成功的大數據規劃聚焦于四個核心要素：應用場景、數據產品、分析模型和數據資產，企業著手實施大數據戰略要著重考慮這四大方面，管理者需要在這四方面做好規劃，才能給企業帶來更好的業務價值。

　　首先是應用場景。

企業需要確定不同業務投入大數據的優先級，確定大數據的切入點。企業需要優先考慮業務的哪些方面投入大數據可以為企業提升績效。常見的大數據應用場景，有業務運營監控、用戶洞察與用戶體驗優化、精細化運營和營銷、業務市場傳播、經營分析等常見的方面。當然在人力資源、IT運維以及財務等方向也可以引入大數據。企業高管需要和各業務的整體負責人、數據專家一起開展研討會，分析哪些業務投入大數據可以使得業務的績效提升最為顯著，從而確定不同業務投入大數據的優先級，找準大數據的切入點。數據能夠在哪些領域實現業績的大幅提高？數據能在哪些領域實現企業運營效率的提升？這些問題很重要，一開始就必須提出來。每個重要業務部門和職能部門都需要考慮這個問題，并展開相關的研討。企業高管實施大數據戰略的時候需要高度重視這一步。但國內很多企業往往忽略的這一方面，投入大數據往往不是以提升業績導向，而是以學術導向，使得很多企業實施大數據卻看不到數據對企業績效提升，從而使得大數據戰略流產。

第二方面是數據產品。

在確定了大數據的業務投入優先級后，我們需要考慮的是如何通過數據產品來幫助提升業務的績效。為什么是“數據產品”而不是“數據工具”？這是因為“數據產品”比“數據工具”更加強調易用性和用戶體驗。數據和分析模型本身的輸出可能會比較復雜，比較難理解，這樣往往導致經理或者一線員工等數據用戶不能理解，更稱不上運用。所以，只有數據產品在業務具體的場景運用的時候，以非常簡單易用的方式來呈現，才能讓更多的數據用戶使用。大數據魔鏡就是這樣一款“數據產品”。普通業務人員可以三分鐘學會數據分析，并且使用內部數據共享功能，協同公司上下級共同決策。企業數據用戶在實際運用大數據的時候，更關注的是大數據的產品在哪些方面可以直接幫忙提升績效，不會太關注大數據這些產品背后的邏輯、分析模型等“黑洞”。如果我們在提供數據產品的時候需要數據用戶理解很多“黑洞”，那么數據一定運用不起來，數據的價值就會大打折扣。比如，數據產品可以告訴營銷人員，您這次合作的營銷推廣渠道有所帶來的用戶40%是作弊而來，我們把這些作弊渠道帶過來的用戶叫“假量”，數據產品不需要告訴營銷人員“假量”是如何計算的，但知道結果和優化方向即可?；蛘邤祿a品可以直接告訴營銷人員哪些產品和其他產品可以做交叉銷售，如果這些產品實施交叉銷售，可以進一步提高銷售額。

第三方面是數據模型。

數據產品背后的“黑洞”是數據模型。數據的堆砌不會創造太多的業務價值，需要數據模型、數據挖掘的方法來實現海量數據的商業洞察。常見的模型如預測和分類。在預測方面，如通過高級的模型來預測哪些用戶可能會付費，他們的特征是什么，經常在什么地方出沒;通過數據模型來預測付費客戶的數量，以提前發現考核期結束后付費客戶數量和KPI的差距以及優化方向;通過預測模型來洞察用戶的未來購買需求;在分類模型方面，我們可以通過分類模型結合大數據實現更準確更實時的用戶細分;或者通過分類模型對不同價值的客戶進行合理的分類，確定服務的優先級和服務內容。企業在制定大數據戰略方向時，需要介入數據專家根據應用場景和數據產品的輸出來選擇模型以及優化模型，從而確定模型研發的方向和優先級。

第四方面是數據資產。

有了應用場景、數據產品和數據模型這三大方面，我們就能更清楚的知道為了實現這三大方面，我們需要哪些數據，什么數據是企業現在擁有，什么數據可以通過合作產生，什么數據需要外部整合，什么數據需要進行購買或者投資。有了前面這三大方面(應用場景、數據產品和數據模型)的規劃，大數據的采集、整合、管理的策略便能比較容易理清頭緒和相應的規劃。當我們合理的整理企業所擁有的數據，并整合有利于業務發展的外部的數據，形成系統化的管理，才能很好的形成企業的數據資產。但在國內，最大的問題常常是各業務部門、各事業部以及職能部門的數據經常各自為政，數據存放在不同的數據庫中，數據無法整合打通，企業內部形成各種孤島，導致企業數據資產無法發揮整合效益，數據資產流失。要讓企業的數據成為長期的數據資產，企業高管則需牽頭規劃，整合不同業務部門、不同事業部的數據，推動建設高數據質量的數據治理標準。更多精彩內容，請關注互聯網分析沙龍微信：techxue　每天為您推送