传统企业在大数据分析上所面临的关键问题
桑文锋 网络收集

数据采集的痛点

前一段知乎上有人提问,说大家都在讨论大数据与互联网、金融、政府等领域的结合,为什么谈农业大数据的这么少?相关的公司这么少?我想很大的原因是农业信息化的程度还不够。现在大家很少再提“信息化建设”这样的词,但在我的印象里从 2000 年左右,“信息化建设”是一个像现在谈“机器学习”一样时髦的词汇。那个时候不管是政府还是大企业,都在推进信息化建设,上线 ERP、官网、办公系统等,那是一波浪潮,持续了十年左右。从 2010 年左右开始,这种生意就没那么好做了,许多的潜在企业已经被挖的差不多了。但农业的信息化,可以说是原地踏步,和工业领域完全不在一个阶段。那么到了大数据时代,工业领域至少还有了一定的数据基础,但农业是完全没有的,可以说数据驱动的前提肯定是要信息化的。

对于许多传统企业来说,即使经历了信息化建设的过程,但限于条件,收集的数据类型也比较有限。一般是进销存的数据有,财务数据有,但其他数据就比较缺失了。有些企业是有 CRM 系统,但许多客户的信息都是死的,并没有实时更新和激活。对于一些财务和销量数据,也只是有一些宏观的总数,没有太多的维度分析。生产经营的目标,往往取决于老板拍脑袋,完全没有数据做决策的思维。我们这里看看就拿一个线下零售店来说,它和线上电商网站比,到底少了哪些数据。对于店铺卖了多少货,卖了多少钱,每个 SKU 的具体销售情况,这些是可以获取到的。但是,有多少人看了某个商品,有多少人摸了某个商品,有多少人是回头客,像这些信息都是没有的,但电商网站就可以获取的到,就可以基于这些信息做出更精准的判断。

数据分析的痛点

再来谈数据分析,如果没有数据,就谈不上分析了。最近听到一个新员工讲到她在一个企业做数据分析的经历。当时一个部门,每天都在做各地仓库的配货,各个品类配多少,是凭经验来的,往往是漏洞百出,每隔一段时间,都要做次清货。于是她自告奋勇,在 Excel 上写了一段代码,根据以往的销售记录,来预测配货量。就这么一个简单的程序,让经营效率提升了很大。这里并不是这家企业掌握了更多的数据,而是采用了更多的数据分析的方法。这里我想说的是首先要培养数据驱动的思维,就是在各个业务环节,能不能基于某些数据来更好的做决策,利用机器去代替人工的工作。这种意识培养起来了,对企业就是一种革新,有了新的发动机。

我们再来说说为什么要做数据分析。在上世纪 80 年代的时候,曾经发生过商店买的冰箱门已经坏了,然后问顾客要不要买,如果不买,就让下一个顾客买,还有更多的人排队。那个时候是商品匮乏,供应不足,销售的问题根本不需要考虑,主要矛盾是把商品生产出来。到了 2000 年之后,像家电类的商品,供大于求的时候,就开始铺广告,建销售体系,只要这些做好,产品就可以卖出去了,归根到底是需求还在。可最近这几年,人口红利渐渐没了,竞争变的更激烈了,导致人力成本变高和供大于求,这样赚钱就没那么容易了,靠以前那种堆人的思路玩不转了,必须考虑精细化运营。对于铺的广告,不是说央视上播放了,看着挺气派,这就成功了,还是要看实际转化效果如何。对于潜在客户及已有客户,分析他们的特点,制定针对性的营销策略和提供合适的服务,这些都需要数据分析的支持。

如何做数据采集

对于数据的采集,我觉得有两个思路。

一是部分业务变为线上业务,就是现在说的互联网+。几年前李彦宏提的一个观点我很认同:以后就不会再有互联网公司和非互联网公司这种区分,因为所有的公司都会有互联网的部分。这就像蒸汽机加上一系列的旧行业形态,带来了蒸汽时代。而电力加上各种各样的旧行业形态,带来了电气时代。在电力刚刚推广时,电灯、电话、电报、电车,这些都是时髦的东西,后来就不会再区分电力和非电力公司了。一旦业务变成了线上业务,我们就可以按照互联网公司的模式,来进行数据采集,这和互联网公司没有区别,相信神策分析能够比较好的解决。

二是增加传感器(Sensor),提升数据采集的能力。有个朋友的公司是做视频监控的,他们做的监控系统,目前都可以做到识别老人摔倒行为、工人是否带安全帽、参观者的性别等。虽然现在还相对比较初级,但可以预见的是以后线下的所有行为都能够被采集到,各种各样的传感器都会被生产出来。Google 的无人驾驶汽车,周围装了一圈的传感器,每秒钟产生 2.5 GB 的数据,实现自动驾驶。以后可能通上电的设备,都会带有传感器,采集到的数据也会很巨大。正是基于这点判断,我把公司起名叫 Sensors Data(神策数据,音译),我觉得未来就是传感器时代。

如何做数据分析

有学员问我:目前已经有了一堆数据,如何从这些数据中获取更大的价值?这个问题如果让我直接给解决方案话,大部分的时候是给不出来的。虽然我对大数据分析技术比较熟悉,但对于各种各样的实际业务,那是很不了解的。大面上的思路,可能谁都能想到。在大数据概念的普及之下,大家都对数据的重要性不再怀疑,你再见到人时,不用花时间去说服对方相信数据很重要了。但这也带来了一个误区,就是不管有了什么数据,都想通过这些数据来产生巨大的效应。我的建议还是反着思考,先要围绕现有的业务场景,思考还有哪些关键问题没有解决,然后考虑解决这个问题,需要用到哪些数据,如果正好有,那就省事了,如果还没有,再想办法收集这些数据。也就是问题驱动,而不是数据驱动,数据起到的是辅助作用。还有就是前面提到的数据驱动的意识,这是第一重要的。

说了这么多问题,那到底有没有传统企业在大数据分析这块做的好的呢?我这里讲个餐饮业的案例。盈客在线是一家为餐饮业提供 S-CRM 的公司,会帮着餐饮品牌店做会员营销方案,比如会开展会员日这样的活动,某些菜品针对会员客户半价优惠。那这里问题就来了,这样会不会导致会员们只会在会员日过来用餐,其他时间就过来的少了?单凭猜测是不行的,我们还是要看数据。于是盈客在线的数据工程师针对一家品牌店做了用户留存分析,就是看有会员日活动的会员店,和没有会员活动的会员店,在用户留存上有什么差异?结果分析发现,有会员日活动的留存,要明显超过那些没有会员日活动的店家用户留存。

image.png

最后,总结一下我对传统企业在大数据分析方面的看法,一是要培养数据驱动的意识,二是要尝试将部分线下业务变为线上业务,三是尝试新的数据采集手段。相信未来几年,会有越来越多的传统企业在大数据分析上的成功案例。

CIO之家 www.ciozj.com 公众号:imciow
关联的文档
也许您喜欢