第一阶段,认为大数据是玄学。它很牛、很神,它什么都能做,没有它不行,未来全都是它的,你不懂它就会被社会无情抛弃,所有人都宣传他们准备或正在搞大数据。
第二阶段,发现大数据是在吹牛扯淡。它其实就是服务器公司、数据库公司、硬盘公司、报表软件公司、科技公司炒作的噱头罢了。它来得很慢,它成本很高,它并不能迅速带来直接的好处。
想要数据又大又快,那么数据很难做的很深,无法基于这些肤浅的数据深入洞察;想要数据又大又准,这得花时间,想想我们企业最小的生理需求——期末编制财报要几天?想要数据又快又准,那么覆盖的广度又有问题;想要数据又大、又准、又快,则需要花很多很多钱。
第三阶段,大数据成了一个中性词。理想中的大数据,让它成为诗成为远方好了,我们还是着手眼下或者未来三五年的事:把基础数据梳理好、把标准搞好;把核心系统的数据及时性和准确性提高;把报表系统进行更新,使出报表的速度从一周提升到一天以内。
造成这段曲折的,其实是源于大数据前面的“大”字。但无论怎样,“大”还是会被继续沿用。
对车企而言,何谓我们的大数据?销量不过100万辆的企业有没有“大”数据?我们的供应链、生产、财务数据算不算大数据?车主的购物记录、社交媒体上的印记属不属于我们的“大”数据?交通、天气是不是我们的“大”数据?
我们认为,车企大数据应用的重点,不是在于如何获取更多的数据,而是围绕业务目标和具体的业务问题,基于一定的数据分析,来解决问题、达成目标,体现数据的价值——这和“大”没有直接关系,甚至有点远离“大”,而强调小、深、精。
但随着时间推移,当市场变得成熟时,换车的买家比例也会增加,此时,稳定的客户保留就变得至关重要,它和可持续性增长有着直接的联系。为了保留客户并促使他们再次购买,必须在接触品牌的每一个环节和阶段让他们感到满意。通过数据分析,我们可以知道为此需要做些什么。
战略:从业务目标、企业价值体系、业务痛点和IT规划入手,以明确大数据应用的定位、目标与策略,并制定大数据应用/平台建设路线图;
数据分析/价值模型:分析业务痛点,构建企业价值地图及数据分析模型,通过数据算法的运用,找到解决问题、实现价值的方法;
应用场景:结合市场和公司的发展,从企业价值链和客户生命周期入手,梳理大数据应用的业务场景;
技术平台:追踪技术发展趋势并结合企业内部各种应用系统,构建大数据技术平台,满足企业发展需要。
大数据应用的顶层框架设计对于企业而言相当重要,它直接与公司战略、业务发展和IT系统建设相挂钩。有了顶层框架设计,可以减少对数据资产的过度投资或者投资浪费。
IT如何摘掉只花钱不挣钱的帽子?未来的IT项目将会更加深入融合业务、推动业务,IT部门将不仅仅是企业的成本中心,通过对数据资产的深入利用,还将会促进业务变革与创新,甚至创造出新的业务模式,成为企业发展的新引擎。
如何充分利用这些已有的数据,如何知道还缺哪些数据,使其被用来体现价值?需要建立数据分析模型以及数据能够带来的价值模型。
大数据应用的重点是对数据模型和分析算法的运用,这需要IT专家、业务专家以及算法专家密切配合。主要的工作重点包括:
业务理解与建模:基于大数据应用场景,识别关键业务挑战,构建数据模型;
数据获取与清理(清洗):识别模型所需的数据,以及相关的数据质量问题,对数据进行必要的清理使其满足模型需要;
数据存储与整合:从业务与IT两个角度构建数据存储模型,并对不同来源,不同结构,不同类型的数据进行必要的整合;
数据挖掘算法运用:通过多种数据挖掘算法的运用,找寻数据表象之下的业务的真相以及问题的答案。
大数据分析建模不是简单的数据统计和汇总,所回答的问题也不仅是明确的因果性问题,更多的则是带有不确定性的相关性问题。通过对多种来源的数据分析,发掘潜在的业务动因和模式,才能辅助业务决策,甚至驱动业务变革与创新。
以从客户旅程角度分析为例,在客户旅程的3大阶段中,我们至少可以梳理出18个业务场景,从这些业务场景出发,挖掘出众多数据分析应用场景:
为了分析客户、把握网上舆情、预测客户保养行为、分析不同客户带来的价值、为客户流失预警,仅靠车企自己的CRM或者DMS系统、靠竞价排名、关键词过滤、人肉评论筛选够不够?为扩大销售机会,以每条几百上千的价格从三方平台购买线索值不值?自建垂直电商、自己充实门户内容还是依附第三方平台开旗舰店、赞助论坛?
显然,车企在大数据的生态中,是处于劣势地位的,我们必须以开放的心态与第三方数据供应商积极展开合作,以获得更准确更全面的用户信息。 (本文作者华思远为德勤管理咨询上海有限公司技术战略咨询合伙人,邓明辉为德勤管理咨询上海有限公司技术战略咨询经理)
联系客服