大數據重塑競爭力

　　策劃/本刊編輯部

　　執行/本刊記者?糜?豐

　　智慧支持/商界企業研究院?西斯科實驗室

　　時至今日，如果你和你的企業還不懂什么是大數據，只能說明你已經迷失在“時間的戰場”，你甚至有必要重新審視企業的頂層設計和商業路徑。

　　大數據并非新鮮事物，它正從單一的技術服務層面逐漸轉化到商業化應用層面。

　　——它可以幫助你洞察與觸達消費者，可以優化你的生產流程，可以升級你的產品和商業模式，甚至可以告訴你如何獲得最大的投資回報……

　　具象在企業需求與應用層面，大數據所激發的勢能甚至超乎想象。

　　從某種意義而言，與其說是大數據推動了商業化進程，不如說是一個在商業上激進的時代要求大數據商業化。

　　大數據正在重塑一切，但它提供的并非正確答案，而是參考答案；大數據也將改變世界，但前提是你需要找到正確的打開方式，重置想象力與競爭力。

　　以此為維度，我們談論大數據的價值與變現才更有意義。

　　如何成為一家數據驅動型公司

　　我們依然徘徊在時代門口

　　世間萬物，一切皆可量化，一切皆為數據。

　　毫無疑問，大數據開啟了一次重大的時代轉型，已滲透到每一個行業和業務領域，深刻影響著人類生活的方方面面。

　　喧囂之下，大數據在商業方面的應用實踐到底情況如何？

　　國內知名大數據科學家周濤教授認為，目前大數據的熱鬧程度遠遠超過它真正的貢獻，就國內情況而言，并未誕生有重大經濟社會價值的大數據產品，也沒有實質性推動相關傳統產業的轉型升級。

　　在周濤看來，大數據自身不能成為一個行業，一定要嫁接在某個或者某幾個垂直性行業里面。衡量真正的大數據貢獻，應該去看它能否給出原有商務智能方法、簡單分析、回歸分析等方式不能給出的結果；能否真的幫助企業降低成本、提升效率，縮短周期。大數據的效果不僅是可視化的，而且應該是通過結果導向回來的。

　　大數據公司“數之聯”CTO方育柯也表達了同樣的觀點。他認為，當前大數據在國內的商業應用主要集中在互聯網運營商領域，在傳統產業方面的應用比例并不高。很多制造企業在產品需求、生產流程、銷售渠道、售后評價方面還是非常傳統的拍腦袋決策，根本沒有智慧化生產、精細化運營、個性化營銷。

　　究其原因主要有三點：第一是數據挖掘技術門檻高，企業難以獲取鮮活、實時、準確的數據；第二是數據和價值分離問題嚴重，企業難以通過數據把握、直擊行業痛點；第三是企業或者政府考慮到數據安全問題，不愿意開放、分享數據。

　　大數據時代，看上去很美，但我們實際上仍然在時代的大門口徘徊，等待觸摸那片星辰大海。

　　頂層設計決定入場資格

　　這些年，越來越多的企業家、專家、意見領袖開始強調大數據對于企業經營管理的價值，這些價值既蘊含在企業內部數據，也蘊含在外部數據中。而大家共同強調的一點是，大數據的真正價值在于數據驅動決策—通過數據來做出的決定，要優于常規決策。

　　美國麻省理工學院一項針對數字業務的研究發現,那些進行數據驅動決策的企業，其生產率比一般企業高4%，利潤則要高6%。對于企業來說，似乎只有兩種選擇：第一，利用數據，做出更好決策；第二，忽略數據，讓別人超過你。

　　那么，如何成為一家數據驅動型公司？

　　1.得到盡可能多的數據

　　數據驅動決策的第一步是，你要有數據。當前的數據收集和分析工具允許將任何東西變成數據，所以企業真的沒有理由不收集和存儲盡可能多的數據。

　　2.制定可衡量的目標

　　制定一些可衡量的目標,通過查看數據去發現哪些變量影響了業務的哪些環節。企業做的每件事都應該有一些可以去測量的成果，這些“目標”不僅僅適用于高層,也應該被用于單個項目和個人目標設定。

　　3.確保每個人都能使用數據

　　企業一旦收集并存儲所有的數據,需要確保每個人都能使用，而不應該局限于數據科學家或IT部門，因此培訓基層員工了解數據非常重要。

　　企業還需要一個“首席數據官”級別的人負責數據策略，這個人要帶領公司推動數據驅動決策，并通過自上而下的命令和指導,來推動公司建立數據思維。

　　4.雇傭數據科學家

　　員工應該了解數據,但不能指望他們會掌握復雜的算法和數據挖掘技術，因此企業還應該雇傭一些數據專家。這些人非常了解數據科學、數據洞察、數據營銷和策略，可以讓企業知道如何更好地把基于數據的產品和服務轉變成行之有效的商業模式。

　　5.挑選合適的數據分析工具

　　企業可以選擇一款敏捷型的數據分析工具，基于這些工具再進行定制化開發，打造出最滿足自己分析需求的數據平臺。比如，可以用免費的流量監測網站，來判斷企業官網的搜索指數，監測App運營狀況等。

　　6.讓數據變成優先級

　　成為一個數據驅動公司的最好方法就是使數據成為一個優先級的任務，有遠見的公司已經把數據驅動決策融入到他們的日常工作。他們在做決策時可以接受質疑,只要這些質疑是基于數據和分析的基礎上。

　　大思維與“小時代”

　　大數據不是大企業的特權，中小型企業大數據應用難以落地的根本原因是缺乏大數據思維。對于大多數中小企業而言，搭建大數據體系初始成本較高，在這種情況下，建立大數據思維，做好“數據借力”，或許是一條生存之道。

　　關于“數據借力”，普華永道首席數據科學家姚遠提供了五條辦法：

　　第一，做好數據價值調研。企業在購買搜索關鍵字、投放DSP（精準定位人群）廣告等大數據業務前，要先做調研，對數據是否能帶來期望的商業回報做到心中有數。

　　第二，確認核心數據屬性，建立海量數據與核心數據以及內部數據與外部數據間的關聯標準。比如，對于零售企業來說，CRM（客戶關系管理）和客戶營銷數據一定是核心數據，而推廣活動所收集的消費者信息和社會化媒體產生數據則是外圍數據的重要來源。確認數據屬性之后，一定將內部數據與外部數據打通，形成合力。

　　第三，用虛擬人脈交換來獲取數據。對中小企業而言，數據的缺失是一種常態，但它們可以通過擴展人脈，來加強對數據的獲取能力。比較常見的做法是建立企業自媒體，通過不同行業領域的企業人脈互相交換。企業還可以通過線下人脈尋找優質的高端群體用戶，通過收集其詳細資料、分析其行為愛好，將相關分析存儲到自己的系統中，就能形成優質的大數據資源。

　　第四，在關注大數據的同時要關注好小數據。企業的大數據起步，要從小數據開始，從核心數據開始。以業務為主導做好小數據，有助于企業做好企業內部的精細化管理、對市場的觀察，以及未來發展方向的規劃。

　　第五，賦予高管更多的權力。做好大數據應用需要企業內部建立大數據文化，比如，靈活的部門間協作機制，管理人員使用數據分析模型的習慣養成等。這就要求企業賦予高管更多的決策權，以幫助其突破制度限制、協調資源、協同合作，更積極主動地應對大數據挑戰。

　　綜上，中小企業可以通過各種方法，因地制宜打造自身在數據獲取和分析上的能力，成就自己的“小時代”。

　　做前端的收割者

　　“一切都被記錄，一切都被分析”，這句話很好地詮釋了大數據時代的魔性——任何行為都可能被“數據化”。一個顯而易見的事實是：通過高速發展的移動互聯與無處不在的智能終端，人類生活的各種行為都將被深度采集，并事無巨細地被翻譯成數據。

　　作為整個大數據鏈條的最前端，數據采集是一切能量變現的基礎，尤其是在實踐應用中，它更是在很大程度上扮演了“大偵探”的角色。

　　特朗普的“上帝之眼”

　　大數據幫助特朗普“干掉”希拉里，最終當選美國總統。

　　一些西方媒體披露特朗普獲勝背后的重要原因：一家名叫“劍橋分析”的大數據公司如同實施“靶向治療”一般，幫助特朗普團隊精準定位了美國選民的喜好并投放廣告。

　　迄今為止，大部分競選活動的組織架構依照的是人口統計學概念，大家收到的宣傳信息都基本相同。相比之下，劍橋分析公司卻獨辟蹊徑地加入了心理學指標，并定量描繪人物性格，進而推斷該受調查者的政治傾向。

　　在具體操作中，劍橋分析公司從不同的來源購買個人數據，包括土地登記信息、購物數據以及你讀什么雜志、上哪個教堂等。隨后，該公司將這些數據與共和黨的選民名冊以及在線數據進行匯總比對，推算出上述人群的心理側寫檔案。他們一共分析了美國2.2億成年人的性格，對每個人平均掌握的數據點在4 000~5 000個。

　　基于心理側寫與大數據分析，特朗普團隊在選戰中針對性地對不同個體投放不同的廣告信息。比如，關于禁槍問題，如果受眾強烈反對，就可以在競選廣告中渲染搶劫威脅和槍支帶來的安全感；而如果受眾態度偏中立，則可以使用數據說道理。

　　從這個角度而言，特朗普言論的前后矛盾和反復無常卻成了他最寶貴的資產：對每一個選民，他的宣傳方式都不盡相同。

　　“特朗普傳達出的每一條訊息都是由數據驅動的。”劍橋分析公司負責人尼克斯曾向媒體介紹，在特朗普和希拉里展開第三場總統辯論時，其競選團隊就拿他的基本立場，在Facebook上測試了17.5萬個不同的廣告版本，以找到最合適的版本。這些不同版本的差別大多都只是細節，如標題、顏色、照片、視頻等，但這樣可以用最佳心理方式瞄準接收者。

　　在數據綜合分析基礎上，劍橋分析公司判斷出什么樣的人更有可能投票給特朗普，什么樣的廣告在什么地方最有效等，并最終將17個州作為選戰重點。因此，大選進入最后幾周時,特朗普團隊根據數據分析，重點主攻密歇根州和威斯康星州，并順利獲勝。

　　作為特朗普贏得大選的幕后英雄，劍橋分析公司充當了數據的采集者、分析者以及策略制定者。它的成功實踐充分說明，當你靠自身的力量無法有效采集、獲取外部數據時，雇傭第三方數據公司是最好的選擇。因此，隨著企業對大數據挖掘、分析的需求日益旺盛，專注不同細分領域的大數據公司將迎來巨大的產業機會。

　　大王叫我來巡山

　　聰明的公司如何采集數據？國際巨頭給出的路徑是，通過一個產品直達用戶，然后間接收集數據，為業務提供決策參考。

　　“2017年2月13日；持續時間：1小時；路程：11千米；消耗熱量：623卡路里；平均速度：10千米/小時。”海倫是一名跑步愛好者，這是她最近一次上傳網絡的跑步記錄，她是Nike+的會員之一。

　　三年前，耐克研發推出了一系列健康追蹤應用程序與可穿戴設備，統稱Nike＋，用于采集用戶的運動數據。比如，Nike＋跑鞋通過無線Apple NIke＋iPod運動組件實現信息互通，可以記錄、儲存用戶的運動日期、時間、距離、熱量消耗值等數據。

　　目前，Nike＋這個集硬件、軟件、社區為一體的平臺已擁有注冊用戶2 000多萬，正是通過采集這些海量用戶數據，使得耐克在產品設計、新品推廣、精準營銷等商業決策中有了重要依據。

　　谷歌的辦法同樣直接。2014年，谷歌斥資32億元美元收購智能家居廠商Nest，一個重要目的就是通過Nest的智能家居產品獲取用戶家庭的數據。智能家居產品一個重要的工作原理就是可以跟蹤、監測家庭用戶的活動，并以此控制設備。如此一來，谷歌就能通過智能家居產品為用戶提供服務的同時，在不經意間收集居家數據，挖掘每一個家庭的消費潛力。

　　相比之下，巴黎歐萊雅采集用戶數據的方式則比較“隱蔽”。歐萊雅曾推出過一款專屬App“時妝時刻”，在這款應用上，用戶可以通過彩妝拼圖的功能，根據自己的照片在網上進行化妝品試用。另外，“時妝時刻”還為用戶提供一些高端的化妝技巧作為參考。

　　如此一來，歐萊雅通過讓用戶參與彩妝互動，在收集用戶需求信息同時，獲得了強大的數據收集和數據分析優勢，用于幫助其判斷彩妝產品的開發方向。

　　企業主動收集數據，貴在靈活，要跳出既定思維的框架，借助關聯業務去收集所有能夠為“我”所用的數據。

　　場景讀心術

　　顧客逛商場時每一次隨機的行走，是先停留在女裝區還是童裝區，在哪個品牌專柜面前逗留的時間最長……過去，商場從來不會在意這些細節，但現在卻拼命收集。

　　事實上，顧客消費過程的開始，也意味著與商家建立關系的開始，要提供個性化消費體驗，商家就要收集顧客的各種行為數據，而“消費場景”無疑是天生的數據采集點。

　　北京朝陽大悅城在商場的不同位置安裝了近200個客流監控設備，結合客流統計系統的分析，獲取顧客在賣場內的動線軌跡，同時使用LBS技術對客流進行定位，精準地記錄下消費者的位置變化，從而判別顧客的購物喜好。另外，大悅城還通過Wi-Fi站點的登錄情況獲知客戶的到店頻率，通過與會員卡關聯的優惠券得知受顧客歡迎的優惠產品。

　　同樣的邏輯，銀泰在百貨門店和購物中心鋪設免費Wi-Fi，逐步抓取用戶數據，包括進店用戶數據和VIP用戶數據，利用銀泰網，打通了線下實體店和線上的VIP賬號。當一位已注冊賬號的顧客進入實體店，手機連接上Wi-Fi，他過往與銀泰的所有互動記錄、喜好便會一一在后臺呈現。

　　美國Vail度假管理公司推出了手機EpicMix應用程序，將其與滑雪者的季票連接起來。滑雪者每次乘坐升降機時都要掃描季票，這就在他們穿行滑雪場時產生了“數據排放”。這款應用會計算滑雪者每天下降的垂直英尺數，本季滑雪的總天數等。Vail結合數據，制定挑戰、競賽和獎勵方式，讓滑雪體驗變得更加有趣和歡樂。

　　地推活動掃碼送禮、游覽景區掃碼獲取景點詳細信息、用餐時關注餐廳公眾號打折……如此種種，都是在具體的“消費場景”中獲取顧客數據的方式。有一種能力叫“顧客主動分享數據”，打開“場景”的維度，就能找到你想要的數據。

　　尋找效率快車道

　　貴陽物流數字港信息中心大廳，沿墻而設的LED大屏幕上,實時的全國貨運物流數據不斷跳動著。

　　據統計，中國一共有700萬輛中長途貨車，超過3 400萬的貨車司機，承擔了中國公路物流90%以上的運力。然而，分散經營、信息不對稱、物流效率低，導致了貨車的空載率達40%以上，浪費了大量的能源和資源。

　　貨運交易平臺企業“貨車幫”建立了一個覆蓋全國360多個城市的全國性車貨匹配平臺，幫助司機發布空車信息、尋找貨源、計算運費。“貨車幫”平臺目前已匯聚了全國35萬家物流企業和230萬輛貨車車主，這些物流企業和車主通過平臺發布貨運信息每天超過500萬條。

　　“貨車幫”不僅僅從貨主、物流企業、司機端獲取數據，同時還建立聲訊中心搭起橋梁，在線上和遠端獲取司機數據，搭建貨車司機和貨主產生數據互動。

　　“貨車幫”利用大數據技術對貨運信息進行整合傳遞，海量信息帶來的是人、車、貨的聚集效應，有效實現了貨源與貨車司機的信息互聯，使貨車空駛消耗每天減少約1 000萬千米。依托大數據,“貨車幫”迅速成長，在2016年12月完成B-1輪股權融資，金額超過1億美元。

　　大數據應用讓商業變得更透明更高效，對于共享平臺型企業而言，數據最大的價值在于打破信息壁壘，幫助B端企業對客群的需求與商品的供應快速、有效匹配起來。在此基礎上，平臺型企業一定要從用戶角度思考，如何利用已有數據創造更大的連接價值和增值服務。

　　一直以來，供應鏈管理都是一門非常復雜的學科，對于生鮮零售尤其如此。生鮮零售如果對需求預測不準，采購過多，產品就會過期、腐爛。所以，生鮮行業有句話是：“誰控制了損耗，誰就擁有了毛利”。

　　寧波M6生鮮超市為了降低損耗，利用大數據始做訂單生鮮，先由顧客下訂單，然后采購再去訂貨，最終配送到顧客附近的社區門店。這樣做一個直接的效果是，M6目前每天的庫存量占配送量不到10%。

　　那么，數據從何而來？10多年間，M6累計的實名制持卡用戶達到10多萬個，同時也積累10多年的消費數據。這些數據積累，讓M6在精準訂貨、存儲和精準配貨等環節發揮了關鍵作用。另外，M6還利用用戶消費數據和從互聯網上采集到的天氣數據，從中國農歷正月初一開始推算，分析不同節氣和溫度下，顧客的生鮮購買習慣會發生哪些變化，以此來預測市場需求。憑借著這些舉措，M6近年來持續保持20%的綜合毛利率。

　　對數據的有效利用程度，往往能反映一個企業供應鏈管理的水平。就零售企業來說，需求預測是整個供應鏈的源頭，決定了供應鏈的計劃，也直接影響到庫存策略、生產安排以及對顧客的訂單交付率。因此，企業需要通過定性、定量的預測分析手段，運用大數據將過去的歷史需求數據和現有的市場相關

　　為你喜歡的世界投票

　　精準營銷，是時下非常時髦的一個營銷術語，其中的關鍵在于精準定位的基礎上，依托大數據和現代信息技術手段建立個性化的顧客溝通服務體系。

　　快時尚巨頭ZARA以“快”出名，靈敏的供應鏈系統、多品少量、制售一體的效率化經營模式，使眾多服裝企業難以望其項背。事實上，在大數據應用方面，許多服裝企業投入的熱情與ZARA不相伯仲，但獲得的收益卻判若云泥。

　　為什么？ZARA推行海量資料整合，通過線下實體店和線上網店的信息收集分析，最終各方信息被分類處理，成為設計、生產、銷售的指引。

　　比如，大數據一項重要的功能就是縮短生產時間，讓生產端依照顧客意見，在第一時間修正。走進ZARA店內，柜臺和店內各角落都裝有攝影機，店經理隨身帶著iPad。客人向店員反映：“這個衣領圖案很漂亮”“我不喜歡口袋的拉鏈”，這些細枝末節的細項，店員向分店經理匯報；經理通過ZARA內部全球資訊網絡，每天至少兩次傳遞資訊給總部設計人員。由總部做出決策后立刻傳送到生產線，改變產品樣式。

　　ZARA有一個全天候開放的“數據處理中心”，每一個零售網點都可以通過該系統追蹤銷售數據。此外，顧客的反饋也能在系統上反映出來，ZARA能夠很快發現哪些款好賣，哪些款滯銷。同時ZARA還會分析出相似的“區域流行”，在顏色、版型的生產中，做出最靠近客戶需求的市場區隔。

　　更為重要的是，ZARA對于大數據提供的決策信息落實得堅決而高效，配套大數據的管理鏈路非常通暢，直接指導到產品設計、生產、分區域投放的各個環節。

　　總之，大數據運用成功的關鍵在于資訊系統要能與決策流程緊密結合，迅速對消費者的需求做出回應、修正，并且立刻執行決策。這也就意味著設計師們不再對設計起決定性作用，而是需要洞察消費者的心理需求。

　　從收集大數據，了解每位用戶，到利用大數據進行精準營銷，再到豐富大數據建立長期關系，是一個不斷循環、不斷完善的過程。華盛頓迪凡斯動物園在這個過程中做出了很好的榜樣。

　　華盛頓迪凡斯動物園每天都會收集上百萬的數據，包括哪些用戶訂購了動物園的門票、哪些用戶參加了哪些動物展館，也包括社交網絡上大家對動物園或動物保護信息的點贊數量以及給予的評價。通過收集數據，動物園能更好地了解每位用戶和潛在用戶的特征。

　　動物園運用大數據進行精準營銷，分析出每位會員在每天什么時候最有可能會響應促銷，讓購買轉化率從3%提升到6%。動物園還聯手IBM，將收集的這些數據與訂票記錄、當地天氣的預估情況放在一起，就能很好地預測出將來一段時間的門票銷售量，并據此決定聘用多少員工以及準備多少物資。

　　通過大數據的有效利用，華盛頓迪凡斯動物園及水族館在線售票量增加了700%，降低了10%的人工成本。通過精準營銷，動物園的會員轉化率從3%提升至9%，實現了3倍增長。

　　某種角度而言，數據背后并不是大數據分析師而是數以億計的消費者，是消費者用每個行動細節為市場投票。從龐雜的數據背后挖掘、分析用戶的行為習慣和喜好，并結合用戶需求有針對性地調整和優化自身，就是大數據的價值。

　　沒有連接就沒有發言權

　　大數據重構產品形態，關鍵在于跨界與連接，并以此推出更符合用戶“口味”的產品和服務。

　　眾安保險成立三年多以來打破傳統保險業的“游戲規則”，依靠大數據鋪開產品布局，已推出了300多款保險產品，布局在互聯網生態下的各個場景中。

　　眾安保險的目標客戶包括互聯網生態下所有的群體，涉及電商、社交、健康、出行、金融等。眾安通過大數據手段挖掘以上群體所在場景中的新需求，個性化定制研發新產品。如電商場景中的任性退、眾樂寶、極有家等；出行場景中的航延險，微信搖一搖隨時可以買；還有消費場景下，信用保證保險的布局，如花唄、甜橙白條等。此外，眾安還善于挖掘碎片化場景下的各類熱點需求，如游園險、各類交通意外險、海外旅游意外險等。

　　這些險種的特點是數據維度非常豐富，并且都在互聯網上可追蹤和獲取。相比之下，人體的數據化程度較低，這也成為了健康險盈利的瓶頸。隨著大數據、云計算等技術的應用，數據中更多的隱藏價值被釋放，眾安不僅將保險和健康、金融消費等進行有效組合，還讓健康險的個性化定價成為可能。

　　比如“步步保”這個險種，就是基于對小米手環用戶的大數據了解，通過步數來代替保費，實現了保險的高互動性與主動健康管理刺激；“腸命百歲腸癌險”基于腸病患者的就診數據及健康風險，從“被動抗癌險”轉化成“主動防癌險”。這些產品都充分利用了大數據在預防疾病與健康管理中的作用。

　　除了在前端利用智能硬件、可穿戴設備、合作機構等獲取更多的數據，眾安保險還試圖重塑健康險的鏈條：從傳統的事后賠付走到前端的健康管理、慢病管理，從單一的保險產品擴展為社交、保險、生活的深度結合。

　　在互聯網時代，“連接”成為了一個核心的能力。對于眾安保險而言，“連接”的第一個層次是用保險連接更多的數據，例如健康險中的可穿戴設備、移動醫療、用戶等數據；第二個層次是用保險去連接更多的圈子。

　　在針對糖尿病患者的保險產品“糖小貝”上，眾安保險連接的是移動醫療設備——糖大夫智能血糖儀、專業醫療社區—丁香園。“社交+保險+醫療服務”被連接在了一起。

　　與以往針對健康人的保險不同的是，“糖小貝”是賣給糖尿病患者的保險。根據眾安保險、糖大夫血糖儀、丁香園的三方數據，眾安保險設計了一套浮動保額獎懲機制，保額與血糖管理情況直接掛鉤。

　　如果說，眾安保險利用大數據重構了保險業的產品邏輯，那么“英語流利說”則在大數據的幫助下重新建立了產品形態。

　　“英語流利說”是一款英語口語學習應用，上線3年，累積了3 000萬注冊用戶。在其使用場景中，沒有中文的出現，當學習者跟讀時，系統會根據學習者的發音、流利度調整學習進度，為不同學習者推送不同的學習內容，規劃學習路徑。

　　之所以如此智能，是因為“英語流利說”在過去3年中收集了廣泛的用戶學習行為記錄，以及長達2.75億分鐘、31.9億句之多的龐大錄音數據庫。根據這一數據庫，“英語流利說”才能設計出適合中國人的英語學習路徑：沒有一個預先設定的知識圖譜，而是通過遞歸神經網絡的深度學習模型，讓系統產生了“自學習”能力，把學生和最合適的學習內容的匹配性不斷提高。

　　大數據的價值在于提供了一個新的視野和角度，讓人類有了額外的洞察力。具體到商業社會中，大數據能夠幫助企業不斷擴展產品和服務維度上的創新，通過理解數據，挖掘數據價值，建立開拓全新的產品形態。

　　換一種姿勢面對不確定

　　如何跳出傳統競爭的紅海？大數據給出的答案是“自我進擊”。

　　金風科技是一家生產風能發電設備的公司，其風能發電機的全球市場占有率位居前列。然而，一個尷尬的事實是，金風在海外銷售了很多風力發電機，但此前很長一段時期，對這些設備在海外的使用情況卻知之甚少。其根本原因在于，企業級設備的銷售通常是由各地中間經銷商來完成，在客觀上阻斷了制造商與使用客戶的聯系。

　　為了改變這種狀況，金風利用互聯網，將發電機的各種數據全部收集到公司，進行大數據分析。他們一方面可以全面了解全球的風能發布情況、各地的風力利用情況等信息，有利于公司針對性地做市場推廣；另一方面，他們可以了解每一臺發電機日常運行的細節，以便及時發現并解決問題。

　　這樣一來，金風的經營策略就從依賴市場預測、打價格戰等傳統手段，提升到成為高質量的服務商，主營業務也從風力發電機制造轉變成發電設備的運營和服務，價值鏈地位得到進一步提升。

　　美國約翰迪爾公司（John Deere）主要從事農業機械設備制造，是美國少數幾家大型農機制造企業。隨著經濟全球化趨勢進一步加深，農用機械生產已成為高度全球化的產業。在這種背景下，約翰迪爾在產品端難以實現大的突破，價格也缺乏競爭優勢，如果一直采用固化的“制造模式”，難以適應國際競爭的壓力。

　　為此，約翰迪爾選擇服務轉型并設定目標：從傳統的農機制造向服務型制造企業轉變。

　　約翰迪爾采取了“產品＋數據驅動”的模式，在農機產品上安裝GPS和田間信息采集傳感器，在作業時可以監測每一塊土地的成分。這些數據通過無線網路傳送到云端精心分析，計算出每一塊土地中各類肥料的成分，為農戶提供土壤狀態分析報告以及對種植不同農作物的適用程度的建議。

　　更為重要的是，約翰迪爾將數據價值“為己所用”——農戶使用農機過程中，約翰迪爾獲得了農戶的土地信息，通過對土壤、農作物的數據分析，得出所需化肥的最優配比，再將其傳送給有業務關系的化肥廠，化肥廠就可以生產定制化的化肥銷售給農戶。這樣一來，約翰迪爾不僅提高了產品競爭力，通過農機銷售和農作物智慧管理賺錢，還可以獲得化肥廠商的銷售提成。

　　在激烈的本土及全球農業機械生產業的競爭中，約翰迪爾不斷發展與追求商業模式創新，從單純賣設備轉型到提供智慧農業整體解決方案，占據了在農機生產市場的主導地位。事實上，農業企業擁有大量的數據，例如產量、定價、天氣、土壤環境、產品性能、維護成本、勞動力成本等。如果能將這些數據有效整合、利用起來，升級服務，創新商業模式，將有助于提升企業的價值鏈地位。

　　在大數據技術驅動之下，企業應該想法設法采集、分析內部數據和相關外部數據，并讓其流入到價值鏈，通過延伸服務實現用戶和市場價值的最大化。作為最重要的生產要素之一，大數據與大數據思維必將成為每個企業、每個行業的“新大腦”。企業應抓住轉型機遇，善用數據，激發數據價值，賦能商業模式升級、創新。

　　我們想要的是未來

　　從價值鏈說起

　　維克托·邁爾·舍恩伯格在《大數據時代》一書中分析，根據所提供價值的不同來源，分別出現了三種大數據相關公司：

　　第一種是基于數據本身的公司。這些公司擁有大量數據或至少可以收集到大量數據，卻不一定有從數據中提取價值或用數據催生創新思想的技能。

　　這些公司可能不是第一手收集數據的人，但是他們能接觸到數據、有權使用數據或者將數據授權給渴望挖掘數據價值的人。比如，美國機票預訂系統ITA Software在被谷歌收購之前，就曾為機票價格預測應用Farecast提供數據，而它自身并不進行這種數據分析。因為商業定位不同，ITA Software不考慮數據的額外利用，但這些數據卻能成為其他公司的核心數據源。

　　第二種是基于技能的公司。它們通常是咨詢公司、技術供應商或者分析公司。它們掌握專業技能但并不一定擁有數據或提出數據創新性用途的才能。比如，埃森哲咨詢公司就與各行各業的公司合作，用高級無線感應技術來收集數據，然后對數據進行分析。

　　第三種是基于思維的公司。對于這類公司來說，數據和技能并不是成功的關鍵，讓其脫穎而出的是其創始人和員工的創新思維，他們有怎樣挖掘數據新價值的獨特想法。比如二手球鞋交易公司Campless創始人喬希·盧貝，就以數據為切口，把二手球鞋交易做成了“球鞋股市”，買賣雙方就可以基于市場的供給和需求情況進行及時交易。

　　那么，哪種屬性的公司會在未來占據價值鏈的上游？

　　現階段，我們正處在大數據時代的早期，技能是最有價值的，因為數據非常之多，但技能卻依然欠缺。隨著大數據成為我們生活的一部分，大數據工具變得更容易和更方便使用，技能也變得越來越容易掌握，這些技能的價值才會相對減少，就像計算機編程變得越來越普遍一樣。在這種情況下，技術只是外在力量，而擁有大數據思維的人和數據擁有者本身在未來將擁有更大的價值。

　　誰是下一個巨頭

　　大數據領域到底有沒有孕育出巨頭？

　　過去最有機會成為大數據巨頭的企業在存儲領域、數據庫領域中，不過隨著EMC被戴爾收購，存儲領域的市場巨頭基本上都是戴爾、IBM、HPE等綜合型企業；同樣，數據庫領曾經風靡一時的BO、海波龍等，也悉數被SAP、甲骨文等收購。

　　說到底，這些IT企業都是做大數據工具的，不管是數據管理還是數據倉庫、數據分析、數據挖掘等，都是從IT技術層面切入的。

　　如果說大數據是一座金礦，那么IT技術就是挖掘的工具。被IT大鱷收購之后，從數據的產生到數據的分析，再到數據價值的呈現就能夠在一個系統中完成，就可以真正體現出工具的價值。從這個角度而言，IBM、戴爾、甲骨文、SAP等IT大鱷都可以稱得上是大數據巨頭。

　　除IT類企業之外，目前最有機會成為巨頭的大數據企業基本上都是與具體的行業應用相結合的企業。因為它們是工具的應用者，它們運用大數據的軟件和硬件結合自身的行業經驗，積極拓展大數據應用的范圍和領域。比如螞蟻金服這樣構建在金融行業之上的大數據企業，盡管大部分情況下人們并不把它看作是一家大數據公司。

　　除此之外，那些本身就擁有海量數據的公司同樣也具備成為大數據巨頭的潛質。

　　比如谷歌、Facebook、亞馬遜、BAT、Uber等互聯網巨頭，它們憑借自身龐大的用戶積累了海量的數據，稍加利用就能迸發巨大的能量價值；再比如，沃爾瑪、孟山都、海爾、順豐、華大基因等在細分領域產生、積累了各種數據的行業巨擘，可以利用大數據賦能生產、管理、銷售、服務等，搶占價值鏈高地。

　　因此，能不能成為大數據巨頭，不在于你身處哪個領域和行業，而在于你是否擁有足夠量級的數據，是否有數據價值變現的能力。

　　去戰火最猛烈的地方

　　大數據滲透力非常強，從本質上講，各行各業都已經被數據化，比如電信業正在變成電信數據業，金融業正變成金融數據業……

　　龐大而堅固的底層架構正在以令人驚嘆的速度搭建起來，對于企業來說，一些領域的大數據應用場景更容易集中爆發，而置身其中的企業應投入更多的資源，收割數據帶來的價值想象力。

　　新零售

　　商業零售是企業大數據應用最先爆發的領域，因為它直面消費級市場。

　　在新零售時代，線上和線下不再是嚴格對立的兩個概念：兩者將會被深度整合，進而演化成相互依存、互為補充的存在。這當中，數據將達到連接的作用，打通“任督二脈”，將零售業傳統運營模式變成數據驅動的運營方式：一是可以了解用戶消費喜好和趨勢，進行商品的精準營銷；二是分析消費數據，為用戶提供可能購買的產品，擴大銷售額。

　　工業制造

　　制造業天然會聚集大量數據，生產設備、數控機床、儀器儀表、機器人、數字控制系統每天都將產生海量數據，這些數據通過集成后，本身又將流入企業價值鏈，賦能企業的生產自動和精細化管理。

　　智能工廠、無人車間、個性化定制……大數據是工業4.0和中國制造2025的浪潮下，推動制造業轉型的核心引擎。

　　智慧農業

　　農業是現階段大數據應用相對較弱的一個領域，但因為農業本身所具備的爆發潛力，也使其更需要被大數據賦能改造。

　　農業大數據來自從作物基因組到供水管理、培肥、氣候、土壤、機械和作物保護系統的方方面面，可以滲透到生產、運輸、倉儲、加工、銷售等各個環節。大數據的有效應用，可以幫助解決生產力水平低下、農產品供需信息不對稱、農產品質量安全三大難題，推動精準農業和智慧農業的實現。

　　醫療健康

　　大健康是正在爆發的消費風口，醫療健康領域由于其產業特點積累了大量的、多類別的數據，包括制藥行業科研數據、臨床診斷數據、患者健康數據等。這些數據應用一直在進行，但很多是孤島數據，不利于大規模應用。未來，這些數據如果能進行有效的結構化處理，將會產生巨大的商業價值，逐步形成新的醫療大數據商業模式。

　　互聯網金融

　　與傳統金融比起來，互聯網金融優勢在于覆蓋和服務的人群更廣，流程更短和效率更高。但由此帶來的關鍵問題就是如何控制風險，通過系統性的技術手段，將互聯網金融行業面臨的風險降到最低。

　　在整個金融鏈條上，包括借貸、個人理財等多種金融產品和服務上，數據都將起到核心作用，與此相關的大數據風控，更是相當于互聯網金融的生命線。因此， 互聯網金融的角逐不在于快速規模化，而是在于風險控制等核心層面的技術化。從這個角度來說，每一家金融公司，其實最后都是大數據公司。