大數據時(shí)代的商業(yè)分析

大數據時(shí)代的商業(yè)分析

回顧早期的爭論 　　現在搞大數據(后端數據)的朋友，和早些年搞數據倉庫的沒(méi)啥本質(zhì)區別，因為都是人為需要把各系統的數據集中化，現在增加個(gè)非結構化數據，于是就叫大數據，而以前就叫數據倉庫。 　　在10多年前，數據倉庫界一直有個(gè)爭論，到底是TOP-DOWN好還是Bottom-UP好，一邊說(shuō)，我先把企業(yè)所有數據都集成，數據基礎做扎實(shí)了，然后分析就可以源源不斷產(chǎn)出了。而另一邊認為，我們得先建數據集市，把業(yè)務(wù)主題搞扎實(shí)，讓數據先有產(chǎn)出，然后再多個(gè)主題后再進(jìn)行數據梳理整合。 　　前者的詬病是大半年都不會(huì )有啥“數據變現”的產(chǎn)出，問(wèn)產(chǎn)出，就一直在說(shuō)，系統搭建中，XX系統搭好了，XX 業(yè)務(wù)數據集成了，等等。后者的詬病是，數據是有產(chǎn)出了，但是不同主題間的數據會(huì )有管理問(wèn)題、每個(gè)主題需要不斷添加新的數據源，開(kāi)發(fā)、數據冗余都是個(gè)問(wèn)題。 　　這是數據倉庫界爭論10多年的話(huà)題，直到近兩年大數據興起，大家就都沒(méi)興趣討論了。在很多企業(yè)，大家都采用數據團隊組織基礎數據，做傳統數據倉庫前者的事情，再組織一個(gè)商業(yè)數據分析團隊，做后者的事情。只不過(guò)大家都很少提數據倉庫、BI這些老概念，不知道認為過(guò)時(shí)了，還是新一代數據人都不知道這些歷史。其實(shí)本質(zhì)是一樣的，IBM等企業(yè)10年前就是2 個(gè)團隊在做，前后者的優(yōu)勢兼得。 商業(yè)數據分析的傳統 　　在商業(yè)數據分析方面，我也是近4、5年才真正切入，之前都是做傳統的數據倉庫和BI。不過(guò)我經(jīng)常欣賞幾十年前的小數據商業(yè)分析的成功案例，試想小數據時(shí)代商業(yè)分析如此成功，大數據時(shí)代炒得那么熱，卻炒來(lái)炒去，就那么幾個(gè)案例，有意思么? 　　我這里還是介紹那2個(gè)經(jīng)典小數據時(shí)代的案例： 　　1。早期超市為了優(yōu)化超市設計，采用人工觀(guān)察，到后來(lái)的視頻觀(guān)察，來(lái)解析用戶(hù)行為，他們解析用戶(hù)行為的時(shí)候，發(fā)現了幾個(gè)方面的業(yè)務(wù)改進(jìn)Idea，超出了預期的想法。當看到人們眼光主要放在眼睛上下30度范圍，于是陳列的時(shí)候，總是把利潤最高的放這2排，利潤低，性?xún)r(jià)比高的分別放上面和最下面;當發(fā)現人們通過(guò)買(mǎi)面包順便買(mǎi)紅酒，而不是買(mǎi)紅酒順便買(mǎi)面包，于是他們改變兩種商品的組合和區域順序;當發(fā)現免費品嘗某水果，可以帶動(dòng)新鮮水果以及高利潤的純果汁的時(shí)候，超市又改變了策略。 　　2。有個(gè)商場(chǎng)，糾結于傳統方案是現代方案，于是兩個(gè)方案同時(shí)上，一個(gè)是用咨詢(xún)團隊，一個(gè)是監控方案，數人數看人流。結果咨詢(xún)團隊的方案勝，原因是咨詢(xún)團隊雖然是小數據，但是他們的抽樣數據都是按照經(jīng)驗選擇恰當的樣本，其次小數據的信息非常全面，包括人的性別、年齡、身份背景、收入水平(經(jīng)驗判斷)、去哪個(gè)區域，買(mǎi)東西走到哪一步了(咨詢(xún)、試穿、有沒(méi)討價(jià)還價(jià))，這些數據監控都沒(méi)法得出，所以監控數據全面，但無(wú)法給出任何實(shí)質(zhì)價(jià)值意義的建議，都是些空話(huà)。 大數據商業(yè)分析應該TO-DWON還是Botton-Up? 　　一種思路是需要足夠大、全面的數據，沒(méi)有解決不了的分析，一上來(lái)把所有可能的維度、數據分布、趨勢都嘗試一遍，認為沒(méi)有規律也能看出規律了;一種是看問(wèn)題，需要解決什么問(wèn)題，就做什么分析，缺什么數據再從大數據中去取。 　　有人問(wèn)，如果采用第二種方案，那么大數據價(jià)值何在，那么多數據都沒(méi)利用起來(lái)?我想問(wèn)，如果你想挖前面一座金山，你是挖一部分，然后淘一部分出來(lái)賣(mài)，還是把金山都挖完，然后一點(diǎn)點(diǎn)淘出來(lái)賣(mài)呢?當然你選擇第一種，但你選擇這個(gè)，你不會(huì )說(shuō)浪費了整個(gè)金山，因為你知道你需一點(diǎn)點(diǎn)變現后才會(huì )有動(dòng)力挖后面的。但為啥那么多搞大數據的人不是這個(gè)思路呢? 　　看到這里，可能大家認為我偏向第二種方案，其實(shí)不全是，我一直認為任何方案都有其優(yōu)勢，中庸取其精華最好。第二種方案的死穴是，如果你問(wèn)題沒(méi)搞得透徹明白，那么分析的都是無(wú)用功，都是在錯誤的軌道上轉圈。 　什么是大數據時(shí)代好的分析方案? 　　我們來(lái)看第一個(gè)超市案例，他通過(guò)一個(gè)簡(jiǎn)單的、人工判斷過(guò)的“用戶(hù)行為”數據解決了這么多各種業(yè)務(wù)難題(陳列、布局、商品搭配、促銷(xiāo)等)，是因為他們發(fā)現一個(gè)問(wèn)題，然后去解決的思路么?不是，而是充分以“商業(yè)”為中心，以“迎合用戶(hù)需求，滿(mǎn)足商業(yè)利益最大化”這一個(gè)最大分析目的，發(fā)現了用戶(hù)行為，原來(lái)對這么多商業(yè)布局都有改進(jìn)的地方，可以同時(shí)滿(mǎn)足用戶(hù)的購物需求，也滿(mǎn)足商業(yè)利益最大化的需求，于是產(chǎn)生了后來(lái)的一系列超市零售改進(jìn)。 　　再看大數據的案例，某人收到小孩用品推薦，他很生氣投訴，結果沒(méi)多久就寫(xiě)感謝信，說(shuō)他女兒真的懷孕了，感謝云云。其實(shí)從這個(gè)案例中，除非給人驚奇外，有多大“商業(yè)價(jià)值”?如果純從數據商業(yè)價(jià)值來(lái)說(shuō)，這個(gè)分析推薦的作用，比起超市零售通過(guò)用戶(hù)行為的變革，簡(jiǎn)直不值得一提，為啥還廣為流傳? 因為大數據時(shí)代，還找不出像樣的案例，于是就拿驚奇的案例來(lái)吸引大眾注意吧。 　　反過(guò)來(lái)說(shuō)，并非大數據無(wú)用，或者說(shuō)大數據不是遠不夠大(要知道比超市人工觀(guān)察的數據大多了)，而是大數據分析和應用的人們思維并未完全打開(kāi)，我相信做推薦的朋友沒(méi)多少熟悉供應鏈的，也沒(méi)多少熟悉商品定價(jià)和生命周期管理的，所以他們的大數據只是應用在推薦。

【大數據時(shí)代的商業(yè)分析】相關(guān)文章：

銷(xiāo)售數據的分析方法07-25

大數據分析07-20

數據分析報告07-28

大數據分析07-25

多維數據分析方法04-07

數據分析主管的職責01-13

數據分析工作職責07-28

數據分析簡(jiǎn)歷模板02-17

數據分析報告【推薦】03-07

【推薦】數據分析報告03-01