如何让企业“数据化”?

  • A+
所属分类:赛迪思

 

什么样的企业可以称得上是大数据企业呢?恐怕没有人能够给出一个完美的答案。但是,直观地,我们可能觉得Google更像是一个大数据企业,阿里巴巴也像是一个大数据企业,而中国银行似乎不太像一个大数据企业,尽管它每天也一样浸泡在海量的数据中。除了具有处理大量数据的能力外,之所以Google和阿里巴巴更像大数据企业,是因为他们有深入的数据分析工具,利用数据分析的结果直接指导决策。

Step1.全面数据化

“数据化”浪潮是整个大数据时代的起点,它强调数据就是资产,记录一切可以产生价值的数据,显然,数据化是一个企业能够通过深入数据分析,实现自身优化的基础。

总的来说,全面数据化要求企业采集并存储企业生产经营中的一切数据,形成企业数据资产的概念。

Step2.建立数据标准形成管理

很多企业已经有了一些数据储备,开始快速积累了一些数据。但是对于跨业态拥有多家子公司的集团运营的企业而言,他们自己到底有哪些数据资源还没有一个清晰的认识。

企业要根据自己业务发展的需求,建立数据标准,使现有数据和未来所有的新增数据都能够在同一个标准下统一管理,避免“信息系统建设越多,未来数据整合越难”的困境。业务中涉及大量数据的企业,尤其是涉及到用户隐私数据、国家安全数据和具有重要商业价值数据的企业,要形成数据全流程管理的规范。

Step3.建设数据管理平台

首先,数据管理平台要为企业量身定做一套数据组织和管理的解决方案,特别是企业各部门之间数据的共融共通,以及企业数据怎么样进行索引和关联。

其次,数据管理平台是由业务所引导的,先进的数据智能处理系统,为业务提供直接的支撑。很多时候,数据管理平台怎么搭建,需要深度了解企业最重要的核心业务,通过有重大价值的示范性应用来牵引数据管理平台的建设。例如针对零售类的企业,就应该形成以消费者为中心的索引和画像系统,主要支持精准广告、智能客服等核心业务,其次才是以商品为中心的索引系统,主要支持物流和仓储优化等业务。

Step4.海量数据的深入分析能力

要想建立针对多元异构、跨域关联的海量数据,通过深度分析挖掘获取价值的能力,主要培养两个方面的能力。

第一,是非结构化数据的分析处理能力。包括文本、音频、图像、视频、网络和轨迹等数据。受过传统商务智能和统计学训练的人,对于处理结构化数据非常在行,特别是和企业自身业务有密切关系的非结构化数据。

第二,是大数据下的机器学习的能力。绝大部分我们可以想象到的应用问题,其本质都是分类或者预测问题,包括个性化推荐、精分营销、员工绩效管理、银行信用卡征信、小微企业贷款、生产线控制、精准广告和网点选择等等。解决这些问题最有力的武器就是机器学习!

Step5.数据采集与战略储备

事实上,外部数据对于市场拓展、趋势分析、竞品分析、人才招聘、用户画像和产品推荐等意义重大,而网站、论坛、社交媒体和电商平台上聚集了很多有重要价值的公开数据,这些数据中的大部分可以通过分布式深网爬虫技术直接高效采集。一方面,企业可以自建具备采集、清洗、存储和索引等功能的自动化系统,自动积累外部数据;另一方面,企业可以通过和数据供应商合作,得到一些亟需的数据。

Step6.数据创新能力

事实上,企业通过智能终端、传感网络、物流记录、网点记录和电子商务平台等等,获得的第一手数据,很多都可以用于支持在跨领域交叉销售、环境保护、健康管理、智慧城市、精准广告和房地价预测等方面的创新型应用。把握住这些机会,就能够放大企业当前业务的价值,带来持久可观的收益。

Step7.推动自身数据共享

企业有了大量数据和一定的分析能力后,不能故步自封,而要充分借助社会的力量,尽最大可能发挥数据潜藏的价值。企业通过这些数据共享与开放计划,可以学习最先进的算法和最具创新性的数据应用思路,实现自身数据的价值最大化。

  • 我的微信
  • 这是我的微信扫一扫
  • weinxin
  • 我的QQ
  • 这是我的QQ扫一扫
  • weinxin

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: