“我不相信上帝，但我相信数据。”---可能是阿基米德说的。

大数据当然早已经不是什么热点了。

当然，大数据的本质还是数据，那么数据是什么？

“数据是数字化的证据和依存，是事物存在和发展状态或者过程的数字化记录。”

数据仅仅是数字化的记录，经过采集、存储、传输、挖掘、处理和分析之后，才有了指导意义。

运用数据指导企业很早就被人们熟知了，如今之所以要用“大数据”来表达，主要原因是数据科学，计算机科学以及互联网的发展，让数据的获取，数据挖掘和数据的传输更加容易，之前因为技术限制无法涉及的维度如今都可以实现了，我们能够从更复杂的结构，更多的层次上依靠数据。所以大数据的所谓“大”，不仅仅是多，还是快和广。

大数据的深层理解，是数据加工的方法，可以代表人们的思考方式。

既然是聊一聊大数据与企业经营，那重点就是围绕着经营的问题，从目的到方法，粗浅的分析下大数据与企业经营种种联系。

【大数据应用的目的】

数据使用的目的可以分为：追溯、监控、洞察、预测、验证

对于企业经营，数据应用最重要的目的有两个：预测未来趋势、优化资源配置

1.预测未来趋势：

运用数据对现实的监测实现对未来的预测，实在是大数据很酷的运用。

下面举栗子：

比如根据GIS地理信息系统的数据，可以了解到不同区域的居民特征（收入和消费水平，人口结构，生活偏好等），这样预测城市不同区域的消费能力和偏好，对于店铺选址或者差异化广告宣传有很好的指导作用。

又比如，将天气数据与超市销售数据的深入挖掘和分析，发现特殊天气与某些货品销量的联系，能有效的指导零售商调整库存及货架的布局。曾经有个零售商发现，在一个沿海城市的台风季，高度酒的销量就提高，多年来一直如此，原来是因为大风天气人们不需要出门工作，可以借此机会饮些高度酒。

数据本身的价值并没有如今这么高，一直以来困扰数据发展的就是如何把海量的数据转化成可以接收的信息，并转化成知识，将数据内容最大化的呈现，将数据的价值最大化的实现。

刚才提到的天气和零售货品的栗子里。台风天气的预测是数据，酒的销量也是数据，两者结合得到台风天气高度酒销量增长，就是一条信息。再进一步，恶劣天气里，人们会更容易买高度酒，就成了一条可以指导销售的知识。

这就是比较简单的依靠数据预测未来趋势的方式。

2.优化资源配置

运用数据优化资源配置越来越重要，主要是因为现在的数据真的非常的“快”。

经典案例将啤酒放在婴儿纸尿布旁促进啤酒销量就是优化布局资源的体现。

前段时间，滴滴打车根据长时间不同时段用户叫车的数据分析，总结了不同时间段用车高峰的地段，用来指派和调动司机，可以很好的让资源在最优的模式下运行。

个人认为，这一点更像是“大”数据给企业带来的帮助。数据处理速度的巨大提升，给了市场营销足够的时间去优化资源的配置，实现真正的高效。

大到一家工厂根据库存和市场销售监测及时优化工人或者生产的配置，小到一家餐厅根据季节和点餐情况优化食材的购买和厨房配菜情况。

【大数据运用的思路】

1. 从全局出发，先总后分：进行拆解和结构化组合，是开始分析的基础；

2. 挖掘寻找逻辑因果关系：数据分析是非常理性的，寻找逻辑关系也是最复杂、最需要经验的地方；

3. 从定量到定性：基于之前的逻辑关系和分析，洞察出定性总结；

4. 数据可视化：这不只是数据的表达，可视化的过程本身就是最高级的分析方法，很多商学院都把数据可视化作为一门独立的课程了，十分重要；

5. 商业知识：懂得商业逻辑和经营的基本知识，才能真正理解数据背后的逻辑，让数据为企业和管理服务。

【企业经营大数据运用的基本方法】

1. 对比：

进行数据的对比，是最基本的方法之一，核心的方式是设计一个合理的指标，也就是商业分析从业者常说的Benchmark。

“指标”不仅仅是数据，而是一个评价体系，是有很标准和逻辑的运算得到的，比如国家报告里常出现的CPI（消费者物价指数），或者企业常用来考核员工的KPI（关键业绩指标）。

对于企业经营来说，以下几个指标最为重要：

规模指标：代表市场影响力

速度指标：代表发展潜力

效率指标：代表投入产出比

效益指标：代表赚钱的能力

值得注意的是，不同的企业关注指标的侧重点不同：初创企业最关注速度指标，要跑得快；成长型企业最关注效率指标，资源充分利用；成熟的企业最关注规模指标，要当市场老大。

2. 分类与归类

对数据进行分类和聚类的处理，同样是最基础的方法。

分类---根据目的找维度

举个栗子，一款游戏产品有300w个用户，我们可以从年龄层划分为12～18岁、18～25岁、25～35岁...以此来分析用户的年龄，当然也可以再细分到一二三线城市的用户。

不同的分析对象有不同的属性，不同的属性自然会产生不同的分析维度，分类不仅可以帮助我们分析数据，还可以帮我们采集数据，如果我们打算分析一款电子产品在市场取得成功的可能性，那可以关注这几个维度的数据：产品性能、品牌力、产品价格、消费者接受程度、渠道覆盖范围等。

归类---根据目的做聚合

有一句结论要说一下：“大数据让归类越来越重要”，因为大数据让个性化凸显出来，越来越多的消费者形成独特的、小众的、社群性的群体，在过去我们管这类群体叫“亚文化”，因此也催生出了Supreme、Vans、摩登天空还有各种厂牌，以及我们现在看到的网红经济，都是个性需求与多样化市场供给结合带来的化学反应。

有一个前提，无论多小的类目，他们之间还是有差异性，我们在归类的时候要做的，就是设定一个相应的指标和变量，按照这个标准去进行数据聚合。

举个栗子：还是这一款300w用户的游戏，我们通过抽样调研，找到3000个用户分析他们选择这款游戏的原因，最后我们会得到各种各样回答：为了消磨时间、游戏效果好、周围的人都在玩、可以跟朋友互动等等，我们可以把众多的答案进行归类，分成几大驱动因素，从而得出比较简明又容易理解的原因。

3. 逻辑和因果关系

这部分是最考验梳理分析能力的，更多的时候，分析师会用回归分析这样的专业语言来表述方法，核心则是构建一个数学模型，来发现影响事物的原因和科学规律，数理层面的东西，大家可以参考市场调研行业的回归分析方法论。

不过有一点要指出：数据和运算只能告诉我们结果，但是不能告诉我们原因。

如果要探究原因，还是需要人的思考，比如著名的“啤酒和尿不湿”。所以运用数据的同时，一定要加上自己的思考，才能从数据层面的关联关系进而推断出逻辑关系。

4. 预测

这是大数据的终极奥义。

基于宏观层面，核心是规律的预测；基于微观的层面，核心是事务的预测。举例来说，我们会通过数据来分析行业所处的市场生命周期，找出其中的规律；而在设计一款新产品的时候，我们会根据数据来看未来消费者是否会出现比较大的需求。

一般预测可以通过以下几个方法：

依靠以往经验

类比相似事物的数据

周期性规律

相关逻辑关系

【大数据的商业应用】

经过了从分析到预测的过程，就是要对于企业经营的问题提供实质上的帮助和解决方案。

这部分就是经验丰富的企业管理者最擅长的了，在这里就不班门弄斧啦。说一说自己的理解，通过数据延伸到解决方案，要关注数据的“结构”和“维度”。

数据的结构，可以帮我们更好的优化资源的配置，也影响企业的性质，比如BAT三家，大家常说技术看百度、运营看阿里、产品看腾讯，就是根据这三家公司内部资源的侧重来定性的。我们可以根据市场需求和目标市场来调整企业的结构以及侧重点。再看微观一些，对于一件新产品的上市，要充分分析产品的成本结构，寻找价值链上的关键因素，进而调整出一个最优的方案。在做资源配置的时候，专业人士会使用到DEA模型，相对复杂，感兴趣的可以研究下。

数据的维度，就是要具体问题具体分析了，和数据应用的场景相关，当然更依赖分析者的经验，比如to B企业的市场部门，更关注客户维度以及产品和服务维度的数据；而零售品牌，更关注区域市场和渠道，品牌认知度的数据，如果转到电商，关注的维度又会变成流量、转化率、DAU等等。

以上，是对于以往工作和学习的总结，也是自己粗浅的理解，欢迎大家交流以及拍砖勿打脸。