受访 |车品觉  红杉资本中国基金会专家合伙人
责编 齐卿
数据的本质是
还原真实,
推想未来
通常,我们用数据来度量。如果不懂得数据的本质,就不明白它对未来的战略方向有多重要。数据的本质是还原真实,推想未来。一方面,用数据来帮助作现有决策分析,另一方面则帮助推演未来。比如蚂蚁集团当初预测到未来信用很重要,而现状是当时大多数人并没有信用体系,于是开始做芝麻信用。 
 说到大数据分析,不得不提系统思维,现在流行的说法是生态圈。这个概念最早是美国麻省理工学院的教授提出的,叫动态系统学,后来将它从工具论借鉴到组织行为学的就是彼得∙圣吉的《第五项修炼》。
当我们分析大数据时,系统思维也很有用。当我们希望用数据还原整个世界的时候,如果不能系统地看世界,数据就永远是片面的。以前看公司的经营状况,必然是看财务报表,但财务报表只显示结果,很少显示生态。
以系统思维使用大数据时,就会知道,系统与系统之间的反馈平衡,会有延后作用,这在数据分析时很重要。有的数据,今天是对的,但三个月后就不对了;也可能三个月后是对的,但当下是错的。
好比夜晚从宇宙中的某个点看地球,看大数据时,你会发现某些地方是不亮的,因为有些行业根本就没有数据化;有些虽然数据化了,但非常复杂;还有一些地方已经开始经历移动互联网化甚至物联网化。
光亮度越高的点,必然是未来领先的行业。比如广告和内容推荐类,是最容易做的,淘宝、今日头条正是这样的公司。下一个则是金融。金融原本就是高度信息化的,数据化成本最低。
对金融行业来说,大数据起风险管控作用的两把刀,主要体现在客户信用度及还款能力两方面。再下一个行业则是医疗,目前应用最多的是图片识别。
在美国,初创公司Kyruus 正在深挖医疗领域数据,高效配对医生和病人,使得大量医疗资源不被浪费。但我们也发现,很少有医院把病人数据全部输入电脑,所以,虽然大数据是把锋利的宝剑,但也不是一捅下去就能解决所有行业的痛点。
相对来说,游戏行业因为用户行为100%被记录,可以说是“完美数据”,用人工智能来模仿一个游戏选手去击败另外选手,是非常容易的。此外还有零售行业,虽然目前线上购物行为已经很多,但仍还有近90%的购物行为在网外进行,在线的数据记录还可能有偏差,所以这一块的发展仍有很大的空间。
数据是虚的,
解决方案是实的
人工智能带来的变革,在于万物互联后的巨大信息流。面对这种巨大的变革机遇,企业如何做?
从大数据的角度,一方面要找到知识产生和业务增长的关联处;另一方面,要关注如何有效积累大数据,因为它们是知识倚赖的“原材料”。这也是大部分企业从想到做的过程中,“不知道自己不知道”的地方。
我对有意布局数字经济的企业有八条建议:关注业务决策的过程,从问题中找寻数据化的机会;企业数据能力的泛化,要建立在数据产品的灵活性上;建立规范,确保数据供应的质量及稳定性;促进企业内部数据共创与共享机制的建立;建设外部数据积累及有使用权的数据战略储备;培养海量数据的深度分析能力;阻碍大数据发展的是伦理和法规;把“门窗”关好,数据越多,责任越大。
这八点是从公司战略层面上讲的。从能力上来强调则是三个要点:一是从业务决策中找寻数据化的能力;二是海量数据分析能力;三是“借力打力”的能力。要把难题留给外面的专业机构去解决。
值得一提的是,与大数据的4V(Volume-量大、Variety-多样、Velocity-速度、Value-价值)相比,现在移动大数据的核心重在实时(real time)、适时(right time)以及全时(all the time)。任何一个完整的高效服务都离不开这3T。
以零售业为例,实时是实时数据的获取和推送能力,未来将通过手机或智能穿戴设备,赢得越来越多接触用户的机会。这些机会将为我们提供大量的时空信息,把每一刻感知到的用户数据延续,也就是全时。
有了这种感知能力之后,如何知道何时是推荐服务的最佳时机呢?就必须要有全时的数据收集,才会知道用户的需求规律以及营销的关键点,做到有效触达。
数据是虚的,解决方案才是实在的。没有场景作目标的大数据如同散沙,但太实相的大数据又不灵活。所以,不论金融大数据还是医疗大数据、零售大数据,都会经历从无到有,从有到高度连接,从高度连接到实时流通,最后通过工程化,把数据提炼成随时可用的“业务石油”。到那时,就会产生无限商机以及无与伦比的回报率。
“养数据”的
三个窍门
大部分人依旧持有“取之所用,无用则弃”的传统信息理念。事实上,有目的地收集到的信息不叫大数据,大数据是不加选择地存储所有看到过的信息,这些信息未来可能对其他事情有帮助。换句话说,留着暂时无用犹如“养兵千日,用兵一时”。
很多公司也知道数据很重要,一旦落实到要制定一个数据战略,就觉得上不了手。因为从表象来看,数据是海量的。要把海量的数据变得可用,就需要数据的标准化,但这样会很费资源。对决策者来说,此时就要着眼于解决企业痛点和战略布局,养数据绝不是“为养而养”。
没有天猫超市之前的阿里,“养”与物流有关的数据看上去是浪费,但做天猫超市就一定要建自己的物流。“养兵千日”,要看战略的长远,打不同目标时所需要的数据是不一样的。再如,客服数据和业务数据打通后,会发现里面有很多宝藏让我们更好地服务客户。
行情好的时候不“养数据”,临要用的时候就很难抱佛脚。这里有三个小窍门。
第一,AAR 原则锁定客户。第一个 A 是 acquire(获取),即如何用最有效的方法获取核心客户。第二个 A 是 activate(活跃),让获取到的客户快速成长,变得活跃、有黏性。R 即 retention(保留),防范核心客户的流失。
这三个阶段数据都可以贯彻始终,既可以帮你找出核心客户,也可以告诉你什么服务和价格能让他们变成忠诚客户,同时还可以用数据模型来预测客户未来的需求,甚至是他们离开的概率。当企业充分掌握客户当前状态的数据后,就可据此进行预测,发现问题马上纠正。例如企业乱发现金券或经常打折,不但太“博爱”,还会让客户养成“无折不买”的习惯。
第二,行为数据比结果数据更有价值。企业通常关注的重点是交易数据,比如一天有多少客流量、多少交易额,却忽略了这些交易背后的原因。当把客户的行为数据(交互行为)和交易数据相关联时,就会知道,用什么产品吸引什么客户最有效、什么价格能让这些客户活跃起来、怎样让他们对这个平台更感兴趣。
我们甚至可以预测客户流失的蛛丝马迹。通过行为数据去发现客户如何决策是个重要课题,即使是负面数据也可能有正面作用。
第三,从小处着手。假如是小企业,可以从结构化的、已有的数据开始,一步一步开展。中小企业要有清晰的具体目标:希望数据帮自己做什么、数据能解决什么问题。必须谨记,我们面对的是消费者,数据的收集、整合、决策、反馈都必须从消费者出发,以人为中心。
另外,企业不应把客户看成一个整体,因为解决了客户的一般性需求,不等于了解了客户的特殊需求。
数据思维的妙用
谈数据离不开量化。量化是对被量化的事物的一种映射,就像照X光片。我们要明白量化后的数据是为了解决什么问题,以及在量化的过程中如何降低噪声,增加稳定性。过去数据很难获取,所以人们喜欢用经验预设简单维度,这种局面随着大数据时代被快速改变。
一些看似毫无关联的事情,却是过去分析时的盲点所在。所以要改变传统观念,将思维方式从经验驱动转变为数据驱动。这不仅仅应用在处理大数据上,也可以走出数据世界,应用到工作的管理上,甚至应用到人生中。
比如说,你可以去量化某次会议上,CEO 在别人演讲时的几个动作信号:点头、写笔记、发问,这样大致可以得出该公司CEO对每一个主题演讲的专注度。用这种方式作出相应的关键词分析,可以事半功倍。
再如,递送报告给管理层,每一个高管的反应是不同的,量化他们的反应,事后在回顾总结时可以还原并改进。所以不要说数据是冷冰冰的,恰当地运用数据思维,它可以帮助你解决热乎乎的问题。
继续阅读
阅读原文