您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Modeler   Code  
会员   
 
   
 
 
     
   
 订阅
  捐助
下一次技术革命,数据驱动让决策更精准、高效
 
作者:张溪梦, 来源:36大数据 中国  发布于: 2016-10-27
  1038  次浏览      50
 

数据是一种连接。它连接4个最基本的象限,时间,地点,任务,事件。我们为什么要说数据会是下一次技术革命浪潮的最重要的指针?大家来看一下,根据美国几家顶级研究机构的报告,(Gartner,IDC等等),在未来的5年,我们会有40亿人通过互联网产生各种数据,将成就一个4万亿美元的市场,将有两千五百万种软件接入,250亿台各种各样的设备接入各种数据系统,五百万亿GB的数据产生。

导读:

1.怎样更好的招人和留人?硅谷是怎么做的?

2.为什么说增长是王道?为什么要关注增长?

3.如何正确理解用户增长的“海盗法则”AARRR?

4.为什么说数据是下一次技术革命最重要的指针?

5.如何提高数据分析以及运营决策的规模和效率?

关注用户体验: 这个环节会产生大量的数据;

关注运营数据:通过运营数据的分析,找到业绩&收入的增长点;

关注变现:基于变现的要求进一步推动用户体验的迭代&更新。领英背后是一个非常大的精细化数据运营平台,这个平台在驱动着领英的发展;

领英的创始人叫里德.霍夫曼,他认为人与人之间的关系是产生社会价值最重要的原则,创始人也被称之为硅谷“人脉王”,因此在这个认知的基础上买了六度人脉的专利,成为领英发展的理念基石;

引申阅读:里德.霍夫曼的经典书,《联盟-互联网时代的人才变革》,这本书第一页就指明了“终生效忠于一家公司已经成为历史”,既然现实这么残酷,那么我们作为用人单位,怎么样更好的招人和留人呢?LinkedIn的创始人里德霍夫曼在”联盟”中推荐了2个在硅谷的科技公司中行之有效的方法:

1.三个任期制(轮转期、转变期、基础期)

不同时期公司和员工制定不同的目标,到期前考核目标完成度并考虑是否续,如果续,则制定下一个时期的目标。以道德来约束,不具备法律效力。双方的目标设定是建立在充分信任和公平的基础上,因此理论上不存在领导给个不靠谱的KPI指标,员工边做边怨,到期不达标被开除或者主动辞。

当然这种方法对领导的综合要求特别高,在制定任期的目标时,既要满足员工的述求,同时也要保证公司的目标能完成。由此看来,在目前的快节奏的互联网企业中,以前那种简单的公司KPI往下分发,或者领导脑门一拍这个功能XX天必须上线的简单粗暴模式渐渐地行之不通了!

2.公司员工联络网

既然终身制不可能,那么早晚有离开的一天。天下没有不散的筵席,但是不能人走茶凉!公司应该主动投资运营同事联络网(类似大学的同学会),书中就前员工联盟(或者说联络网)举了PayPal、宝洁公司已经LinkedIn公司的例子。

LinkedIn、特斯拉、YouTube、Yelp、Yammer的创始人都曾经在一家公司工作过,那就是PayPal, LinkedIn公司现在有超过118000个公司同事群,涵盖了98%的《财富》500强企业,而宝洁公司的员工群完全独立于宝洁公司,如今已经拥有超过25000名成员,以及一个慈善基金会和一个演讲团。而在中国大家所熟知的腾讯及阿里则是会永久保留一名员工在公司内部的工号、企业邮箱等等。

3.员工本身建立连接、形成联盟的好处:

前员工有可能回来,或者前员工会推荐优秀的员工加入公司,如此可以大幅度节约招聘成本;

现任员工遇到问题,可以快速找到靠谱的前员工进行求助;

形成口碑效应,大家都说这个公司好,那么招聘的时候就更有吸引力了!

EPSON是一家制造业公司,又或是一家互联网公司,这可能是商业模式上最早使用“互联网模式”的公司,卖打印机的时候基本上不挣钱只能保本,而挣钱的业务是墨水-利润率是90%多;在做市场活动的时候是需要做好本次活动收入的预测的,每次活动都要通过统计模型加上大量的手工数据录入进行计算,最终的结果可以得到实际业务与预测偏差不超近5%,这已经是一个很好的精细化运营典范了。

数据分析的基本原则:数据收集过程中一定会产生杂音和失真,最终的结果不能100%的反映业务的过程,所以这就需要有业务经验与业务直觉的人来做判断;数据可以不准,但需要具有可持续性,不能一会准一会不准,这样就不具有可分析性。

在移动互联网的世界里,马太效应非常明显,即20款APP占据了71%的用户使用时间;所有的其它几百万家APP和网站要去激烈竞争29%的用户时间,这就需要有新创公司需要跑的更快、更有效率、商业模式更好。在美国来说,目前其整体的用户增长已经在个位数上,“流量为王”的世界中看的是增量世界,但现在所有的竞争都是基于存量市场的竞争,那就是比拼速度和效率。

用户为王 VS 流量为王:在存量的竞争过程中,所有的商业模式都需要回归“用户为王”,以用户为核心,以产品为表现,以数据运营为指南针,在存量世界中“拧毛巾”,最终实现做的效率更高。

增长是王道!如果一家公司全员都要关注的话,那应该是什么事情呢?是增长!为什么要关注增长呢,主要有三个因素:

1.估值,只有快速的增长才能保证市场表现;

2.只有增长才能持续为更多的客户提供优质服务;

3.社会需要企业持续增长创造社会价值。

用户增长的“海盗法则”AARRR:

数据是一种连接。它连接4个最基本的象限,时间,地点,任务,事件。我们为什么要说数据会是下一次技术革命浪潮的最重要的指针?大家来看一下,根据美国几家顶级研究机构的报告,(Gartner,IDC等等),在未来的5年,我们会有40亿人通过互联网产生各种数据,将成就一个4万亿美元的市场,将有两千五百万种软件接入,250亿台各种各样的设备接入各种数据系统,五百万亿GB的数据产生。

美国数据分析框架和方法论:在美国,已经形成了非常系统的数据分析方法论。这种方法论在二战期间就开始行驶,应用到军事,科技,民生等各个方面。可以数据分析分解为几个步骤,大家仍然可以看到,这里各个环节从先到后是以价值不断提高为条件的。

第一,正确的数据采集,数据标签方法的实施,对未来的数据分析迅速产生结果有几何倍数的促进作用。这也是若干企业缺失或者非常忽略的部分。

第二,大数据的工程架构,数据仓库,分布式计算层面。现在的分布式计算系统,和以往的数据仓库的整体构架有了很大的分别,这要求我们的IT部门能够跟上节奏,实施部署新的基于开源的分布式数据技术、例如已经比较成熟的Hadoop,这个技术已经在美国应用了将近10年,渐渐在互联网公司变成了主流。

第三,响应性分析。这就是大部分企业也许做的最多的事情,就是不断地用数据回答业务方提出的各种问题,制作简单的报表,商业智能,BI等等。

第四,诊断性分析。比如说多维度的归因,积分卡的实施等等。

第五,战略型分析。竞争趋势,价格弹性,企业财务营收的判断等等。过去企业的高层战略分析一直被BCG,麦肯锡等公司霸占,但是现在为什么没有出现在金字塔的顶端呢,就是因为大数据的出现。

第六,预测性分析即对未来的业务进行基于统计模型,机器学习,以及各种大规模模拟和优化的分析。

第七,全数据自动分析和决策。

真实情况下企业数据分析的现状。我们看一看大多数的企业都是如何完成这些工作的。您们在座的各位行业领袖,特别是CTO专注技术的,是不是对这个图比较熟悉。

这不就是企业内部的数据流程图吗?如果我告诉您,这张图是美国汉密尔顿河污水处理的流程图您会怎么想?这张图是把美国一条污染的河变成清水的过程,也非常类似于现在今天数据分析的流程。

很多企业内部做数据分析的一个基本的流程正如:很多脏水流了进来,我们需要人力对它们进行各种监控,把他放到一个池子里进行沉淀。然后我们做各种清洗、聚合、再清洗、再消毒,再传输,一步一步,美国做过一个研究,真正从数据收集到最后数据的产生有用的商业价值的过程,需要三个星期到五个星期。大家想想,每做一个很简单的决策,需要三到五个星期的流程,这是多么痛苦的过程。未来的企业如果要在数据战略上成功,必须能够有能力迅速的把污水变成清水的能力。

大家再来看一看,真正产生的价值的部分都在这个金字塔的上端。而根据美国白宫的首席数据科学家DJPatil的一份研究报告,90%的数据工程和分析师的时间是放在数据收集和清理部分,只有10%左右的资源放在能够产生大量商业价值的工作上。

在传统意义上来说,整个的数据分析是由若干的部门按照顺序处理,这样效能是非常缓慢的。大家讲大数据,数据是从数据标签的采集开始的,一般都由前端工程人员实施,然后数据传输的工作由IT来管理,ETL一般由企业内部的数据仓库或者数据平台的团队负责,BI(商业智能)部门在分析部或者存在于业务部门之中,然后我们还有各种商业分析师,统计学家参与其中,这个运行框架体系因为各个部门参与的人非常多,流程很长,大量降低了效率。

特别是站在技术先头部队的互联网企业,做过各种尝试,比如想打破这个僵局就要对各个功能性部门进行整合,但是因为功能性的部门要求人员的能力和经验有千差万别的需求,造成了懂业务的部门很难真正理解技术,懂技术的部门又没有没有足够的精力完全理解业务部门五花八门的需求,这样就产生了若干决策环节的缓慢与低效。

为了解决不断增加的需求,企业内部需要内建和定制化各种IT系统,这种定制化造成了企业内部各个部门形成了若干数据微型小岛,若干企业数据孤岛进一步增加IT部门的工作负荷、即对各种内部定制化的系统进行数据整合从而进行各种统一的数据决策。

短期之内这种定制化的数据整合貌似解决了企业的信息决策的问题,但是在长远上看会甚至进一步拖慢企业决策速度。请看这张数据分析金字塔图,在过去若干年里面,我们发现大数据分析真正产生价值就是上面10%的投入时间,会产生超过90%甚至超过90%的价值。但是他如果没有时间和没有资源做下面90%的工作,就不可能产生任何的价值。包括销售的管理也是一个数字驱动运营化。

中国今天飞速发展状态下,我们要问问自己,我们的企业是否每一家都有需要内建一个“污水处理厂”,或者重复开发和部署那么多种软件来为实现企业分析服务。今天我们面前的一个机会,就是如何用非常有效地采用先进的方法越过各种技术和管理鸿沟,让我们企业变得更有效率。而且人口红利的减少,企业增加效率就是我们要做的最重要一件事。

构建数据驱动闭环:如何提高数据分析,以及运营决策的规模和效率?

主要的手段,就是要对现有的业务的数据分析流程进行大规模的简化,从而达到端对端的整合,让决策分析系统趋于闭环。这种数据分析闭环的速度基本上等同于企业决策速度。企业大数据分析闭环至少要具备两个组成部分:第一部分:业务端的参与度,第二部分:技术端的实施。

这个决策环业务端外部参与越多,技术端内部实施越少越快,那么效能就越高。如何理解呢,在美国最新的权威机构的研究资料中提到了下一代数据革命中的影子CTO的概念,即IT部门应该成为企业软件的外部管理者,而不是内部执行者。而且美国的云端SaaS软件,也就是把信息决策的功能放在云端从而跨越过若干IT的冗长流程和技术鸿沟。

这已经在硅谷若干引领潮流的公司中有了很好的诠释,比如Salesforce,LinkedIn(领英),Facebook(脸书),Uber(优步)以及Airbnb等一流公司的各个部门都越来越多的采用采购基于SaaS的各种解决方案,而不是全部自建得到了充分验证。

   
1038 次浏览       50
相关文章

基于EA的数据库建模
数据流建模(EA指南)
“数据湖”:概念、特征、架构与案例
在线商城数据库系统设计 思路+效果
 
相关文档

Greenplum数据库基础培训
MySQL5.1性能优化方案
某电商数据中台架构实践
MySQL高扩展架构设计
相关课程

数据治理、数据架构及数据标准
MongoDB实战课程
并发、大容量、高性能数据库设计与优化
PostgreSQL数据库实战培训
最新课程计划

APP推广之巧用工具进行数据分析
Hadoop Hive基础sql语法
应用多级缓存模式支撑海量读服务
HBase 超详细介绍
HBase技术详细介绍
Spark动态资源分配
更多...   

Hadoop与Spark大数据架构
Hadoop原理与高级实践
Hadoop原理、应用与优化
大数据体系框架与应用
大数据的技术与实践
Spark大数据处理技术

GE 区块链技术与实现培训
航天科工某子公司 Nodejs高级应用开发
中盛益华 卓越管理者必须具备的五项能力
某信息技术公司 Python培训
某博彩IT系统厂商 易用性测试与评估
中国邮储银行 测试成熟度模型集成(TMMI)
中物院 产品经理与产品管理
更多...