這是一個比拼數據應用的時代。正如馬云所說：“人類正從IT(Information Technology)時代中走向DT(Data Technology)時代。” 數據，不論是經營數據、生產數據還是宏觀數據、競爭數據，對于一個企業已遠不止是參考和情報，對數據的應用程度和基于數據的決策水平影響著企業的發展。

在這樣的時代，一個企業利用數據推動和改造自身盈利水平的能力至關重要。羅蘭貝格將這種能力定名為“數商”。數商高，則企業能充分利用數據致勝；數商低，則企業終將迷失在大數據的浪潮之中。

大數據的先行者們已向后來人展示了這一點。對于著名的社交媒體公司Facebook來說，大數據早已是其企業戰略實現過程中最強力的助推器。該公司通過內部發展和兼并并購構筑大數據能力，形成AI Lab基礎平臺部門以及散落于各業務小組的數據應用方的組織架構。將大數據應用嵌入到提升用戶體驗/粘度以及提升廣告投放效率的方方面面，利用可視化數據調用工具，所有項目可隨意按需使用數據，實現數據的虛擬大集中。

如今，大數據已不再是數字/互聯網行業先行者們的專利，正逐步演進到傳統行業，例如汽車行業、金融業、醫療行業、消費品行業等，被更廣泛的企業所重視。

　　圖：大數據應用行業趨勢

2014年底，一份由Forbes發起，針對全球296位年收入超過10億美元的大型企業的高層人員進行的調查顯示，超過69%的CEO和34%的CMO（首席營銷官）認為公司在營銷活動上浪費著資金。雖然要精確定位那部分被浪費的廣告費是個一直以來的難題，但Forbes的調查亦顯示，了解“大數據”這一概念的企業管理人員更清楚地知道誰在購買他們的產品，同時也更明白這些消費者的喜好，相應地也更少認為他們的營銷費用被明顯浪費了。

營銷領域還僅僅只是大數據最易被人理解和接受的一隅。事實上，大數據可以影響企業的方方面面，比如生產環節的個性化和單體效率管理。伴隨著數據量的積累和數據拼圖的完善，不排除未來通過數據走勢來預測企業未來發展的可能。

而從產業環境方面來看，“互聯網+”及大數據產業孵化不斷加速著數據資產化進而貨幣化的進程，數據變現的途徑日趨明朗。今年4月14日，貴陽大數據交易所正式掛牌運營并完成首批大數據交易，據交易賣方為深圳市騰訊計算機系統有限公司、廣東省數字廣東研究院,買方為京東云平臺、中金數據系統有限公司。此事件標志著大數據價值顯性化進入新階段，數據的獲取及變現不再遙不可及，已開啟“數商”的先進企業均有機會從數據中直接獲益。因此，企業提升“數商”，就變得愈發緊迫。

那么究竟該如何提升數商？提高數據處理的技術能力？升級數據分析系統？我們認為，遠不止如此。企業應將大數據視為新的企業運營模式的變革潮流，并找到一種行之有效的“沖浪”方式。在扎實的理論和大量的項目經驗基礎上，我們發現，找準行業和企業自身的應用節奏，由此建立自身的大數據分析及應用體系，是企業推動DT時代運營模式革新的最佳辦法。

該體系應從三個維度入手：

首先，確立以應用為導向的大數據價值觀，面向數據應用而非面向數據，設計整體機制保障，從紛繁復雜的數據中攫取價值黃金，而非漫無目的地從IT干起；

其次，企業還應關注在大數據生態體系下的數據能力的培養；

另外，梳理和積累適用于自身的大數據業務場景庫及分析模型庫。

何謂應用導向的價值觀？即充分意識到，企業大數據分析體系應圍繞企業價值為核心，以應用為導向，形成業務對應于數據的切實可行的運轉機制。

企業的所有活動以實現企業價值為核心，大數據活動亦不能例外。牢記在心的，應是如何利用大數據幫助企業創造價值，而不是模糊遠景感召下的無謂投入。在此基礎上還應明確，企業對數據的利用應以實際應用為導向，其最終目的是將數據分析轉化為生產力。換句話說，企業應從實際待解決的業務問題出發，對應到數據予以解答，并最終落實回應用場景。要使大數據成為一種產出的科學，而不是偶爾的靈光一閃，也不是偏頗的調研數據主觀總結，則要形成穩定的運轉機制，建立可以復制的大數據方法框架，以及配套的組織、流程、技術的支撐體系，以容納不斷推陳出新的應用主題的處理。

　　圖：以應用主題為導向的大數據分析體系

正確認識對大數據的應用問題之后，則需著手培養數據能力。融入大數據的生態體系是企業利用大數據的必由之路，在數據生態體系之下進一步提升數據多元化能力、數據結構化能力以及數據個性化能力。

在當前并未充分形成市場流動的數據條件下，絕大多數企業必須通過積極參與和融入數據生態體系來利用大數據。在生態體系中，外部數據源、業務指導和技術專家是企業需要重點聯合的對象。企業首先需充分集成自有數據（如消費者購買信息、登記信息、會員卡信息、登陸信息等等），并在數據生態的基礎上，按業務需要明確所需外部數據源，通過交易、項目合作、數據交換、開放賬號等方式豐富自身數據體系，形成數據鏈條。

事實上，一個企業80%以上的數據都是非結構化數據，例如客戶在社交網絡上對企業產品服務的評價互動、聊天記錄、評論、圖片、語音等。這些復雜多樣、散布各處、沒有規律的數據中往往蘊含大量有價值的信息，企業可從中窺見客戶對產品、品牌的印象，客戶自身的喜好特點等等內容。通過Machine Learning技術實現文本、圖像和語音信息的結構化，抓取、挖掘、整理出這些數據中反映出的有效信息，是企業為數據洞察提供輸入的重要能力之一。

基于數據多元化和結構化能力，結合業務分析與數據處理，獲得個性化的洞察力是實現數據變現的關鍵。通過對大量數據的分析找出關聯、挖掘規律，從而總結出特定數據所反映出的特定的個體信息。并利用機器對未來的數據進行自動分析和總結，進行大規模的數據處理、歸納、整理和結果產出。最終利用機器學習產生的結果，了解不同類型個體對象或群體對象的不同特征，進而定制化針對性的業務活動。注：當前以Google、Facebook、Amazon等海外巨頭為首的互聯網公司正在進行深度學習(Deep Learning)的研發，深度學習技術能免去上述的結構化步驟，直接將數據輸入機器，由機器自行發現規律、擬合模型進行特征挖掘

大數據最終轉化為生產力，還需落實到具體的業務場景之中，形成企業自己的基于大數據的業務應用庫和分析模型庫，以切實找到數據助力點。企業戰略的實現寓于各種業務與生產活動之中，大數據的發力亦應著力于此。以我們的項目經驗來看，建立業務應用庫，須掃描企業的生產及運營過程，識別大數據適用的業務場景，使用標準格式進行業務用例的統一記錄。其內容包括場景描述、大數據的解決思路、數據來源、面向的用戶、獲益方式以及應用后效果評估方式。

　　圖：某著名車企大數據分析的業務用例庫示意

在大數據適用的業務活動得到梳理后，進一步的工作即是分析模型的建立。業務應用庫與分析模型庫是多對多的關系，即一個業務用例可能對應于多個分析模型，例如客戶再購場景會用到客戶消費頻率模型以及客戶消費水平模型等等；一個分析模型也可應用于多個業務場景，例如客戶信用模型可用于信貸場景亦可用于賒買場景。分析模型庫的精進和完整，代表著企業釋放大數據潛能的程度。

隨著互聯網應用的高速增長、移動互聯網的普及、物聯網的興起，數據的數量、多樣性和生成速度都將呈現爆發式增長。數據資產這座金礦的潛在價值更加凸顯，如何在數據的礦山中挖掘出商業價值的真金將變得越發復雜也越發重要。未來，誰能善加利用數據，誰擁有更高的“數商”，誰就能在日益激烈的市場競爭中脫穎而出。