不仅仅是技术,大数据更需要往前一步的勇气!

虽然自己从事数据工作15年之久,但近几年大数据的工作对于自己的心态影响还是蛮大的,即使听取的东西只有5%是新的,还是能集中精力,把这5%大家讲的、PPT里面说得好的东西抠出来,然后发给团队学习。

时隔几年又一次参加集团组织的大数据模型应用研讨会,碰到了些许老友,见到了更多新面孔,学到了不少新东西,收获不少,感慨也很多。

不仅仅是技术,大数据更需要往前一步的勇气!

虽然自己从事数据工作15年之久,但近几年大数据的工作对于自己的心态影响还是蛮大的,即使听取的东西只有5%是新的,还是能集中精力,把这5%大家讲的、PPT里面说得好的东西抠出来,然后发给团队学习。

大数据特别需要开放、互动和分享。

会议的安排非常密集,连续2天几十个报告的分享,时间竟然过得很快。

然后集团领导让我谈谈做大数据的感想,自己没什么准备,就乘着会议间隙写了6点,也叫六步吧,寓意是每迈进一步,也许就有会新的天地,当然这六步与其说是建议,还不如说是自己关于失败的反思。

如果你正在一个企业从事大数据相关工作,正在纠结如何让大数据发挥出更大价值,也许可以看看,你缺的可能也不是技术,而是改变的勇气。

第一步:从赋能管理到赋能一线

其实在讨论BI和大数据区别的时候,就或多或少说谈到过这个问题,当时是这么描述的:大数据很容易在生产中形成基于个体的评估和闭环反馈网络,BI则由于偏向宏观而难以在生产中贯彻执行从而产生实际价值。

以前我们做经分的时候,比如KPI指标,实质是在赋能决策、赋能管理,更多时候是为管理人员服务,考虑到管理是个复杂事务,在现阶段,基于大数据推进决策革命为时尚早。

但企业的一线工作不一样,一般量比较大,而且规则相对固定,重复性较多,基于大数据的机器学习、人工智能更有用武之地。

因此,充分的赋能企业一线员工,为他们提供智能化的工具,更可能形成现实的生产力,做不到这个,就不要说有什么真正的大数据应用水平。

比如直接给客户经理提供一个APP,通过这个APP可以获得更精准的目标用户、更详细的客户画像、更便捷的触客手段、更快速的受理能力,更全面的评估和反馈,这些都能有效提升一线人员的工作效率。

有位分享的同事就说,下基层锻炼了才知道,自己开发的一些小工具对于一线的帮助是如此巨大。

第二步:努力为渠道运营赋能

你的数据模型要进行生产投放,则必须依托于渠道,渠道运营就应该天然跟大数据紧捆绑,可惜现在做大数据的,搞渠道的,往往是两个部门两个团队。

一方面大数据自己没想清楚出口问题,总是抱怨前端的流程太长,但为什么不能主动往前一步?

另一方面渠道管理者也要想清楚如何提高运营水平,原来渠道重在控制,现在则要强调赋能,要考虑如何利用大数据手段让渠道变得更为智能,模型、话术、时机、场景、排班、体验等等,每一个都有巨大的提升空间。

对于在何时何地何总场景下投放何种客户群,渠道运营人员需要依托大数据获得足够的决策信息,每次投放后能够获得精准的评估,从而优化下一次的投放,这方面互联网RTB等广告已经积累了足够的经验,我们需要向他们学习。

虽然大数据在赋能传统企业大量的、低效的渠道方面有用武之地,但也会面临组织、机制、流程等一系列的挑战,任重而道远。

第三步:加强与CRM的协作

大数据首先得依附于CRM才能发挥价值,比如精准推荐,甚至CRM推荐功能体验的重要性超过大数据本身,模型再好,也架不住冗长的发布流程,比如每次推荐都要外部手工导入一个目标客户群,模型再准,也架不住无法一键受理,比如没法预判互斥关系。

这些都需要CRM系统的协同,可惜的是,在很多企业,CRM和大数据是两张皮,一个强调受理,稳定第一,一个强调精准,速度为王,做这两张皮的往往是一个IT部门的两个团队,它们的节奏和流程可能不同。

阿里巴巴起步的时候可不是什么DT公司,想得是如何让客户快速的找到所需的商品,如何让用户方便的下单和支付。

至于大数据推荐,是在这个基础上的自然演化,前者是基础,后者是增值服务,两者我中有你,你中有我,最后后者赚到了钱。

其实营销推荐本来就是CRM中的核心功能,但传统上企业的CRM还是受理为核心,现在大数据来了,两者的有效融合考验着双方的智慧。

OLTP,OLTP在BI时代更多是数据层面的互通,而在大数据时代,则需要在运营层面深入互动,大家都需要往前一步。

第四步:重视基础模型的研究

在研讨会上,我们演示了交通路网拟合的一个视频,大家觉得挺惊讶的,换成2年前我看这个视频,也跟大家一样惊讶,因为路网拟合对于位置数据的要求太高了,而基于现有的位置数据精度,很难做出来。

拥有大数据的企业,其拥有的每类数据的内外价值是不一样的,比如阿里肯定把交易数据作为最核心的数据,然后各种建模和加工,用在各种对外场景上。

什么是运营商最核心的数据呢?

当然是各种位置数据,其应用的想象空间几乎是无限的,只有加强这些基础数据的研究,利用各种算法来持续提升质量,才能发挥出位置数据的潜力。

现在几乎每个核心大数据标签和应用,都有位置数据的身影,其每提升一点点,都对大数据价值产生影响,就好比深度学习算法一样,其一旦获得了突破,人工智能就迎来了春天。

当然运营商除了位置模型,还有上网、社交等等,我们需要一个个来,但基础模型研究绝对是“吃人”的大户,我们似乎都还没有准备好!

第五步:坚持核心模型的运营

以前在做经分的时候,业务部门的报表满天飞,但公司的业务就这么多,哪来这么多报表?

后来分析得出结论:即使是同一个业务,不同的人也可以从不同的角度提出报表需求,考虑到维度的丰富性,决定了报表的数量理论上可以做到无限多。

但这么多报表,且不说耗费了多少开发资源,关键还增加了很多管理成本,数据不一致情况层出不穷。

这本质上是个治理问题,当初自己就提出过企业针对报表要建立一套建设和管理原则,比如针对同一个业务,要明确归口管理人员,一个业务只允许存在一张报表,你可以在原来的报表基础上改,但不能随便增加,只有这样,报表才能实现传承,一致性及可用性才能获得持久保障。

模型也面临同样的问题,诸如用户新增、提升、异动、离网等是企业永恒的主题,我们需要建立一套关键的核心模型,这些核心模型的数量并不是很多。

但这些模型也不一定做的好,比如离网模型,往往做了丢,丢了做,又比如家庭模型,覆盖率一直是个问题,但今年跟去年比,又有几个长进?

为什么会这样?

其实模型做到最后全是挑战,比如准确率不行、覆盖率不够、推广力度不行、迭代速度不行、规模效应不足、人力资源困境等等,怎么办?

模型更需要的,其实是运营的保障,就好比运维是业务系统的基石一样,要有人能以工匠精神持续的去守护,但我们经常身不由主的去追求热点和亮点,放弃了基本的坚持,一段时间后,好不容易建立起来的模型变得毫无价值。

总是要坚守变化中不变的东西,这才是大数据的基本面,否则,在企业中又有多少生存空间?

第六步:在运营中勇于创新

前面提了很多建议,但那些只是方向,实际在运营中碰到的问题往往没有什么标准的解决方法,你总是要不停的思考,结合当前的情景随机应变,没有什么可以成功复制的道路。

这里举两个例子:

比如你基于随机森林做了个家宽潜在客户的模型,然后直接给业务人员一个目标客户的清单,希望他能基于清单进行营销投放,但很多时候,业务人员并不敢用,因为不知道这个清单的来龙去脉。

你会觉得业务人员不懂,说大数据强调相关关系,不要太纠结于因果,但别人没有义务来理解这一点,对于他来讲,不确定的东西就是风险,这是大数据探索需要付出的代价。

其实有很多说服的方法,比如既然业务人员要了解清单的来龙去脉,那你可以退而求其次,告诉业务人员清单依赖的数据要素有哪些,包括是单身还是家庭,住在哪个社区,这个社区宽带资源有没有覆盖等等。

业务人员可以基于这些熟悉的要素组装出自己的目标客户群,如果真的有效,你再说明自己的模型清单是基于这些要素得出的一个综合结果,获取信任是个非常重要的东西。

再比如你希望跟传统的渠道去协同,但流程上困难重重,怎么办?

既然存量包袱太重,短期内很难改变,干脆想办法自己去做一个渠道,只要目标是为了解决一线人员的问题,只要能解决传统渠道中的一些痛点和难点,没有什么不可以。

现在中台提的很多,中台最大的价值不就是为前端快速开发赋能吗?中台给每个愿意创新的人提供了机会,对于大数据也是个红利。

前面提到,有位省公司的同事做了一些小工具提升了一线效率,我们也做了诸如获客宝,摆摊精灵等赋能一线的数据产品,这些数据产品都依赖业务中台提供的能力,否则,光是一个受理功能就扼杀了这些产品的前途。

当然每个企业都有自己的特点,互联网可能根本就不存在这种现象,但扎根于自己的企业,主动往前一步,探索出一条可行之路,是每个大数据从业者都应该思考的问题。

希望我的分享于你有益。

本站特约专栏文章,作者:傅一平,本文链接:https://www.afenxi.com/64138.html 。内容观点不代表本站立场,如若转载请联系专栏作者。

发表评论

登录后才能评论

联系我们

如有建议:>>给我留言 大数据交流群: 统  计  学 数据分析网-统计学 商业智能 数据分析网-商业智能 数据挖掘 数据分析-数据挖掘 数据产品 数据分析网-数据产品

QR code