数据，转化成能够引起消费者共鸣的有关产品和服务的见解。这项工作的核心就是利用复杂的计算机语言来分析公司产品组合和消费者的即时情绪。分析的结果可以指导产品营销和产品创新战略的制定。
结果是，数据以及相关的分析方法也逐渐成为了一种独立的产品。由此产生了一些技术和分析公司，它们从数据中提取出丰富的洞察，比如整理和分析零售商与其供应商之间的交易数据。零售商们可以通过这些数据及其分析方法，改善运营，为顾客提供附加服务，甚至可以代替目前提供附加服务的第三方组织，从而产生全新的收入来源。
甚至，大数据为试验带来的潜在发展空间——为了解决一个商业问题或者假设，利用大量数据集进行建模、整合、分析，并且确定方法的可行性，然后优化流程并重新试验。Facebook每天进行上万次的试验， 即让一组用户看到与其他用户所见不同的特征。亚马逊为不同顾客提供不同的内容以及动态定价，并且做适度的调整。
只有明白数据是一种可以利用的资产的公司才能把握住这样的机会。让客户的信息滞留在存储区而不加以利用就是在浪费机会。所有数据的价值与其说在于所获得的信息，不如说是在于如何从客户的角度看待这些信息。这意味着不仅要考虑信息对利润的影响，还要考虑顾客偏好的改变如何影响市场形势。换言之，大数据将客户置于公司战略的中心位置。
预测，而不是简单分析
尽管大数据处理大量多样化的数据集，并揭示复杂的关系，但其中的关键还在于由人来解读数据和关系并且将其转化成洞察见解。
随着公司不断发展，其数据分析能力也必须要从基础性分析、推测性分析提高到更加成熟的预测性分析。其中，基础性分析的方法是回顾业务历史：做什么业务，在哪里做业务，做了多少业务；推测性分析方法能够发现独特的驱动因素、根本原因以及商业元素的敏感性；而预测性分析方法进行业务建模与模拟，以进行预测。
目前，分散式服务、嵌入式共享服务以及独立式的共享服务模型这三种运营模型，是可以将关注点从数据-信息水平提高到商业洞察和预测水平的有效工具。然而，每一种模型都有其利弊。
在分散式的服务模型中，每个业务单元或职能部门都有自己的数据分析团队，从而能够快速地做出决策并且执行。但通常情况下，这一模型缺少专门的人员进行战略性规划或者分享最佳实践，这可能产生重复的资源和设施投入。这种模式提高了专注度，但是缺少全局观，容易错失机会。
嵌入式的共享服务模型是一种集中化的模型，在某个现有的职能部门或者业务单元基础上设置一个数据分析组织，并且服务于整个公司。这种模型可以加速执行与决策的速度，其架构、支持流程以及标准可以提高效率并丰富IT专业技术。但这一模型中，分析组织的角色更像一名消费者而非提供服务的合作伙伴。
独立式共享服务模型与嵌入式共享服务模型类似，但是分析团队却独立于公司组织的实体或者职能部门。它直接汇报给高管层，并且将数据分析提升成一种核心的能力，而不是支持性的能力。
发挥大数据潜能
尽管在大多数公司中，已经设有开发大数据必不可少的职位，但仍需要更严格地定义这些职位的权职范围、对管理层的可见性以及相应的技术要求。数据科学家是炙手可热的，因为他们善于分析大型的数据集以识别趋势，并通过建立预测模型，发现改善业务的机会。他们还掌握处理和分析大型数据集所需要的编程技术。他们善于沟通，具有把商业问题转变成有意义分析的天赋。
要想发挥大数据的潜能，面临的挑战之一是在合理的成本范围内改变IT系统架构。这需要将旧系统与新系统结合。在所有可行的选择中，要想做出正确的技术投资（最大化分析回报），就得完全理解什么样的大数据架构能够达成公司数据分析的目标。分析回报会随着数据复杂性的改变而提高——从结构化数据到非结构化数据，从“清晰”的内部数据到“混乱”的外部数据，从单向数据流到与顾客和合作方共享的双向数据。实现数据分析和大数据的架构必须能够有效地处理所有类型的数据。
大数据不可能作为一种独立技术长期存在。由于它融入了更广阔的分析生态系统中，大数据和传统数据的界限在慢慢消失——大数据渐渐成为全方位高级分析战略的一部分。
21世纪的大数据是否等同于工业革命？我们觉得是。越来越多的公司为了获取短期和长期的利益，都在不断尝试并且实施各种方法挖掘大数据的潜能。成功的关键因素是首先要把数据看作是资产——作为建立价值主张和商业模式的基础；其次，努力培养利用大数据潜能的各种能力，或许最重要的是要用创新的方式打破现有的商业模式。
Christian Hagen系科尔尼合伙人、Khalid Khan系科尔尼副总裁，常驻芝加哥办公室；Marco Ciobo系科尔尼董事，常驻墨尔本办公室
毫无疑问，大数据现在是公司董事会和IT部门专注的议题，许多领先公司已经不仅是纸上谈兵了。最近进行的一项IT创新研究显示， 45%以上的公司在过去两年中已采取了商业智能或者大数据相关的举措；90%以上的全球500强企业在一年之内会开展至少一个大数据项目。企业明白，如果能有效地利用这股浪潮，便可以大幅增加收入和利润。建设这方面的能力不仅有助于改善传统行业和部门的绩效，还可以创造机会提供更多的产品和服务。
然而，只有那些了解大数据将如何变革组织、能力和行业，并对此有一个明确愿景的公司，才得到最大的回报。问题是，几乎没有公司能够完全了解大数据的概念以及它对未来的意义。采取大数据相关举措的公司也尚在探索阶段——目的只是为了试水而不是培养关键能力。公司固然不应该错过大数据带来的机会，但最难的地方在于，究竟从哪里着手？
“数据资产”的竞争优势
了解大数据能促进产生哪方面的竞争优势，对实现其价值至关重要。对许多公司来说，不论是从各种信息源搜集整理数据还是线下搜集信息，一旦掌握了某些有价值的数据以后，公司可以通过新的方式提高收入并改良产品。实际上，从大数据中得出的洞察成果已经使客户关系、产品创新和运营这三个领域出现了盈利和可持续性的增长。
对电商而言，大数据有助于提供实时的定制化服务。亚马逊将产品陈列在“购买此产品的顾客还买过”的栏目中，它以这种方式利用大数据已有好几年历史。而在线下广告领域，当今的技术已经超越了模式匹配：Bluefin Labs 利用先进的技术分析视频和音频，来了解哪些客户群偏爱哪种类型的电视节目中的哪种广告，从而实现广告精确投放。
并不是所有的大数据都是新数据。过去几年中产生的大量信息都没有得到利用——至少没有得到有效利用。举一个例子，ZestCash为低收入借贷者提供贷款，当其开始用手机录音的方式来监测信贷风险时，公司的利润提高了20%。
大数据催生了众包以及其他社会产品创新技术，现在可以将数以亿计的非结构化数据，转化成能够引起消费者共鸣的有关产品和服务的见解。这项工作的核心就是利用复杂的计算机语言来分析公司产品组合和消费者的即时情绪。分析的结果可以指导产品营销和产品创新战略的制定。
结果是，数据以及相关的分析方法也逐渐成为了一种独立的产品。由此产生了一些技术和分析公司，它们从数据中提取出丰富的洞察，比如整理和分析零售商与其供应商之间的交易数据。零售商们可以通过这些数据及其分析方法，改善运营，为顾客提供附加服务，甚至可以代替目前提供附加服务的第三方组织，从而产生全新的收入来源。
甚至，大数据为试验带来的潜在发展空间——为了解决一个商业问题或者假设，利用大量数据集进行建模、整合、分析，并且确定方法的可行性，然后优化流程并重新试验。Facebook每天进行上万次的试验， 即让一组用户看到与其他用户所见不同的特征。亚马逊为不同顾客提供不同的内容以及动态定价，并且做适度的调整。
只有明白数据是一种可以利用的资产的公司才能把握住这样的机会。让客户的信息滞留在存储区而不加以利用就是在浪费机会。所有数据的价值与其说在于所获得的信息，不如说是在于如何从客户的角度看待这些信息。这意味着不仅要考虑信息对利润的影响，还要考虑顾客偏好的改变如何影响市场形势。换言之，大数据将客户置于公司战略的中心位置。
预测，而不是简单分析
尽管大数据处理大量多样化的数据集，并揭示复杂的关系，但其中的关键还在于由人来解读数据和关系并且将其转化成洞察见解。
随着公司不断发展，其数据分析能力也必须要从基础性分析、推测性分析提高到更加成熟的预测性分析。其中，基础性分析的方法是回顾业务历史：做什么业务，在哪里做业务，做了多少业务；推测性分析方法能够发现独特的驱动因素、根本原因以及商业元素的敏感性；而预测性分析方法进行业务建模与模拟，以进行预测。
目前，分散式服务、嵌入式共享服务以及独立式的共享服务模型这三种运营模型，是可以将关注点从数据-信息水平提高到商业洞察和预测水平的有效工具。然而，每一种模型都有其利弊。
在分散式的服务模型中，每个业务单元或职能部门都有自己的数据分析团队，从而能够快速地做出决策并且执行。但通常情况下，这一模型缺少专门的人员进行战略性规划或者分享最佳实践，这可能产生重复的资源和设施投入。这种模式提高了专注度，但是缺少全局观，容易错失机会。
嵌入式的共享服务模型是一种集中化的模型，在某个现有的职能部门或者业务单元基础上设置一个数据分析组织，并且服务于整个公司。这种模型可以加速执行与决策的速度，其架构、支持流程以及标准可以提高效率并丰富IT专业技术。但这一模型中，分析组织的角色更像一名消费者而非提供服务的合作伙伴。
独立式共享服务模型与嵌入式共享服务模型类似，但是分析团队却独立于公司组织的实体或者职能部门。它直接汇报给高管层，并且将数据分析提升成一种核心的能力，而不是支持性的能力。
发挥大数据潜能
尽管在大多数公司中，已经设有开发大数据必不可少的职位，但仍需要更严格地定义这些职位的权职范围、对管理层的可见性以及相应的技术要求。数据科学家是炙手可热的，因为他们善于分析大型的数据集以识别趋势，并通过建立预测模型，发现改善业务的机会。他们还掌握处理和分析大型数据集所需要的编程技术。他们善于沟通，具有把商业问题转变成有意义分析的天赋。
要想发挥大数据的潜能，面临的挑战之一是在合理的成本范围内改变IT系统架构。这需要将旧系统与新系统结合。在所有可行的选择中，要想做出正确的技术投资（最大化分析回报），就得完全理解什么样的大数据架构能够达成公司数据分析的目标。分析回报会随着数据复杂性的改变而提高——从结构化数据到非结构化数据，从“清晰”的内部数据到“混乱”的外部数据，从单向数据流到与顾客和合作方共享的双向数据。实现数据分析和大数据的架构必须能够有效地处理所有类型的数据。
大数据不可能作为一种独立技术长期存在。由于它融入了更广阔的分析生态系统中，大数据和传统数据的界限在慢慢消失——大数据渐渐成为全方位高级分析战略的一部分。
21世纪的大数据是否等同于工业革命？我们觉得是。越来越多的公司为了获取短期和长期的利益，都在不断尝试并且实施各种方法挖掘大数据的潜能。成功的关键因素是首先要把数据看作是资产——作为建立价值主张和商业模式的基础；其次，努力培养利用大数据潜能的各种能力，或许最重要的是要用创新的方式打破现有的商业模式。
Christian Hagen系科尔尼合伙人、Khalid Khan系科尔尼副总裁，常驻芝加哥办公室；Marco Ciobo系科尔尼董事，常驻墨尔本办公室