咨詢專欄丨大數據時代，該用什麼姿勢去擁抱它？

毫無疑問，當前我們正處在「大數據」時代，近乎是婦孺皆知，但是大數據這個詞其實又是很寬泛的，最早的大數據（至少筆者接觸的）基本上是指基於 Hadoop 平台的一套體系，更多是數據工程，主要是如何收集整理海量數據的技術。後來大數據幾乎能貼合到任何場景，比如大數據分析、大數據行銷、大數據風控等等，凡是與數據有些關係的，都可以冠上大數據的標籤。

不難看出，大數據可以應用的場景還是蠻多的，其最終目的是要解決實際業務問題，而基礎則是數據本身，擁有什麼樣的數據基本決定了大數據應用可以達到的效果上限，如果想要逼近這個上限，就看公司如何整合數據，又如何利用分析挖掘或者可視化方法探索數據。

如何認識大數據

大數據這個詞從誕生其實就幾乎沒有明確定義。大數據並沒有規定多大的數據算大數據，實際在統計學上，樣本量大於30個就可以被叫做大數據樣本；對大數據的概念最廣為人知的描述是4V特性：

• Volume（大量）Velocity（高速）Variety（多樣）Value（價值）

從應用場景看，大數據應用最深的領域是行銷和風控。

對於大數據的理解有很多種，有很多大師也賦予了大數據不同的概念和特性，但筆者更願意從數據應用全路徑實踐去理解大數據：

大數據應用路徑

數據是信息的載體，企業最終要的是提供決策的信息，然後通過決策實施去解決業務問題，並在探索實踐過程中不斷反饋數據，優化迭代解決方案，促進業務發展。

如何擁有大數據-數據積累

筆者主要經歷在金融行業，故以金融行業為例：

• 業務信息：包括各類交易信息、交易的當事人信息、交易雙方的協議信息，協議對應的產品信息、機構信息、內部財務信息、交易觸達管道信息等；此類信息主要是涉及到企業內部各個交易系統來收集，但是各大企業對於業務系統的數據總會存在一個問題：只要業務能跑通，核心帳務數據能對上，其它數據的質量都不那麼美好。很多企業對於數據治理和數據整合的需求也是越來越旺盛。行為信息收集：主要得益於互聯網尤其是移動互聯網的發展，網頁或者App的用戶的行為信息更加容易記錄了，並且很多行為對於後續具體的業務交易有著重要的影響或者暗示。比如註冊流程的繁瑣可能會影響客戶獲取，分期業務辦理的某個步驟漏損特別大會影響分期業務效益等。行為信息過於細碎，需要收集什麼樣的數據，就需要詳實的埋點計劃，幫助收到足夠的信息又不至於浪費。第三方數據：獲取公開網站所披露的信息，這種比較自由，但是一般信息量獲取沒有那麼大，適合小規模信息獲取；另外一種就是第三方數據市場，可以付出一些成本去購買相應的數據；這兩種都會有一定法律風險，公開網站信息涉及版權等法律問題，數據購買交互現在也有越來越嚴格的規範。數據連接是另外一個風險，不同行業對用戶的唯一標識不一樣的，金融行業一般以證件號或者手機號，而移動互聯網更多的是設備粒度，雙方如何進行交互？然後，不同企業交互的數據不可能是完全匹配，必然就會涉及到雙方匹配取數的過程，一些數據安全要求高的又要保證數據只能在企業內交互？這些都給數據交互帶來了難度。

對於上述的三大類數據源，TalkingData早在2016年就總結出了數據經營的三重門，旨在理清企業數據積累的三個階段：

現在，TalkingData基於多年的大數據實踐，提出數據中台戰略，從數據收集、治理、工程、數據智能市場、應用等各方面為客戶提供全方位的服務。針對行為數據采集、數據整理應用、數據互聯實踐出了成熟的解決方案，包括埋點方案咨詢體系、數據中台賦能、OPAL數據連接框架等。

TalkingData數據中台

如何利用數據-數據應用

數據是基礎，但最終目的是運用恰當的工具和方法去使用數據解決實際問題，下面是筆者所經歷的幾個數據應用選項：

傳統方法：數據指標體系，監控，統計分析；這類方法解決了基本的數據決策問題，其實也基本上解決70%以上的數據驅動業務的任務。公司根據各關鍵指標就能診斷問題，發現潛力並作出相關決策。

下圖，是數據經營指標體系示例：

數據經營—經營指標體系

數據可視化：指標體系解決大部分決策問題，但是往往不夠形象，互動能力不足，而數據可視化則不僅僅是報表，它的優勢在於可互動，可以讓使用對象參與數據探索過程，從中發現更多問題，並更深入理解數據，做出更精準的決策；

下圖是TalkingData與騰訊雲聯合打造的智能商業選址產品——智選，該產品的基礎是海量的POI相關數據，但是讓人驚喜的是其提供的可視化選址能力，讓使用者能夠形象的了解每個地址的信息，並通過實際操作對比來發現更多可視化指標作為支撐選址的依據：

示例2：智選-助力企業精準選址

數據分析挖掘：指標體系一般是對結果的描述，然後需要從業者根據經驗去總結和決策未知，而數據挖掘則是利用模型算法去幫助公司做一些預測性的工作。

比如利用邏輯回歸或是GBDT構建評分卡，預測某信用卡客戶未來的違約概率，從而判斷是否核卡或者給予多少額度；又比如利用種子用戶+lookalike算法，去預測人群辦理分期業務的意願強度等；這些都是利用數據+算法解決實際業務問題的案例。不過從實際操作經驗發現：數據分析總是需要有一個閉環，並通過不斷迭代優化，才能更好的應用和發揮能量。

下圖是理想的數據分析流程閉環：

示例3：數據分析流程

用戶畫像：是一個刻畫目標用戶、連接用戶訴求與設計方向的有效分析工具，能夠幫助精準定位產品服務的對象。用戶畫像應用比較多的是電商或社交領域，通過用戶畫像為用戶提供定制化的產品，推薦合適的商品，做到千人千面。但是在傳統金融領域，有很多嘗試卻難以產生成功的案例，究其原因多在於數據維度不夠豐富。

在筆者看來傳統行業用戶畫像需要更多數據維度的補充，更需要培養數據驅動的基因。

下圖是一般用戶畫像的示例，企業可以對比還缺乏哪些維度的信息：

示例4：客群360畫像

大數據應用的方式還有很多，譬如推薦引擎、數據智能、大數據風控等，只要數據維度足夠豐富，量級足夠大，就能結合更多的方法和工具，在更多的場景去應用和解決業務痛點。

數據維度有限的公司如何擁抱大數據

阿里（基於電商和支付構建數據生態）、騰訊（基於社交關係構建數據體系）兩大巨頭近幾年通過收購、投資等方式不斷豐富自己的業務場景，其重要目的就是完善自己的數據生態，從而真正做到數據驅動增長。

但是其他大部分企業很難以這種方式來豐富自己的業務場景和數據維度。那麼一般公司想要做到數據驅動、豐富數據維度應該怎麼做呢？該如何完善有助於業務發展的數據體系呢？

調查總結目前企業的數據組織現狀，大致有如下幾類：

1、傳統打法，只要業務跑的通，數據積累和質量並不重要；

2、深度挖掘企業內部數據，譬如一些大型銀行，構建了自有的大數據平台和大數據挖掘團隊；

3、依靠行業巨頭提供流量，提供數據能力，但是話語權較低；

4、引入外部數據，利用第三方數據補充自身的維度缺失，但是存在數據連接錯位、匹配質量不高、聯合建模成本高等問題；

但是身處DT時代，企業也都在焦慮，到底該如何站在大數據驅動這個風口：

1、擁抱行為數據，收集移動端和線下傳感器行為數據來輔助商業決策；

2、面向大數據提供商，引入第三方數據標籤豐富企業數據維度，擁抱更高維度的數據；

3、利用合適的方法和工具，構建合理的數據中台，深度挖掘企業所有的數據，最終服務於業務發展；

面對數據資產的不斷積累，企業在數據生產流動過程中需要解決哪些問題呢？

1、數據治理：對自有數據從源頭開始制定采集錄入規範，保證後續數據質量；

2、行為數據收集：對於海量的線上線下的客戶行為數據，利用何種工具，制定怎樣的收集方案，保證信息不受損同時又能夠避免收錄過多數據；

3、第三方數據：自有數據維度是有限的，第三方數據的補充成為必要，但是雙方數據交互連接受限於連接ID、數據安全等約束。利用怎樣的架構以合法合規的方式讓數據流動起來，是各行業企業尤其是金融行業比較關注的。

4、數據賦能業務：收集了大量的數據，需要構建健壯的數據中台，至少包含指標監控、模型平台、可視化展現平台等，去賦能前台業務；

5、數據應用：數據分析結果有了，怎樣去投產，以帶來業務價值，制定怎樣的評估體系來跟蹤應用環節，以期待優化迭代整個數據和業務流程。

下圖是某保險企業在實際的數字化轉型過程中面臨的困境：

面對上述各類問題，企業想要體系化的解決它們，應該怎麼做呢？TalkingData作為國內領先的第三方數據智能服務商，積累了大量的數據服務經驗。

TalkingData積累了海量的人本數據，並基於此構建了產品平台、數據服務、創新咨詢三位一體的客戶服務體系，旨在幫助客戶收集數據、構建數據指標體系、搭建數據中台、豐富數據維度，最終達成數據驅動業務發展。

TalkingData開放數據生態

首先，TalkingData有成熟的數據市場，整合匯聚了不同場景的數據，可以為企業提供豐富的數據維度：

其次，TalkingData基於多年的數據服務經驗，構建了自身的數據產品體系，從數據收集、流程跟蹤、行銷閉環甚至數據科學平台都有對應的產品去解決數據驅動各環節的痛點：

TalkingData基於自身的數據實踐，產品探索、數據中台以及多年的行業數據咨詢合作經驗，形成了完善的數字化轉型方案，為企業提供搭建數據賦能體系的創新咨詢，協助企業利用數據驅動業務生產和發展。