很多正在實施大數據的企業或機構并不成功，為什么?他們實施大數據都存在共同的問題，最為典型和嚴重的是三個問題是

剛剛過去的2016年，是大數據從概念到務實落地的一年。在過去的一年內，互聯網行業、電信行業、金融行業、房地產行業、汽車行業、娛樂行業、教育行業、零售行業、能源行業、醫藥行業、政府機關等都在不同程度的接觸和實施大數據。很多正在實施大數據的企業或機構并不成功，為什么?他們實施大數據都存在共同的問題，最為典型和嚴重的是三個問題是：

問題1:業務部門沒有清晰的大數據需求和規劃

很多企業業務部門不了解大數據，也不了解大數據的應用場景和價值，因此難以提出大數據的準確需求。由于業務部門需求不清晰，大數據部門又是非盈利部門，企業決策層擔心投入比較多的成本，導致了很多企業在搭建大數據部門時猶豫不決，或者很多企業都處于觀望嘗試的態度，從根本上影響了企業在大數據方向的發展，也阻礙了企業積累和挖掘自身的數據資產，甚至由于數據沒有應用場景，刪除很多有價值歷史數據，導致企業數據資產流失。因此，這方面需要大數據從業者和專家一起，推動和分享大數據應用場景，讓更多的業務人員了解大數據的價值。

問題2：企業內部數據孤島嚴重

企業啟動大數據最重要的挑戰是數據的碎片化。在很多企業中尤其是大型的企業，數據常常散落在不同部門，而且這些數據存在不同的數據倉庫中，不同部門的數據技術也有可能不一樣，這導致企業內部自己的數據都沒法打通。如果不打通這些數據，大數據的價值則非常難挖掘。大數據需要不同數據的關聯和整合才能更好的發揮理解客戶和理解業務的優勢。如何將不同部門的數據打通，并且實現技術和工具共享，才能更好的發揮企業大數據的價值。

問題3：組織架構未能有效支撐大數據實施

很多企業或機構在實施大數據的時候，只是簡單的建立大數據技術部門，僅從技術、算法角度考慮。企業往往不能科學的考慮大數據團隊內部應該招聘和培養哪些方面的人才。同時，更不會考慮不同大數據團隊和業務部門如何更好的協同作戰，導致大數據不能充分有效的在業務場景的中落地。

那么，在大數據時代，企業如何更有效的實施大數據戰略，如何規劃、如何實施、如何保障大數據的相關工作可以順利開展。我們認為，企業要實時大數據戰略，需要從五大關鍵方面規劃：1.制定大數據規劃找準切入點;2.強化大數據領導力設立CDO;3.設計合理的大數據組織結構;4.搭建富有執行力的大數據團隊;5.用制度和文化保障大數據實施。本文將從這五方面展開。

　　1.制定大數據規劃找準切入點

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方面，管理者需要在這四方面做好規劃，才能讓大數據發揮價值，從而給企業帶來更好的業務價值。

大數據規劃首先是應用場景的規劃，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。在企業中，大數據應用場景包括業務運營監控、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。企業不可能所有應用場景都一起實施，因此，企業高管需要和各業務的整體負責人以及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,但在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，而是以純技術導向，或者是為了“趕潮流”，使得很多企業實施大數據的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。企業數據用戶(往往是業務、產品、營銷負責人等非大數據專業人士)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，不需要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;或者數據產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，數據產品可以根據用戶需求自動化實現交叉銷售，從而進一步提高銷售額，

第三方面是數據模型。數據產品背后的“黑洞”是數據模型。數據的簡單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，經常在哪里出沒;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。

值得注意的是，為了加快大數據的推進速度，企業高管同時需要確定什么方面企業自己開發實現，哪些方面委托第三方實現，哪些方面需要購買。在數據產品和數據模型方向，不一定所有工作都需要內部員工實現。領導層需要根據時間和自身資源(尤其是人力資源)的情況判斷，哪些數據產品自己開發、哪些數據產品可以委托第三方公司開發、哪些數據模型自己開發、哪些數據模型委托第三方公司開發。在收集外部數據的時候，我們既可以組建自己的團隊進行數據收集，或者委托第三方公司幫忙收集，或者直接采購，或者收購相關的數據公司，總之，在企業需要根據自身情況進行合理的規劃。

2.強化高管團隊大數據能力，設立數據CDO

在互聯網和大數據高速發展的時代，大數據正在深刻地改變商業前景。如果企業要想抓住這個機遇，企業高管的數據決策力，數據管理能力也需要加強。抓住和大數據相關的機會可以增加企業營收、提高企業運營效率，甚至開拓出全新業務。大數據在推進的過程中，最關鍵是要高管重視，高管重視不僅僅是掛在口上，而是要考慮在決策層構建數據方向的決策力和領導力，否則企業很難把大數據用好。因此，需要在決策層增加數據高官，如果不增加新的數據高管力量，很多組織的大數據大計將難以啟動。

因此，高管團隊中需要有專人負責制定大數據戰略、跟進、監控和指導大數據戰略的實施。如果沒有在高管團隊設立相關的數據負責人的職位CDO(首席數據官)，則很難把數據分析和數據挖掘所發現的機會應用于企業戰略層的業務發展決策以及相應的組織層面的變革。所以，我們建議，如果企業確實要推動大數據，一定要考慮設立CDO職位。

CDO是一個綜合能力要求非常高的職位。CDO需要跟各業務負責人有很好的互動，深入了解業務和未來兩三年的業務發展規劃，在此基礎上，制定在數據應用場景、數據產品化、數據建模、數據資產管理的戰略并推動實施。CDO在推動數據戰略的實施過程中，還需要構建企業的數據化思維方式，推動構建相應的數據企業文化和制度，通過文化和制度使得大數據技術更有效的促進業務績效的提升，企業運營效率的提升，甚至是新商業模式的變革。

這里面還有一個比較重要的問題是CDO的回報對象的確定。很多人會問，CDO匯報給CEO、COO還是CTO哪位更合適。企業往往陷入一個誤區，覺得數據是技術工作，所以不少企業設立數據高管后，讓數據高管直接向CTO匯報，這樣的做法有可能導致數據和業務會有較大的脫節。我們建議是，要根據企業實際情況來選擇CDO的匯報對象。如果您的大數據戰略剛起步，還需要從搭建整個企業的大數據底層平臺開始，大數據的業務應用短期內較少，那么大數據可以向CTO匯報;如果企業已經有一定的數據基礎，數據平臺已經成型，那么，我們建議CDO可以向COO或者CEO回報，這樣數據才能離業務更近，更能敏捷的應用于業績的提升上。我們所看到的大數據運用的較好的企業，數據負責人經常和業務負責人一起制定公司大數據實施計劃，一起推進大數據在業務績效提升。

3設計合理的大數據組織架構

企業的組織結構是企業戰略能夠順利實施的基礎，所以，大數據團隊合理的在組織架構設置對于大數據戰略能否成功實施尤為關鍵。國內很多企業往往忽略的這一方面。很多企業設立數據團隊缺乏統一的規劃，哪個事業部需要數據人員則在該事業部(或業務部門)設立，如下圖的“組織結構1”，這種組織架構是國內最常見的，這種組織架構最大的問題是數據分散，缺乏統一管理和整合，企業內部各事業群(或業務部門)數據各自為政，形成數據孤島，數據無法整合使用，導致數據資產流失。

另一種常見的做法是在公司只設立一個中央數據部門，該數據部門統一服務各個事業部(或業務部門)，各個事業部(或業務部門)沒有數據人員或者團隊，如圖中的“組織結構2”。這種組織架構的問題在于數據雖然集中管理，但數據遠離業務，導致很多數據人員不理解業務，無法挖掘數據的價值，無法通過數據很好的輔助業務提升績效或者運營效率。由于數據人員無法理解業務，導致數據庫中存儲的很多數據變成“死”數據，數據的業務含義少有人理解，數據的價值便容易流失。

我們認為較為合理的數據團隊在組織架構應該這樣設立(如圖中的組織架構3)：首先，設立公司級的中央數據部門，集中存儲和管理數據;其次是每個事業部(或業務部門)設立數據團隊;第三是在總辦設立CDO的崗位。這樣的好處在于數據能夠集中管理，數據貼近業務，可以很好的發揮數據的價值;同時，在總辦(高管團隊)設立CDO崗位，可以讓數據更好的為決策層服務，數據分析所發現的商業價值也可以更快的應用于業務戰略調整。

大家比較關心的是，在這個組織結構下，中央數據部門和各事業部(或業務部門)的數據團隊有何差異。我們可以從兩大方面來區分：

(1)從匯報關系的差異來看

事業部的數據團隊負責人向所屬事業部的總負責人匯報，中央數據部門的負責人向CDO匯報，這樣的匯報關系的好處在于，前者讓數據能為具體的事業部服務輔助提升業績，每個事業部必然有其不同的數據分析重點，這樣可以讓數據服務更有針對性，后者讓數據更有大局觀，能為總辦做深度的數據洞察服務。

(2)從團隊工作職責差異來看

中央數據部門負責數據的規范化集中存儲和管理，負責公司各業務線數據的整合打通，形成公司級統一的用戶(客戶)畫像，負責標準化的數據產品并應用到各業務線中，形成深度的公司級的數據模型和算法，做出公司集團層面視角的分析和洞察;

事業部中的數據團隊負責該事業群的日常統計分析和事業群專題類的深度洞察，并輔助事業群的技術人員合理的把數據規范的上報到中央數據部門，與中央數據部門合作，共同深刻理解該業務的數據結構、做更精細且與本部門關聯性更高的用戶畫像等與業務關聯度更高的數據工作，推動該事業群所有數據的集中化到中央數據部門，并輔助推動公司級的數據產品應用到本業務部門或者向中央數據部門提出數據產品化、數據建模的需求。

4.搭建有效的大數據團隊

人才是大數據戰略實施至關重要的方面，因此，設置符合大數據能力要求的團隊顯得尤為重要。如果組織缺乏合適的人才或能力，大數據戰略實施的結果很可能會令人沮喪。因此，企業做好相應的人才規劃，按照合理的規模和構成來建設人才庫。在上文提到，在合理的大數據組織架構下，有兩類數據團隊，一類是各事業部中的數據團隊;第二類是中央數據部門的數據團隊。上文提到兩類團隊其職責不同，因此，能力要求也不一樣。事業部的數據團隊能力要求是數據分析為主，招聘主要為數據分析師或者數據分析專家。而中央數據部門的數據能力要求較為復雜，包括六大方面的能力，即數據分析、用戶研究、數據產品、算法工程、數據統計和數據平臺。在此我們展開介紹中央數據部門六大方向的能力要求：

(1)數據分析團隊負責公司級的業務數據體系梳理和建設、公司級的業務專題數據分析和收入分析;此處的數據分析團隊能力要求與事業部中的數據分析團隊類似，區別主要是他們分析時的視角有所不同，中央數據部門的數據分析團隊要站在整個公司角度去審視業務，洞察不同業務的問題，發現機會;

(2)用戶研究團隊負責用戶調研(調查問卷、座談會、訪談以及眼動儀等)、口碑監測、產品體驗分析等方面。用戶研究團隊主要面對的小數據，但由于用戶研究可以發現大數據所不能發現的用戶使用行為背后的動機及態度等方面，所以用戶研究團隊與數據分析團隊兩者結合將能實現大小數據結合全方面洞察用戶的作用;

(3)數據產品團隊負責把分析能力產品化、或者基于算法或者模型所產生的數據產品(如渠道防作弊系統、個性化推薦系統等)、數據平臺相應系統的產品化、數據可視化等方面的工作。該團隊人員類型有數據產品經理、前臺開發以及交互設計師等;

(4)算法工程團隊主要負責算法研究并把算法能力嵌入到業務的流程或者業務產品中，幫助業務提升業務績效或者提升運營效率。研究的方向包括分類算法、個性化推薦算法、基于數據挖掘的客戶生命周期管理等方向。算法工程團隊主要是招聘算法工程師，對數據敏感，要求數學和機器學習方面的能力較高，同時算法工程化的能力較好;

(5)數據統計團隊主要負責完成各事業部提出的統計需求，并把統計結果展示到報表系統，同時還負責元數據管理、數據處理、數據統計、數據質量控制和維護等方面工作。

(6)數據平臺團隊主要負責數據統計產品的后臺開發、數據倉庫建設、數據接入系統、計算任務調度系統、元數據管理系統和實時計算能力的建設等方面工作。

5.用制度和文化來保障大數據的實施

大數據的順利實施還需要構建數據決策的企業文化和相關的制度來保駕護航。大數據沒有企業高管的重視，沒有一線員工積極的參與，在實施時會變得效率很低。通過企業文化和相關的制度調動組織的積極性，才能讓大數據的實施取得更好的效果，具體做法有三大方面：

(1)轉變思維方式，形成數據決策的文化。企業文化本質是老板文化，如果要構建數據數據決策的文化，企業老板們則需要形成看數據的習慣，老板要帶頭看數據，比如通過郵件看每天的關鍵指標的日報、看每周的周報，看月報、季報等。無論是日報周報還是月報，一旦發現數據有異動，則馬上回復郵件問數據異動原因。同時，老板在做相關決策的時候，形成用數據決策的習慣，讓下屬提供充足的數據決策依據，這樣會驅動員工才更關注數據。

(2)相關崗位能力增加數據分析能力。在企業可能用數據較多的職位如運營崗位、客戶服務崗位、營銷崗位、人力資源、產品設計等增加數據分析能力的要求，員工在各自方向晉升的時候，需要評審其數據分析能力，需要舉證相關的數據支撐日常工作的案例。通過這樣的要求，員工自然會對數據的使用度更高。

(3)通過系統化的培訓來培養員工的數據分析能力。由專業數據分析人員和算法人員設計的數據分析解決方案或者產品必須以簡單易用的方式提供給一線員工，同時，更為重要的是加強相關的解決方案的或者數據產品的系統化培訓，讓更多的員工意識到這些解決方案或者產品的價值，并樂于在日常工作中使用。有很多企業往往陷入一個誤區，將絕大部分資金如超過80%用于建立模型或者開發數據產品，僅有很少的資金投入到一線的使用。我們的建議是，如果讓大數據產品或者解決方案更為廣泛被一線員工接受，數據建模/數據產品研發的費用和培訓的投入應該是對半分的。為了更好的推進培訓，企業還可以考慮成立興趣驅動的數據協會，讓更多的員工加入到該協會中，定期舉行培訓課程、研討沙龍以及聘請外部專家作相關分享以開拓視野。

總之，在2017年企業要啟動大數據戰略，讓大數據提升企業運營效率以及提升業務績效，需要從大數據整體規劃、高層團隊的CDO設立、組織結構的調整和優化、大數據團隊的架構和企業文化與制度等五大方面制定符合企業情況執行方案。只有這樣，我們才能夠讓大數據真正滲透到企業的“骨骼”和“血液”，讓大數據和企業經營融為一體，發生化學反應，驅動業績增長。