信息在哪裡，決策在哪裡
決策在一線
對於漢王朝來說，其心腹大患非匈奴莫屬。匈奴人是馬術精湛的騎手，他們的戰術是閃電般的突襲。漢初，匈奴不斷南下侵掠，威脅漢朝江山。西漢建國之初，開國皇帝劉邦受白登之圍，其後因實力不足以和親為策相持多年。執掌漢王朝後的漢武帝劉徹不滿足於王朝貴族固步自封的做法，希望能有大的作為，發起了一系列平匈奴的戰争。其中最著名的當屬漠北之戰，這一戰給了匈奴毀滅性的打擊。
將在外，君命有所不受
漢武帝為了徹底殲滅匈奴主力，從根本上解決這一邊患問題，針對匈奴認為漢軍不能“度幕（沙漠）輕留（輕入久留）”的心理，將計就計，在經過充分準備後，決定對匈奴採取更大規模的軍事行動。武帝集中了精銳騎兵10萬人，組成兩個大的戰略集團，分別由大將軍衛青、骠騎將軍霍去病統率，並發出“將在外，君命有所不受”的指令。另以步兵幾十萬，馬匹十餘萬配合騎兵主力的行動。衛青、霍去病受命後，各率精騎5萬人分別出定襄和代郡，沿東西兩路北進，在漠北與匈奴進行會戰，不斷根據當時戰情，高明運用騎兵戰術，採取積極進攻的方針。
漠北之戰，從根本上摧毀了匈奴賴以發動騷擾戰争的軍事實力，使匈奴再也無力對漢王朝構成巨大的軍事威脅。漢武帝反擊匈奴之戰的勝利，也為漢王朝加強和鞏固邊防建設，促進中國與中亞、西亞各國人民的友好往來開辟了道路。
將在外，君命有所不受，這句名言出自春秋?齊?孫武《孫子兵法?變篇》。孫子曰：“凡用兵之法，將受命於君，合軍聚合，圮地無舍，衢地合交，絕地無留，圍地則謀，死地則戰，塗有所不由，軍有所不擊，城有所不攻，地有所不争，君命有所不受。故將通於九變之利者，知用兵矣；將不通九變之利者，雖知地形，不能得地之利；治兵不知九變之術，雖知五利，不能得人之用矣。”
用現代文的翻譯就是：孫子說：用兵的原則，將接受國君的命令，召集人馬組建軍隊，在難於通行之地不要駐紮，在四通八達的交通要道要與四鄰結交，在難以生存的地區不要停留，要趕快通過，在四週有險阻容易被包圍的地區要精於謀劃，誤入死地則須堅決作戰。有的道路不要走，有些敵軍不要攻，有些城池不要占，有些地域不要争，君主的某些命令也可以不接受。
將帥是君主使命的執行者，用兵打仗在外，戰場上的情況複雜多變，因此君主根本不可能及時有效得到戰場形勢的信息。衛青與霍去病得遇漢武帝這樣明智的郡主，不因循守舊，重因時而宜，得率軍禦士之道，最終取得了漠北之戰的勝利。
工業時代，企業的形式開始萌芽並發展。最初的企業大多都是規模不大的組織，卻要面對一個龐大而未知的市場。而直接面對市場和消費者的，是處在第一線的人員，他們離市場最近、離消費者最近，比起坐在辦公室裡的管理者，他們更了解市場、了解消費者，也是掌握信息最多的人。2009年，中國企業界争論最激烈的話題就是“讓聽得見炮聲的人來決策”。然而這種一線決策只適用於初具規模的小公司，因為人員較少、運營結構較為簡單，這種一線的決策更能適應企業的運營和發展，讓最接近前線的人來做決策。
決策在高層
隨著企業的發展和規模的擴大，企業的運營結構和流程都開始變得複雜多層，決策在一線會帶來很多不確定性的風險，因此決策轉移到了高層。高層決策屬於戰略決策和宏觀決策，通常具有全局性、長遠性、整體目標性的特徵，是戰略性決策。高層領導是企業運營的頂端，他們監督企業運營和流程並做出決策。由於他們一般離前線較遠，因此信息從前線向高層的傳輸效果，直接決定著高層的決策，並最終決定著企業的成敗。決策的失誤往往是致命的。
高層決策失誤
2014年4月首家退市的央企*ST長油，自2010年開始連續4年虧損，究其原因，一方面油輪運輸市場持續低迷，在後金融危機時期全球原油需求增幅減緩，同時油輪淨運力增加，市場供需處於嚴重失衡狀態；另一方面，公司在2008年前期進行大規模擴張，但是2008年之後航運市場景氣度急轉直下，公司負債壓力極大；其三，在其自身無力扭轉局勢的情況下，其母公司闆塊割據嚴重，沒能為*ST長油提供有力支撐。而運力擴張與公司管理層的決策失誤有很大的關系，公司的大股東也難辭其咎。高層沒有考慮到航運業的生命週期，事實上在2008年之前航運業已經經過了10年左右的繁榮發展期，但是高層並沒有做好應對風險的準備。2008年爆發的金融危機令市場措手不及，而即將退市的在A股市場上只有*ST長油一家，這意味著*ST長油在管理和經營體系方面也存在較大漏洞。
由此可見，決策在高層的情況下，更需要高層的敏銳洞察力和信息的有效傳輸與傳導。
衛青和霍去病戰匈奴時，前線是了解戰事信息最全面真實的地方，所以漢武帝指示“將在外，君命有所不受”。隨著企業的發展和規模的擴大，部門逐漸增加，管理組織架構逐漸複雜龐大，企業就需要根據戰略目標設置公司的組織架構，將不同的資源配置在一定的方位上，確定其活動條件、規定其活動範圍，從而形成相對穩定的、科學的組織架構體系。在一個較為複雜多層的公司架構中，各個部門的信息如此之多，而能夠掌握所有部門信息並整合信息從而做出決策的，則是公司的高層，因此決策由一線轉到了高層。
大數據時代給這種決策權又帶來了新的挑戰和難題。在現代企業中，由於信息有限、尚未被數字化，並且獲取信息的成本高昂，企業内做重大決策的人往往都是組織的最高層，或是外部擁有專業技能和顯赫履歷的智囊團。盡管至今仍有很多高管的決策更多地是依賴於個人的經驗和直覺。但到了大數據時代，數據分析會直接影響組織怎樣做決策、誰來做決策，從而減弱個人的權威性。例如在媒體業，《赫芬頓郵報》和Gawker網站上傳播的新聞通常取決於數據，而不再取決於編輯和記者的新聞敏感度。數據比有經驗的記者更能揭示出哪些是符合大衆口味的新聞。
決策在哪裡？可以在一線，也可以在高層，最根本的原則就是哪裡信息量最大，決策就應該在哪裡。
四型決策
決策產生價值，決策的精確性來自信息對稱程度，而信息的對稱程度取決於數據挖掘和數據梳理。管理者可以通過將一切量化，掌握公司業務，做出更可靠的預測和更明智的決策，在行動時更有目標更有效率，進而提升決策質量和業績表現。
過去10年湧現出很多關於如何制定決策的研究，然而公司高管們對這些經驗之談基本充耳不聞，決策理論的完善並沒有帶來實踐層面的提高。人們在面臨很多事物時都需要做出選擇，所有選擇都用“決策”表達會引發混淆。因此菲爾•羅森維將決策分為四種類型，稱為四型決策。他指出在提供戰略決策建議前，必須首先幫助決策者區分不同的決策。
羅森維四型決策
決策的區分主要表現在兩方面。一是可控性，即決策者能否改變選擇的内容與結果。例如，在面臨選擇時，我們是只能被動挑選，還是可以改變選擇内容？我們做出的判斷是一次性且無法控制後果的，還是在做出決策後能在一定程度上影響結果？二是決策結果的衡量標準，即決策的成功是否與競争對手有關。例如，我們的目標是出色完成任務，還是需要比他人更勝一籌？換言之，結果是相對還是絕對的？
據此，菲爾•羅森維在《哈佛商業評論》的一篇名為《四型決策，戰略藍圖》中將決策分為四種類型。
（1）日常的選擇和判斷。一般在這種決策上的可控性很低，並且這種決策表現是絕對的，決策的結果與競争對手無關。
（2）能夠改變結果的決策。這是一種可控的決策。在很多日常情形中，我們會投入精力，憑借才能達成目的。我們做出的很多決策都不是簡單地被動選擇或對結果束手無策。恰恰相反，項目的完成在於我們的努力。
（3）需要勝過他人的決策。成功的關鍵不在於決策者的絕對表現，而是他們相較他人是否做得更好。要做出最佳決策，必須推算對手的動作。這正是戰略思維的核心。大部分三型決策的指導理論都來自博弈論，它是對“動態競争”進行研究的經濟學分支。
（4）積極推動結果並需要勝過對手的決策。高管卓越的領導力、溝通能力和影響力可能直接影響最終結果。這正是“管理”的定義。不僅如此，高管還需要保證所在的組織具備競争力，能勝過競争對手，這與戰略緊密相關。是否進入新市場、研發新產品或收購一家公司都屬於第四類決策。
數據驅動的四型決策
此前，馬雲對全體員工發了一封内部郵件。在郵件中，馬雲提出“以控制為出發點的IT時代正在走向激活生產力為目的的DT（data technology）數據時代”。 IT時代是以自我控制、自我管理為主的生活方式。但是到了DT時代，數據將在生產品過程中起到激發、輔助的作用，讓用戶獲得更大的經濟價值。DT時代相較於IT時代，表現為信息更加透明、利他和重視體驗。由以提升效率為導向轉換到以提升效果為導向，這是一種觀念的轉變、更是一場管理的變革。在DT時代，數據、信息、知識和智慧相互整合、相互連接，從數據到信息的轉化是價值的提煉，從信息到知識的轉化是信息規律的搜尋和總結，從知識到智慧則是知識的選擇，是企業運營的最高級決策。
企業高層在做出決策時，可以按照四型決策的方式來劃分。在做出決策之前，應該首先明確決策的類型，然後利用大數據分析來支持不同種類的決策，使決策精準化和個性化，最符合企業的需求。
（1）日常選擇和判斷的決策支持：判斷型決策支持。這種屬於第一型決策，也是最簡單的決策類型，僅需要決定是否做？我們可以把這種決策稱為判斷型決策。例如企業決定是否投資一項項目或資產時，即屬於這種決策。
主要面向網上商家的數據驅動型貸款公司Kabbage致力於為不符合銀行貸款資格的網上商家提供資金。這些商家通常來自eBay、Etsy、亞馬遜等平台，他們不能從傳統銀行獲得貸款，也不想冒險抵押諸如房屋等個人資產來換取商業貸款。Kabbage通過分析商家的大量數據來確定它們的經營狀況，向符合資格的商家提供的資金7分鐘就能到賬。該初創公司已經獲得了數項數據挖掘技術專利。數據分析方面，Kabbage會分析網上商家的銷售額和信用記錄、用戶流量和評價以及產品價格和相比競争對手的庫存情況。商家可以主動地將數據添加至其Kabbage賬戶，以更快地獲取資金。最近，Kabbage還開始使用來自商家包括配送量和交易信息在内的UPS配送數據，從而確定商家是否符合貸款資格。盈利模式方面，Kabbage通過向獲貸款的商家收取費用來創收，具體費用視貸款期限（最長6個月）和償還風險而定，費率從2%到7%不等。Kabbage目前支持來自eBay、亞馬遜、雅虎、Etsy、Shopify、Magento等平台的網上商家。
像Kabbage這樣的公司幾乎每天都在做出這種投資型決策，而大數據分析無疑給這種決策提供了很好的支撐，也保證了該公司業務的正常運轉並不斷壯大。判斷型決策是企業運營中最基礎的決策，這類決策一般僅需要數據的支撐即可完成。基於對數據的分析並做出判斷，支撐了企業的基礎投資和運營。
（2）能夠改變結果的決策支持：生產型決策支持。這是第二型決策，屬於可控決策，決策的不同可能影響結果，但同時它也是絕對型決策。我們可以將這種決策稱為生產型決策。企業在生產過程中的決策都是會直接對生產結果甚至企業的盈利造成影響，因此這種決策也是十分重要的決策類型。
生產型決策在農業中有很大的用途，都說谷賤傷農，如何避免這個問題，盡最大可能讓農戶少受損失呢？通過大數據進行精準預測可以準確做出決策行為。由於農戶的信息不靈並缺乏相關的專業指導，往往是看到市場上什麼東西暢銷，農戶就種什麼，等到辛辛苦苦種出的糧食蔬菜已經成熟上市時，發現供過於求、產品滞銷，這時已經來不及了。
利用天氣信息、食品安全、消費需求、生產成本、市場攤位等數據進行科學分析，就能更有效地預測農產品價格走勢，幫助農戶提前預判，也有助於政府出台引導措施。
除此之外，沃爾瑪從1969年開始就致力於使用計算機來跟蹤存貨、控制存貨。1983年，沃爾瑪的所有門店都開始採用條形碼掃描系統，並在1987年完成了公司内部衛星系統的安裝，該系統使得總部、分銷中心和各個商場之間可以實現實時、雙向的數據和聲音傳輸。這一系列的行為都是為了積累數據，沃爾瑪根據這些數據對庫存進行即時調整，實現了庫存的最優化決策管理，從而節約了大量成本。
生產型決策則需要在數據的基礎上更進一步，不僅需要數據的分析作為支撐，同時也需要從數據到信息的轉化，需要數據價值和信息價值的提煉。
（3）需要勝過他人的決策：競争型決策。這種決策是相對型決策，目的是超過競争對手，贏得更大的市場份額和更多的客戶群體。亞馬遜的比價系統就是通過大數據積累及機器學習系統進行比價，其運算能力等同於每天有5萬名“虛擬”比價員，對全網的商品信息進行實時抓取和比對，並及時做出跟價決策。在電商及各商家促銷活動很活躍的時期，亞馬遜利用大數據分析展開比價，消費者在選擇商品的時候可以橫向對比價格，亞馬遜憑借價格上的優勢贏得更多消費者。
這種利用大數據與競争對手展開的價格競争，是典型的競争型決策。這種基於數據分析的競争型決策除了可以精準地以優勢壓倒競争對手，同時也為企業帶來了可觀的利潤。也就是大數據支持的競争型決策可以為企業吸引足夠的眼球和顧客。競争型決策相比於選擇型和生產型決策更為複雜，數據的分析挖掘，價值的提煉形成信息，進而對信息規律的搜尋和總結形成知識，才足以支撐企業完成競争型決策。競争型決策需要同時了解企業自身和競争對手的信息和數據，這其中不僅包含對雙方數據和信息的挖掘和價值提煉，也包括對競争對手的規律的掌握和總結，包括一個雙方博弈的過程。
（4）積極推動結果並需要勝過對手的決策支持：開拓型決策。這種決策可以說是這四種決策中的最高境界，決策不僅可以改變結果，屬於可控型決策，而且還是相對型決策。是否進入新市場、研發新產品或收購一家公司都屬於這種第四型決策，並且這種開拓型決策不僅僅限於商業領域。
奧巴馬競選
2012年，參與競選的奧巴馬團隊確定了三個最根本的目標：讓更多的人掏更多的錢，讓更多的選民投票給奧巴馬，讓更多的人參與進來! 這就需要對選民的認知達到“微觀”層面：每個選民最有可能被什麼因素說服？每個選民在什麼情況下最有可能掏腰包？什麼樣的廣告投放渠道能夠最高效獲取目標選民？如何實現“微觀層面”的認知？競選總指揮吉姆•梅西納（Jim Messina）說道，在整個競選中，沒有數據做支撐的假設很少存在。
為了籌到10億美元的競選款，奧巴馬的數據挖掘團隊利用兩年的時間搜集、存儲和分析了大量數據。他們註意到，影星喬治•克魯尼（George Clooney）對美國西海岸40歲至49歲的女性具有非常大的吸引力：她們無疑是最有可能為了在好萊塢與克魯尼和奧巴馬共進晚餐而不惜自掏腰包的一個群體。克魯尼在自家豪宅舉辦的籌款宴會上，為奧巴馬籌集到數百萬美元的競選資金。在此之後，當奧巴馬團隊決定在東海岸物色一位對於這個女性群體具有相同號召力的影星時，數據團隊發現莎拉•傑西卡•帕克（Sarah Jessica Parker，《欲望都市》的女主角）的粉絲們也同樣喜歡競賽、小型宴會和名人，於是，一個與奧巴馬共進晚餐的“競争”便誕生了，那就是争奪在傑西卡•帕克的紐約West Village豪宅美餐的機會。“克魯尼效應”被成功複制到了東海岸。通過對粉絲們的信息分析，奧巴馬團隊成功地滿足了她們與鐘愛的明星共進晚餐的願望，也成功地讓她們争先恐後地打開錢包。
在整個競選中，奧巴馬團隊的廣告費用花了不到3億美元，而羅姆尼團隊花了近4億美元卻落敗，這也是因為奧巴馬的數據團隊對於廣告購買的決策是經過缜密的數據分析之後才制定的。一名官員表示：“我們可以通過複雜的建模來找到目標選民。例如，如果邁阿密戴德郡的35歲以下女性是我們的目標，那麼這裡有哪些覆蓋她們的方式。”因此，奧巴馬競選團隊在一些非傳統節目中購買了廣告，例如4月23日的電視劇《混亂之子》、《行屍走肉》和《23號公寓的壞女孩》。芝加哥總部稱，在電視平台上，2012年的廣告購買效率較2008年提升14%。
一項民調顯示，80%的美國選民認為奧巴馬比羅姆尼讓他們感覺更加重視自己。結果是，奧巴馬團隊籌得的第一個1億美元中，98%來自於小於250美元的小額捐款，而羅姆尼團隊在籌得相同數額捐款的情況下，這一比例僅為31%。總之，奧巴馬團隊運用數據挖掘技術在美國政壇上取得了競選的最後勝利。
這就是典型的開拓型決策，奧巴馬利用大數據分析，不僅最終擊敗競争對手贏得了競選，並且實現了其最初的目標：讓更多的人掏更多的錢，讓更多的選民投票給奧巴馬，讓更多的人參與進來。開拓型決策處於數據驅動的四型決策的最高層，是最為複雜和綜合的決策類型，不僅需要企業整合數據、信息、知識，更需要通過對知識的選擇形成智慧。只有完成了價值的提煉、信息的總結和知識的選擇，才能夠形成正確和客觀的開拓型決策，從而達到預期的良好效果。
數據飛輪的四型決策
數據飛輪中的主體部分包含四個輪子，分別是平台、產品、客戶和盈利模式。而處於數據時代並與數據息息相關，數據飛輪的轉動也決定著企業運營決策。DT時代對於數據、信息、知識和智慧的整合決定了企業不同層級的四型決策，而企業如何實現數據驅動的四型決策就需要數據飛輪的支撐。
圖10-1飛輪、四要素和四型決策
平台是支撐企業實現數據驅動的第一步，它是企業數據的來源和企業運營的基礎設施。首先利用平台產生數據，實現企業的判斷型決策。之後產品的數據飛輪中則需要對數據的價值挖掘和價值提煉，從而將數據形成信息，並幫助企業做出生產型決策。實現了數據的積累和數據價值的提煉，需要對提煉出的信息做出規律的總結，也就是為生產出來的產品找客戶，或為客戶提供產品。而對於客戶數據飛輪的支撐則需要在信息的基礎上將信息形成知識，形成對客戶認知的知識，對與自己争搶客戶的競争對手的知識，從而在知識的支撐上做出競争型決策。最後在平台、產品和客戶飛輪的基礎之上，將數據形成的信息、信息總結的知識進行選擇，形成企業的智慧，並決定企業的開拓型決策：盈利模型的選擇。
決策在前，運營在後
決策就是利用已知信息進行方案或方法確定，從而達到一定目的的過程。而大數據使決策變得智能化。企業戰略決策將從業務驅動轉向數據驅動。過去很多企業對自身經營發展的分析只停留在數據和信息的簡單匯總層面，缺乏對客戶、業務、營銷、競争等方面的深入分析。在大數據時代，企業通過挖掘大量内部和外部數據中所蘊含的信息，可以預測市場需求，進行智能化決策分析，從而制定更加行之有效的戰略。深度分析挖掘大數據的價值，推動企業決策機制從業務驅動向數據驅動轉變，能夠提高企業競争力。根據預測，大數據挖掘和應用可以創造出超萬億美元的價值，數據將成為企業的利潤之源，掌握了數據也就掌握了競争力。企業必須更加註重數據的收集、整理、提取與分析。
信息、決策、運營
自20世紀末以來，信息變革一直在發生，但此前都集中在技術上，而大數據時代的到來讓我們開始關註信息本身。按照技術發展邏輯，大數據是信息通信技術發展積累至今，從提高生產效率向更高級智能階段的自然生長。無處不在的信息感知和採集終端為我們收集了海量的數據，而以雲計算為代表的計算技術的不斷進步，為我們提供了強大的計算能力。這種對信息的分析和存儲能力、依據信息進行預測的能力，成為企業競争優勢的來源。互聯網時代的決策是複合性和不斷叠代的。
互聯網的群蜂意志擁有自我調節機制。人類群體思維模式稱之為群蜂意志，你可以想象一個人類群體大腦記憶庫的建立：最初的時候各個神經記憶節點的搜索路徑尚未建立，當我們需要反複使用的時候就慢慢形成強的連接，在互聯網誕生之前這些連接記憶節點的路徑是微弱的，強連接是極少的，但是互聯網出現之後這些路徑瞬間全部亮起，所有記憶節點都可以在瞬間連接。這就給了人類做整體的未來決策提供了體系支撐，基於這樣的記憶模式，人類將重新改寫各個行業，以及人類的未來。而互聯網是將所有信息匯聚起來，它本身擁有自我修複機制，能夠解構與瓦解各種極端，這是人類的群蜂意志。我們會有錯誤，但是錯誤過後必將會修複。由互聯網的群蜂智慧來將其透明化並進行更公正的解讀，大幅度降低個人判斷的精力與誤判的可能性，使得基於大數據分析的企業高層決策更加準確和精準化。
數據驅動的運營金字塔
基於數據驅動的企業運營可以大致分為三個階段：自動化的生產、數據驅動的流程、數據驅動的決策。
從圖10-2的金字塔結構可以清晰地看到，企業運營的數據驅動首先作用於自動化生產。企業的自動化生產加入數據驅動，實現全生產線SMART生產，提高生產效率。接著利用數據驅動企業的運營流程，使企業運營的各個流程在數據驅動和平台支持的基礎上實現各流程的通暢連接，從而提高企業運營的效率和速度。最後企業數據驅動企業的決策，在生產和流程完成之後，有了數據驅動的企業決策將更加精準化、適時化。這些能夠被企業隨時獲取的數據，可以幫助和知道企業全業務流程的任何一個環節，並進行有效運營和優化，幫助企業做出最明智的決策。
圖10-2數據運營的“金字塔”
自動化的生產。回溯至20世紀80年代，當時美國汽車制造業正擔憂會被日本競争者超越，在底特律很多人展望以“熄燈式”生產打垮對手。意思是工廠高度自動化，燈關著，機器人自己在制造汽車。這種想法如空中樓閣。事實上，日本的優勢不在於自動化生產，而在於精益生產技術，而精益生產在大多數情況下依賴人力。
然而，在大數據時代，這種超越成為可能。數據驅動的自動化生產得以實現，自動化的生產配合大數據的整合，整條工作生產線自動而精準的完成，實現了自動化和定制化的整合。
數據驅動的流程。在數據驅動下，企業的運營形成了一種閉環戰略，營銷的關鍵在於銷售漏鬥最大限度的轉化。閉環這一概念最早應用在自動控制理論中，其核心意義為在輸入與輸出之間構建一個反饋環節，將對輸出有影響的“執行”與“擾動”兩個因素通過反饋環節進行反饋分析，並依據分析結果對輸入進行調節，進而確保輸出結果與預期結果的最小差異；而營銷管理中的四要素“計劃、分析、執行與控制”也是同樣的思路。
鑒於互聯網、移動互聯網對購物中心的巨大影響，大悅城早在2007年底開業之後就開始做大數據的積累。大悅城以大數據為基礎打造O2O閉環，提高大悅城線上曝光度並實現線下引流，從而提高提袋率，打通線上線下支付，再讓更多人去分享這種便捷。這些環節形成了大悅城在O2O模式上的良性循環。大悅城將線上流量有效地導入線下，同時通過線下資源的逆向匹配，或者更多線上的軌迹，做好服務。包括通過與阿裡巴巴合作，借助阿裡巴巴的龐大點擊量給大悅城帶來客流；強化與微信等社交類軟件的黏合度，與消費者共同搭建平台；和垂直類品牌合作引來客流。
尚品宅配：O2O信息閉環運營
大數據的應用同樣也幫助維尚成功通過大數據打通整個線上線下鍊條中的信息閉環。這種信息閉環的形成，首先源於維尚每一步“別有用心”的信息採集方式。按維尚的模式，以旗下品牌尚品宅配為例，客戶在登錄進入尚品宅配新居網後，幾乎每一個無意識的行為，都在為尚品宅配沉澱數據。比如說，當客戶在網站上填寫出自己的樓盤位置，所選戶型的方向、面積等，維尚家具的後台就能依據這些信息測算客戶的基本購買力。而結合客戶填寫的喜好情況，維尚家具還會根據客戶的數據庫，找到與這位客戶喜好相似的其他客戶，參考他們對於家居設計的想法，以及過去哪一位設計師可能更受他們喜歡，以此來推送更符合客戶需求的設計方案。而一旦初步的設計方案出來後，利用免費提供設計方案的方法，維尚家具又把客戶從線上引流到了線下。
數據驅動的決策。大數據預測有很多行業應用，以企業方面的預測最為成熟。很多領先的企業已經採用一系列的管理流程、技術手段去挖掘這些數據所帶來的價值，從大量的客戶交互數據、網站訪問的行為中去辨識客戶訪問數據的模式，並從中獲取更為精確的客戶洞察力，以制定精確的行動綱領，去為服務的對象設置更好的產品和服務，從而能夠獲得更高的業務收益。
不同的學派和實踐者對於“管理”的本質可能有著完全迥異的理解，但是他們都認可：決策是管理的本質，而管理最核心的要素就是信息的收集與傳遞。決策產生價值，決策的精確性來自信息的對稱程度，信息的對稱程度則來自數據挖掘和數據梳理。大數據可以映射用戶現實生活中的行為，從而可以發掘經濟生活中的趨勢和規律。
利用大數據進行預測的案例舉不勝舉，最早最著名的是Google流感預測。
被封為“堵車預言家”的交通流量數據公司Inrix依靠分析歷史和實時路況數據，能給出及時的路況報告，以幫助司機避開正在堵車的路段，並且幫他們提前規劃好行程。
PredPol公司通過與洛杉矶和聖克魯斯的警方以及一群研究人員合作，基於地震預測算法的變體和犯罪數據來預測犯罪發生的幾率，可以精確到500平方英尺的範圍内。在洛杉矶運用該算法的地區，盜竊罪和暴力犯罪分佈下降了33%和21%。
Tipp24 AG針對歐洲博彩業構建的下註和預測平台，該公司用KXEN軟件來分析數十億計的交易以及客戶的特性，然後通過預測模型對特定用戶進行動態的營銷活動，這項舉措減少了90%的預測模型構建時間。
最近剛剛結束的世界杯還歷歷在目，世界杯期間，一位85後東北女孩憑借奇迹般的預測準確率，累計中獎300多萬，成為網友追隨的“彩神”。而這背後的秘密，除懂足球、會分析外，互聯網大數據是她的一大法寶。
從龐雜的海量數據中分析出重要的信息，並據此做出正確決策，是如今企業維持自身競争力的關鍵所在。2014年5月IDC發佈的一項針對亞太地區的報告中指出，目前有近七成的高管承認複雜的數據管理和數據儲存是他們目前工作中遇到的瓶頸和難點。而據統計，在整個亞太地區的所有交易數據中，只有約73%得到了有效的分析。Qlik公司產品管理副總裁唐納德•法梅爾（Donald Farmer）也認為，企業需要一個智能化的平台，來快速整合手中的數據資源，從而優化企業的決策過程。
數據支持，運營簡化
大數據的應用已經深入到企業運營流程和決策中，在企業的日常運營中起到了舉足輕重的作用。企業通過將大數據融入到自動化smart生產中，進而融入到運營流程中，並最終實現運用大數據進行運營決策，從而使企業實現了從生產到流程到決策的數據化和平台化。毋庸置疑，大數據對於企業運營的流程起到了支持及簡化的作用。
流程支持
現在，不論主動還是被動，越來越多的企業加入到大數據的浪潮中。大數據對於運營流程的支持也使很多企業嘗到了甜頭，比如大數據的加入使得企業的流程更加清晰，運營的每一個環節都變得數據化、可視化。
數據對天然大數據公司的流程支持。純電商企業可謂是天然的大數據公司，他們通過對用戶信息的大數據分析解決自己公司的精準營銷和個性化廣告推介等問題，基本上做到了以數據驅動的運營（date-driven processes），利用自己手中積累的大量用戶數據來幫助企業優化流程、優化決策。沒有數據分析支撐的決定將越來越不具有可靠性，而靠市場調研或拍腦門做決策的公司也正在改變管理理念和策略制定方式。在用戶分析和精準營銷數據模型基礎上，隨時改進自己產品和服務。另外部分公司實現了以數據驅動的產品（date-driven products），利用數據分析消費者產品需求或情感需求，從而生產出消費者最需要也最接受的產品，當然這也需要產品的叠代式創新能力。
亞馬遜、Facebook、Linkedln、阿裡、騰訊等天然大數據公司都在致力於發展橫向的大數據解決方案。這些方案將改變營銷學的基礎，它們將有針對性地找到用戶開展精準營銷和個性化營銷，多重營銷手段也將逐漸消失。此外，很多傳統企業也是天然的大數據公司，比如沃爾瑪、中國移動等，它們也在追趕大數據前進的步伐，在挖掘數據價值方面，盡力修煉自己的獨門絕技。
縱觀這些天然的大數據公司，他們都擁有自己龐大的平台基礎設施，用來抓取和存儲呈爆炸式增長的數據。面對這龐大的數據源，這些公司除了直接用於企業自身的運營和管理外，還可以考慮如何將手中的大數據變成資產，如何從數據中獲取價值，提高自身運營能力和戰略能力。而事實也證明，這些企業在大數據時代首當其沖，走在了最前面，也嘗到了大數據帶來的甘甜果實。例如，自2007年以來，通過運用大數據優化廣告投放，eBay產品銷售的廣告費降低了99%，頂級賣家占總銷售額的百分比卻上升至32%；Tesco依賴紮實的數據分析來定向發放優惠券的，使Tesco維持了每年超過1億英鎊的銷售額增長。
1號店：天然大數據公司的數據驅動運營
對1號店來說，大數據完全可以成為運營的核心驅動力。1號店網站作為企業和消費者互動的門戶，每天承載著上千萬的商品點擊、浏覽和購買，匯集成了海量的數據。對於1號店，這是改進運營的依據。對於純電商企業，如何從互聯網上引入流量到自己網站，是運營的起點。首先是顧客從哪裡來，關鍵在於三個維度：一是顧客從哪些渠道來;二是顧客從哪些地區來;三是顧客來自哪些用戶群，新用戶還是老用戶。這三個維度的分析直接決定著1號店後續引流資源投入，而這都植根於1號店對於顧客行為的大數據分析。
顧客進入1號店後，就進入引導顧客的購買階段。這個階段，如何提升每個顧客的購買金額，並在此過程中，實現商品和各種資源的最優配置，是運營的關鍵。大數據又一次成了1號店的抓手。像一些商場的導購員一樣，消費者浏覽網站商品過程中，1號店會給消費者一些提示推薦，根據消費者之前的浏覽和購買行為，1號店的系統能判斷出消費者可能喜歡什麼商品，給以相應的提示。再如，根據消費者是搜索商品，還是浏覽商品，1號店可以初步判斷出他是目的性很強、時間有限的購買者，還是時間充裕、目的性不強的購買者，對於前者會直接推薦商品，對於後者，則不斷刺激其購買行為。
顧客購買商品後，進入了後續物流和配送服務。在這個階段，如何實現最佳的供應鍊效率，減少倉儲和配送成本，提升配送速度，是電子商務企業運營的命脈。如何實現更高效的揀貨，是影響物流效率關鍵的一環。1號店創造了一種高效的揀貨方法——撥次揀貨。
在配送的環節上，1號店最新的配送服務“一日四送，一日六送”，可以讓消費者指定專門的配送時間。而消費者是否喜歡這樣的配送服務，會不會用，完全依靠對消費者的大數據分析。1號店會看點擊這個選項的消費者有多少人，用這個服務的有多少人，點擊和最後實際使用的比例。
對於企業而言，消費者購買行為結束並不意味著終結，還希望將消費者變為自己的忠實顧客。在這個階段，1號店也在充分釋放大數據的威力。1號店發現，購買三四單以後，消費者的忠誠度變得相當高。為此，它需要不斷推動顧客跨越這個門檻，但首先要找出哪些顧客最有可能性。1號店用大數據分析篩選出這樣的消費者，相應地通過一些優惠和積分換購，刺激這些消費的購買欲望，推動其購買第三單、第四單。
1號店的數據驅動運營流程圖
從1號店這個案例中可以清晰地看到它如何將大數據在企業運營中發揮最大的作用，將自己手中的數據最大地變為銷售額和盈利，如何將銷售漏鬥最大化。而這些數據驅動的運營模式，是所有天然的大數據公司，尤其是純電商企業，都可以使用的。
數據對O2O公司的流程支持。其實O2O模式，早在團購網站興起時就已經開始出現，只不過消費者更熟知團購的概念。團購商品都是臨時性的促銷，而在O2O網站上，只要網站與商家持續合作，商家的商品就會一直“促銷”下去，O2O的商家都是具有線下實體店的，而團購模式中的商家則不一定。O2O商務模式的關鍵是：在網上尋找消費者，然後將他們帶到現實的商店中。它是支付模式和為店主創造客流量的一種結合（對消費者來說，也是一種“發現”機制），實現了線下的購買。它本質上是可計量的，因為每一筆交易（或者是預約）都發生在網上。這種模式應該說更偏向於線下，更利於消費者，讓消費者感覺消費得較踏實。
在大數據時代，線上產生數據，然後利用這些數據分析客戶並進行精準營銷，再利用線上線下的閉環戰略，將線上線下營銷相結合，形成O2O企業的數據驅動下的運營模式。
一嗨租車：O2O閉環運營
2006年成立的一嗨租車作為95%的業務都來自於線上的“輕門店、重網絡”的租車企業，將傳統的租車行業與電商模式相融合，走了一條不一樣的租車O2O之路。而在這家O2O企業中，大數據也發揮了重要的作用。他們著重建設一嗨的後台系統，這不僅成為一嗨的標簽，也為一嗨實現複雜的車輛調度和出租率、週轉率等關鍵數據統計提供了有力的技術支持。系統可以動態監控庫存，根據這些數據我們的系統也就能及時地自動調整每個地區、每種車型的即時價格。假設杭州要增加一個門店，一嗨就會抽取之前所有的數據來綜合分析這個地區，根據該地區人員的租車特性來篩選優先配給的車型、品牌，甚至是顔色等。然後根據實際運營的數據，再來決定車輛、車型的配給調整，以及是否在週邊發展虛擬網點。譬如在哪個區域設點合理、在實體店的多少公裡内適合設置虛擬店等等。所謂虛擬店是指服務網點，客戶在網上訂車，可就近選擇提車網點，工作人員會在規定時間把車送達該網點，如地鐵口、小區門口。並且實體門店與虛擬店之間並非一成不變的關系，如果有越來越多的人選擇在這個區域訂車，那麼這個虛擬網點就有可能升級為門店，而一旦它成了門店，實體門店業務量不斷下降的話，就會被撤掉而變為虛擬店。這兩者之間的轉化就是基於功能強大的數據庫支持，好處是避免了盲目擴張實體店而投入大量的資金，能逐步地發展和擴張直接渠道。
佐卡伊：數據驅動的珠寶商
珠寶行業是一個註重情感價值的行業，人們買珠寶是需要有一種情感的表達，這個體驗是非常重要的；再者，珠寶的這種高客單價和視覺化的產品特徵，決定了線下體驗的必要性。佐卡伊就是一家利用互聯網信息技術優化鑽石珠寶供應鍊、颠覆傳統鑽石銷售模式、根植於安特衛普、引領電子商務珠寶設計品牌潮流的國際鑽石直銷機構。它利用線上管理模式管理線下，數據化運營，分析每天的客單價，進店人流量，來源渠道，整合化營銷，打通線上一起來實現IMC（整合營銷傳播），用數據分析，以數據說話。在O2O模式中，通過線上的“O”積累口碑、提高品牌曝光並吸引精準客戶群體的關註，最終為線下實體店導入客流；線下的“O”提供完善的售前售中和售後服務，大數據成為串聯這兩個“O”，實現O2O營銷閉環的關鍵。佐卡伊通過ERP與CRM系統的深度融合，挖掘客戶的深層需求、情感維系，配合銷售員的移動端APP實現終端應用，相對於傳統珠寶行業的“坐商”經營模式，能夠得到更高的轉化率及市場份額。
數據對創業公司的流程支持。創業型企業是指處於創業階段，高成長性與高風險性並存的創新開拓型企業。這種企業規模不大，但是處於成長期，屬於輕資產型企業。那麼在這次“數據盛宴”中，是否只是大公司的狂歡？並非如此，從事大數據產業的創業型輕公司將無處不在。一般來說，新興的創業公司則通過出售數據和服務更有針對性地提供單個解決方案，這些公司把大數據商業化、商品化。這類公司將大數據商品化，這將帶來繼門戶網站、搜索引擎、社交媒體之後的新一波創業浪潮和產業革命，並會對傳統的咨詢公司產生強烈的沖擊。
Vital Insights：大數據成就的汽車管理公司
Vital Insights公司創立於加拿大，是一家專門為汽車行業提供雲端消費者體驗管理解決方案的企業。成立四年以來該公司一直保持盈利和快速發展狀態，因其優異的業績，2012年獲得來自BregalSagemount的2000萬美元A輪融資。公司通過ForesighTM平台，實時跟蹤汽車銷售企業數據，並即時在線收集、管理消費者反饋。該平台的數據可以隨時發送到銷售人員的手機上，幫助銷售人員隨時隨地向潛在消費者銷售汽車。公司的服務在很大程度上改造了傳統汽車銷售管理模式，受到梅賽德斯奔馳、瑪莎拉蒂、陸虎、大衆、寶馬、奧迪等著名汽車以及豪華車品牌的歡迎。目前有4000家汽車經銷商的12.5萬名企業員工正在使用該項服務。
NumberFire：大數據體育也瘋狂
總部位於紐約的NumberFire公司將自身定位於下一代體育分析平台，致力於在體育領域非機構化和雜亂的數據中掘金，通過一系列數學模型更準確地預測選手與隊伍在賽場上的表現。公司的核心產品是依據體育真實數據為基準的體育數據遊戲，玩家可以參考現實比賽的數據來選擇自己的隊伍。公司還推出了預測體育賽事的相關應用。公司的發展基礎就好比電影《點球成金》中沉迷於球員數據分析的比利•比恩和他的助手，只不過是把這兩個電影角色的專長變成了真正具有很強盈利能力的企業。在2013年的足球賽級，該公司收入增長8倍，用戶數量以每年300%的速度在增長。
Predilytics：電子醫療
如今，已經有不少嗅覺靈敏的企業跨進醫療大數據領域，Predilytics是一個典型代表。公司在該行業率先採用機器學習技術，運用大數據分析出透明、公正且受業務驅動的結果。其所使用的數據源包括管理數據（如索賠、處方、試驗數據、合格證明）、服務操作（如呼叫中心）、護理管理操作（HRA，即健康註冊授權）以及電子醫療記錄。其工具具備自然語言數據分析能力，所以可以處理結構性和非結構性的數據。
這些初創型企業更多專註於為重要垂直業務提供應用程序，簡稱為BDA公司（大數據應用Big Data Applications，簡稱BDA）。在新興的大數據創業公司方面，有提供工具系統的，有提供數據存儲和銷售的，有提供信息咨詢算法的，有些提供電影票房預測技術，有些提供產品優化銷售效率，有些產品通過將不同渠道的營銷業績與實際的產品使用數據相關聯，為未來營銷活動提供建議。在技術之外，這些小企業還會開發一些產品，追蹤記錄與健康相關的指標並據此提出改善人們行為的建議。諸如此類的產品有望減少肥胖，提高生活質量，同時降低醫療成本。這類業務令人著迷之處在於，如果沒有大量的數據，缺乏有效的數據分析技術，這些公司的業務難以有效開展。與此同時，雲計算技術的普及，意味著小公司不必在内部開發或配備所有大數據技術，在很多情況下，它們可以利用基於雲端的服務來滿足數據分析需求。
流程簡化
IBM公司一直致力於為企業提供數據的支持和服務，並開發了一系列的相關軟件和平台來支持企業利用數據運營和簡化流程。2011年IBM公司發佈IMF信息管理咨詢服務和集成解決方案，幫助行業層面客戶利用IBM公司的軟件、硬件和服務整合優勢，簡化業務數據管理，對客戶進行精準定位並分析數據環境，使IBM公司的客戶得以捕捉關鍵的業務信息，從而有效規避風險。這套簡化、高效、低成本的IMF已經在很多行業投入使用並積累了豐富的經驗，幫助企業有效整合資源、管理數據和信息並實現分析，將大量企業帶入了利用數據分析達到運營優化的世界。大數據對於企業運營流程不光提供了各個方位和流程的支持，也在很大程度上對運營流程的各個環節進行了簡化，使得企業的運營流程更加清晰也更加簡潔。
速度為王。數據驅動的企業運營，最終歸結到結果上，就是運營速度的提升和盈利能力的增強。而大數據時代企業的運營競争戰略，就是速度為王。大數據時代是速度競争時代。其實，比爾•蓋茨上世紀末在其《未來時速》一書中已經做出了預言：“在未來的10年中，企業的變化會超過它在過去50年的總變化。如果說80年代是註重質量的年代，90年代是註重再設計的年代，那麼21世紀的頭10年就是註重速度的時代，是企業本身迅速改造的年代，是信息渠道改變消費者的生活方式和企業期望的年代”。如今，他的預言正在變成現實。
ZARA的時尚速度
衆所週知，時尚的最大的特點就是多變。而ZARA就是以快速反應著稱於流行服飾業界，快才是ZARA最根本的也是最重要的制勝法寶。ZARA比同樣以出貨速度著稱的H&M（ZARA與美國的休閑時裝GAP、瑞典的時裝 H&M、日本的休閑服裝優衣庫UNIQLO並列為國際四大時裝巨頭）快了5天。在2003年的時候，ZARA公司就是全球唯一的一家可以在15天内將生產好的服裝配送到全球40個國家的736家連鎖店的時裝公司。
一款服裝從設計到上市中國服裝業一般需要6～9個月，國際名牌一般可到120天，而ZARA最短只有7天，一般為12天。ZARA使得有“世界工廠”之稱的中國相形見绌。一些國際服裝品牌巨頭明知ZARA厲害，就是學不來，模仿不了，秘訣就在於ZARA的大數據運營。
ZARA的數據管理基礎架構不是一年兩年就建好的，是多年來不斷投資建設的組合，是一個功能領域一個功能領域逐漸完善的效果，這些卓越成果的取得是業務需求與IT有效結合、積累的產物。信息系統平台的應用將ZARA的產品設計、生產、配送和銷售迅速融為一體，正是因為在信息應用方面表現卓越，才使得ZARA擁有如此驚人的速度。它的卓越性主要表現在四個方面。
（1）在新產品設計過程中，密切關註潮流和消費者的購買行為，收集顧客需求的信息並匯總到西班牙總部的信息庫中，為設計師設計新款式提供依據，以快速響應市場需求。關於時尚潮流趨勢的各種信息每天源源不斷地從各個ZARA專賣店進入總部辦公室的數據庫。設計師們一邊核對當天的發貨數量和每天的銷售數量，一邊利用新信息來產生新的想法以及改進現有的服裝款式，再與生產、運營團隊一起決定，一個具體的款式用什麼佈料、如何剪裁以及如何定價，設計師必須首先訪問數據庫中的實時信息。
（2）在信息收集過程中，ZARA的信息系統更強調服裝信息的標準化，為新產品設計和生產提供決策支持。對一個典型的服裝零售商來講，不同的或不完全的尺寸規格，不同產品的有效信息通常需要幾個星期，才能被添加到它們的產品設計和批準程序中。但是在ZARA的倉庫中，產品信息都是通用的、標準化的，這使得ZARA能快速、準確地準備設計，對裁剪給出清晰生產指令。
（3）在ZARA的供應鍊上，ZARA借助自主開發的信息系統對產品信息和庫存信息進行管理，控制原材料的庫存，並為產品設計提供決策信息。卓越的產品信息和庫存管理系統，使得ZARA的團隊能夠管理數以千計的佈料，各種規格的裝飾品，設計清單和庫存商品。ZARA的團隊也能通過這個系統提供的信息，以現存的庫存來設計一款服裝，而不必去訂購原料再等待它的到來。
（4）ZARA信息系統對分銷過程中的物流配送進行跟蹤管理。ZARA的分銷設施非常先進，運行時需要的人數非常少。大約20公裡的地下傳送帶將商品從ZARA的工廠運到位於西班牙ZARA總部的貨物配送中心。為了確保每一筆訂單準時到達它的目的地，ZARA沒有採取浪費時間的人工分檢方法而是借用了光學讀取工具，這種工具每小時能挑選並分撿超過60000件的衣服。在ZARA總部還設有雙車道的高速公路直通配送中心。由於其快速、高效的運作，這個貨物配送中心實際上只是一個服裝的週轉地，而不是倉庫。
ZARA利用數據和信息管理將一款服裝從設計到上市的時間控制在12天以内，這是具有決定意義的12天。經濟學家Little的研究表明，一種新品推向市場晚6個月將導致其整個生命週期内利潤下降15%～35%，而且隨著產品生命週期縮短，損失會進一步加大。而B.C. Cole的研究表明，早進入市場6個月可增加銷售收入11.9%，如果延遲6個月則會下降33%。這些數據驅動的速度提升背後是滾滾而來的利潤，是企業生命線的維持。
現代競争的核心：速度。時間是世界上最稀缺的資源，時間沒有任何替代品，也沒有任何彈性。以大數據為核心的數字經濟的實質就是速度經濟。未來的競争是節約經營循環時間的競争，是最先到達顧客並滿足顧客的速度競争。速度可以在顧客心目中建立“第一”的品牌先機；速度可以領先半步創新產品和服務，從而掌握控制目標市場；速度可以最先達到顧客並建立顧客忠誠；速度可以規避和降低商業風險；速度可以威懾對手，築起競争壁壘而贏得競争優勢。而贏得速度的關鍵是有效的時間管理。企業必須具有基於時間的競争策略和基於時間的管理能力。
週鴻?講體驗，雷軍講速度，後者更勝一籌。就是建立最快的反饋通道，快速根據用戶的反饋和罵聲改良產品。對體驗的理解一樣，出錯的概率一樣，但是對用戶的反饋反應速度比對手更快，這就需要建立一套不一樣的從反饋到生產再到反饋的快速響應機制。從速度上打敗對手，從而達到更好的體驗。
大數據應用到企業運營中，幫助企業進行決策和流程優化，從而最終體現到速度之上。傳統的企業競争戰略在大數據時代受到挑戰，一切都要給速度讓位了。
意大利帕馬森雷佳諾幹酪公會的任務是監控幹酪質量。過去，判斷幹酪真僞極為複雜並耗時，需手動抽查600多家乳品店。而現在，IBM大數據分析提供的條碼標簽和傳感器功能，能有效監控日常生產與產品，從而準確判斷和追溯每批產品是否純正。
運用大數據平台運營的典範紅領借助自主研發的大型供應商平台RCMTM可以年定制服裝100萬套，制作時間只需7個工作日，且都是一次性制作完成。
時間是金錢，股票交易就是快魚吃慢魚，用免費股票交易軟件有幾秒的延遲，而占美國交易量60~70%的高頻程序化交易則要發現毫秒級、低至1美分的交易機會。時間又是生命，美國國家大氣與海洋管理局的超級計算機在日本311地震後9分鐘發出海嘯預警，已經太晚。時間還是機會。現在所謂的購物籃分析用的其實並不是真正的購物籃，而是結賬完的小票，真正有價值的是當顧客還拎著購物籃，在浏覽、試用、選擇商品的時候，在每一個觸點影響他/她的選擇。數據價值具有半衰期，最新鮮的時候個性化價值最大，隨後漸漸退化到只有集合價值。當下的智慧是從刻舟求劍到見時知幾，原來10年一次的人口普查就是刻舟求劍，而現在東莞一出事百度遷徙圖就反映出來了。當然，當下並不一定是完全準確的，其實如果沒有更多、更久的數據，匆忙對百度遷徙圖解讀是可能陷入誤區的。
數據SWAT框架及數據再挖掘
數據的SWAT框架
擁有了大數據，也知道大數據對於企業運營（包括自動化生產、流程和決策）的重要性，那麼接下來的問題就是如何提高大數據成果在各相關部門的分享程度，如何提高整個管理鍊條和產業鍊條的投入回報率。SWAT框架給出了企業運用大數據進行優化運營的框架。
圖10-3數據的SWAT框架
提出戰略性業務問題。數據驅動的企業運營的第一步就是要確定戰略性業務問題。提出問題是解決問題的先決條件，大數據研究是根據經濟社會發展中提出的問題來有目的地建立數據庫，而最終分析得到的大數據結果正是為解決經濟社會中提出的問題（也可稱為客戶）服務的。
通過將内部數據分析平台開放給所有跟自己公司相關的分析師、管理者和執行者，Google、Facebook等公司已經讓組織中的所有成員都能向數據提出跟商業有關的問題、獲得答案並迅速行動。以Facebook為例，它將大數據推廣成為内部的服務，這意味著該服務不僅是為工程師設計的，也是為終端用戶——生產線管理人員設計的，他們需要運用查詢來找出有效的方案。因此，管理者們不需要等待幾天或是幾週的時間來找出網站的哪些改變最有效，或者哪些廣告方式效果最好，他們可以使用内部的大數據服務，而該服務就是為了滿足其需求而設計的，這使得數據分析的結果很容易就可以在員工之間被分享。
駕馭數據。問題提出後要獲得高質量的見解，就必須收集高質量的數據。一家企業擁有大數據，就像擁有一座金礦。這座金礦含金量高不高，直接影響到能提煉出黃金的多少。同樣，大數據的質量好不好，也直接決定了後續能利用的數據多不多。不要試圖搜集所有數據，而是要把重點放在緊要事情上，數據的收集質量直接影響到後面的運營和營銷結果。
此外，首先收集到的這些數據並不存在於一個組織的同一個部門内，所以需要跨部門合作，比如，市場部、銷售部、内部支持部、IT部，甚至更多。我們看到很多公司已經在内部創造出“特種部隊”，這要求來自不同職能部門的員工能夠打破官僚僵局，通力合作。
形成可視化答案。完成了收集數據的任務之後就是要將收集到的數據進行挖掘處理並分析，然後形成可視化的答案，“一圖勝千言”，借助Qlikview等分析工具，管理者能夠很方便地制作簡潔的管理儀表闆和報告。在使用工具的過程中，一定要同公司相關人員定期召開設計會議。
做出決策、採取行動。最後一步就是根據數據分析和處理的結果採取行動，展開營銷。至此，企業就可以較為順暢地將大數據運用融入到企業的運營中，從而優化企業運營，使企業營銷更加精準化、決策更加精確化、流程更加精細化。
數據的再挖掘
企業在利用數據建立SWAT框架，利用數據簡化和優化企業運營的基礎之上，還可以進一步利用數據，創建數據的再挖掘以及對數據廢氣的利用。
數據分析。除了互聯網公司期望或已通過大數據實現更好的商業模式之外，傳統運營商也正在加入到大數據隊列之中。中國移動通信研究院“大雲”項目負責人介紹說，運營商手裡的數據規模，遠超過移動互聯網應用上的數據規模。在此背景下，運營商完全可以利用大數據賺錢。如何把採集的數據變成服務，正是運營商應該好好考慮的。
事實上，運用大數據成功盈利的例子不勝枚舉。從早期的Google、亞馬遜到如今的阿裡巴巴，他們均將大數據發揮得淋漓精致：Google基於搜索數據盈利模式，每年財源滾滾；亞馬遜通過雲技術、大數據構建了強大的電商帝國。國務院《關於促進信息消費擴大内需的若幹意見》中提出：到2015年，信息消費規模超過3.2萬億元，年均增長20%以上，帶動相關行業新增產出超過1.2萬億元。如此龐大的信息消費量，必將建立在雲技術、大數據之上。
像IBM、Oracle、EMC、惠普這類大型技術公司紛紛投身大數據，通過整合大數據的信息和應用，給其他公司提供“硬件+軟件+數據”的整體解決方案。這種是大數據帶給這些企業的另外一種額外收入——通過數據分析盈利。
IBM：大數據分析帝國
IBM將在2015年之前斥資160億美元開發商業數據分析技術。這位藍色巨人已經在這個領域花了大筆錢，過去5年内就收購了23家分析技術公司。
2014年3月在IBM 2014非結構化數據管理用戶大會上，IBM宣佈與美亞柏科進行合作，發佈大數據智能應用中心。新的大數據智能應用中心，運用IBM在企業内容管理領域領先的技術優勢，並整合美亞柏科在公共事業、金融服務等領域豐富的行業實踐經驗，將幫助企業在關鍵業務決策中協調知識、溝通、内容和資源，從而獲得來自内容的大數據洞察。
企業每天都會產生大量的數據，其中大量的非結構化數據來自辦公文件、交易記錄或社交網絡，如何高效地從複雜的數據中獲取有價值的洞察，是企業制定正確決策的關鍵。IBM公司發佈的大數據智能應用中心，通過從信息採集、大數據分析到案例處理的過程，為企業提供全面的内容管理解決方案。該解決方案支持各種數據來源的信息採集，並可以對數據來源實行定制化的智能分析，獲得有價值的洞察。靈活性和便捷性是大數據智慧中心解決方案的重要特徵之一，從檢測、分析到處理的全過程都可以通過友好的用戶界面進行實時的觀察。
此次合作中，IBM合作夥伴美亞柏科為解決方案提供了強大的數據資源支持。美亞柏科是全球僅有的兩家電子數據取證上市企業之一，擁有國内領先的電子數據取證和安全產品技術，並且美亞柏科擁有海西地區規模最大的計算平台——廈門超級計算中心，為企業提供“隨需應變”數據資源與服務。大數據智能應用中心項目中，美亞柏科在企業内容管理的信息採集階段起到了重要的作用，實現日均600萬實時數據更新，所提供的數據平台已有高達70億的基礎數據。
大數據的4V特性為分析提供了不同的維度，全新的IBM ECM可以通從六個方面為企業提供洞察，包括搜索、商情監測、市場分析和投訴問題管理、反詐騙及風險評估、輿情監控、案件分析以及知識產權分析。
今年IBM正式宣佈推出強大的大數據與分析平台Watson Foundations。Watson Foundations在雲能力、移動性、快速發掘洞察等方面對原有的IBM大數據平台進行了提升。並且IBM與蘋果公司合作，將把IBM強大的大數據與分析能力帶入iPhone與iPad，重新定義人們工作的方式。
數據資產化。數據除了可以作為工具對客戶行為進行挖掘之外，大數據時代還為一些企業帶來資產型收入。其中賣數據和數據分析是最為典型的，在這裡加以分析。
微博：數據帶來新的盈利點
2014年4月18日新浪微博上市首日收盤價20.24美元，漲幅達19.06%，成為當天納斯達克最大的亮點，表明投資者對微博價值的認可。在年初的分析師電話會議上，一項“數據授權服務”首次被新浪官方提及。新浪微博通過對微博用戶歷史數據的分析和抓取，微博平台合作夥伴將能在很大程度上提高信息分享的精準度。新浪微博為廣告商提供微博用戶的登錄和使用記錄，幫助廣告商實現精準營銷。數據服務是微博的非廣告營收的重要部分。通過幾億個註冊用戶的信息，在微博中的動態等等，新浪微博積累了大量的數據，而利用數據這座金礦掙錢也成為了新浪微博的盈利模式的一部分。
互聯網時代很多天然的大數據公司都擁有這種利用賣數據盈利的資格。他們一方面可以通過對用戶信息的大數據分析，基本解決自己公司的精準營銷和個性化廣告推介等問題，基本上做到了以數據驅動的運營（data-driven processes）。Google、亞馬遜、Facebook、LinkedIn，阿裡、百度、騰訊，因擁有大量的用戶註冊和運營信息，都是天然的大數據公司，而他們利用大數據成功營銷盈利的案例也成為經典。
數據廢氣的利用。數據廢氣可以化廢為寶，數據不是用完就被舍棄，它的再利用價值也許你現在不清楚，但在未來的某一刻，它會迸發出來。例如物流公司的數據原來只服務於運營需要（例如内部車隊的優化調度），但一經再利用，物流公司就華麗轉身為金融公司，數據用以評估客戶的信用，提供無抵押貸款，或者拿運送途中的貨品作為抵押提供貸款；物流公司甚至可以轉變為金融信息服務公司來判斷各個細分經濟領域的運行和走勢。
大數據成為有些公司了解客戶的“上帝之眼”。美國洛杉矶就有企業宣稱，他們將全球夜景的歷史數據建立模型，在過濾掉波動之後，做出了投資房地產和消費的研究報告。
另外一家全球500強企業麥當勞，通過外送服務，在售賣漢堡的同時獲得用戶的精準地址，這些地址數據匯集之後，就變成了一份絕妙的房地產内部數據。
有團隊曾經使用來自手機的位置數據推測，美國聖誕節購物季開始那一天有多少人在梅西百貨公司（Macy's）的停車場停車，這遠早於梅西百貨自己統計出的銷售記錄。無論是華爾街的分析師或者傳統產業的高管，都會因這種敏銳的洞察力獲得極大的競争優勢。
管理框架迎來變革
馬雲提到“現在人類正從IT（Informationtechnology）時代走向DT（Data technology）時代，IT時代是以自我控制、自我管理為主，而DT時代是以服務大衆、激發生產力為主的技術。”DT時代需要數據資源、需要處理數據的技術資源和人力資源，而最終將這一切資源進行整合並實現企業運營的，就是企業組織管理。
傳統企業管理：上下層級
管理組織架構是企業的流程運轉、部門設置及職能規劃等最基本的結構依據。現代企業的管理方式來源於對軍隊的模仿，依賴於層層級級的組織和嚴格的流程，依賴信息的層層匯集、收斂來制定正確的決策，再通過決策在組織的傳遞與分解，以及流程的規範，確保決策得到貫徹，確保每一次經營活動都有質量保證，也確保一定程度上對風險的規避。
一般來說，組織架構形式包括金字塔型和扁平型。其中金字塔型又包括直線制、職能制、直線-職能制、事業部制和矩陣制。
直線制。是一種最早也是最簡單的組織形式。它的特點是企業各級行政單位從上到下實行垂直領導，下屬部門只接受一個上級的指令，各級主管負責人對所屬單位的一切問題負責。直線制組織結構比較簡單，責任分明，命令統一。然而在業務比較複雜、企業規模比較大的情況下，把所有管理職能都集中到最高主管一人身上，顯然是不切實際的。直線制往往只適用於規模較小，生產技術比較簡單的企業，對生產技術和經營管理比較複雜的企業並不適宜。
職能制。是各級行政單位除主管負責人外，還相應地設立一些職能機構。這種結構要求行政主管把相應的管理職責和權力交給相關的職能機構，各職能機構就有權在自己業務範圍内向下級行政單位發號施令。故下級行政負責人除了接受上級行政主管人指揮外，還必須接受上級各職能機構的領導。
直線-職能制。樂百氏從1989年創業到2001年一直都採取直線-職能制的組織結構，按產、供、銷分成幾大部門，再由全國各分公司負責銷售。這種管理組織架構是結合直線制和職能制的基礎上而建立起來的。目前，絕大多數企業都採用這種組織結構。這種管理架構既保證了企業管理體系的集中統一，又在各級行政負責人的領導下，充分發揮了各專業管理機構的作用。然而這種組織結構存在著職能部門之間的協作和配合性較差的問題，職能部門的許多工作要直接向上層領導報告請示後才能處理，在加重了上層領導的工作負擔的同時也致使辦事效率低下。
事業部制。從2001年8月到2002年3月，樂百氏實施了產品事業部制。雖然實施的時間很短，但為現在實施的區域事業部制奠定了基礎，實現了組織結構變革中的平穩過渡。這種模式最早是由美國通用汽車公司總裁斯隆於1924年提出，故有“斯隆模型”之稱，也叫“聯邦分權化”，是一種高度（層）集權下的分權管理體制。它適用於規模龐大，品種繁多，技術複雜的大型企業，是國外較大的聯合公司所採用的一種組織形式，近幾年我國一些大型企業集團或公司也引進了這種組織結構形式。
矩陣制。矩陣制在組織結構上，既有按職能劃分的垂直領導系統，又有按產品（項目）劃分的橫向領導關系的結構。矩陣制的特點表現在圍繞某項專門任務成立跨職能部門的專門機構上。這種組織結構形式是固定的，人員卻是變動的，需要誰，誰就來，任務完成後就可以離開。項目小組和負責人也是臨時組織和委任的。任務完成後就解散，有關人員回原單位工作。因此，這種組織結構非常適用於橫向協作和攻關項目。
數據運營企業管理：架構變革
傳統企業組織結構從亞當•斯密的分工理論開始，是工業經濟的產物，是一種以權利為中心的嚴格的等級制度。企業内部勞動分工精細、專業化程度高，職能部門衆多，在此基礎上形成了“科層制”的“金字塔”型結構。這種組織結構簡單，指揮命令系統單一，容易迅速做出決策，貫徹到底的責任和權限明確，每個人都知道自己應該接受誰的命令，應該向誰匯報等；橫向間的聯系較少，因而相互間的摩擦和沖突現象少；易維持組織的活動秩序；便於對人力物力統一調度，集中管理。
大數據在一定程度上將改變甚至颠覆企業的傳統管理架構。現代管理誕生於傳統工業時代，生產的效率在於機器的精密、龐大程度以及組織的能力。過去傳統的管理架構是一種有用而笨拙的方式，而今天信息時代機器的性能，更多決定於芯片，大腦的存儲和處理能力，程序的有效性。因而管理從註重系統大小、完善和配合，到註重人，或者腦力的運用，信息流程和創造性，也就不足為怪了。
流程驅動到結果驅動。傳統企業管理結構以直線型和金字塔型為主。企業整個管理架構的層級是以流程為導向的，自下而上或自上而下地受到信息流和業務流的導向，企業管理架構的各個組織、各個部門之間的協調和聯系也是為了企業運營流程的順暢完成。這種直線型和金字塔型結構可以很好地完成各環節的連接和傳遞，各司其責、保證流程的無縫隙鍊接，最終實現企業運營的高速運轉。
然而這種傳統時代十分受用和高效的管理架構，在信息時代和大數據時代卻遭遇尴尬。數據對人力的替代導致企業組織中出現了管理架構中空的問題。信息技術的發展和數據的應用及挖掘，管理組織架構的中間環節和部門被數字化機器和平台所取代。更重要的一點就是，企業運營的驅動力由原來的流程驅動變為結果驅動，變成了一切都是以結果為導向的組織運營。
組織結構的動態能力增強。結果驅動的企業運營也相應增加了企業組織架構的動態能力。面對外部環境的複雜多變，企業組織結構必須更加具有靈活性，即加強組織柔性。在現有組織結構基礎上根據結果隨時調整組織結構，建立臨時的以任務為導向的團隊式組織。這種團隊根據所面臨的問題和挑戰而臨時組建，並隨著事件的消失而自動解散。這種團隊還具有很強的自治能力、自組織和自適應能力，能很好地適應環境變化，並在動態中尋求最優。團隊成員來自不同的部門、具有不同的技能，一旦進入團隊就不再受原來的部門約束，同時團隊成員仍然和專業職能部門保持著密切的聯系，可以充分得到職能部門的有效支持。
美國霍尼韋爾公司為鞏固客戶關系，組建了由銷售、設計和制造等部門參加的“突擊隊”，這個臨時機構按照公司的要求，把產品的開發時間由4年縮短為1年，把即將離去的客戶拉了回來。很顯然，柔性化的組織結構強化了部門間的交流合作，讓不同方面的知識共享後形成合力，有利於知識技術的創新。知識經濟時代創新是企業的靈魂和精神内核，智能技術和專業技術知識的發揮在很大程度上依賴於員工的創造力，民主、寬松、誘導方式可調動人的積極性，使其主動發揮其潛能，有利於創造性思考的團隊管理。
數據驅動的管理架構選擇。企業該如何處理數據驅動對企業管理架構的影響？是在原有直線型或金字塔型管理架構基礎上進行改建還是重新組建新環境、新問題下的革命式重建？企業的管理架構是與企業決策和運營分不開的，企業的決策性質、決策類型和運營環境需要企業管理架構的支撐和協助。
數據驅動的企業運營金字塔分為自動化生產、大數據流程和大數據決策三個不同的階段，而數據驅動的企業決策則可以分為投資型決策、生產型決策、競争型決策和戰略型決策。不同的企業受到數據驅動的運營階段不同，因此想匹配的企業管理架構亦不盡相同。若忽視了企業自身的情況和條件，只是簡單機械地模仿並改變自身的企業架構，則會出現圓孔方木的尴尬情況。對於處於自動化生產階段的數據驅動的企業，剛剛進入大數據的行列中來。他們的數據驅動僅開始應用於生產環節，而其他的環節仍沿用傳統的管理和運營方式。而且這種企業的數據信息尚為有限，中間部門的信息和數據化處理尚不能完全覆蓋企業運營和決策，因此這種企業較適合在傳統的管理架構基礎上適當調整部門結構。
處於大數據流程階段的數據驅動的企業，進一步利用數據和信息來驅動企業的運營流程，更多的部門變得智能化和數字化，數據對人力的代替效果更明顯。這類企業需要根據流程需要，將管理架構的中間環節用信息化部門代替，企業的金字塔型管理架構相應壓縮。
處於大數據決策階段的數據驅動的企業，已經到達了數據驅動運營的頂層，企業的信息量足夠大、處理數據的能力足夠強，以至於企業的運營靈活性和動態性大大增加。企業的管理架構相當靈活，不僅在傳統的基礎上抽空中間部門，並且設立靈活機動的隊伍來隨機變動，以適應動態的運營情況。企業會有一只“預備隊”，來自於各個部門，他們平時在各自的部門中，一旦出現需要和情況，會隨時準備轉入其他部門和數據替代的部門進行“替補”。
數據運營的隊伍培養
首席數據官。大數據時代，任何組織結構的改變和重建都離不開最關鍵的一個要素——人才。袁衛在“如何擁抱大數據時代”的報告中表示應註重大數據人才的培養和引進。基於大數據時代的發展背景，大數據人才的適用領域非常廣泛，有著巨大的社會需求。他們的就業，遍及生物、醫學、經濟、社會、媒體、金融、教育、政府各個方面，只要有數據的地方，他們都可以施展才華。現在全國有78所高校開辦應用統計專業碩士，他們絕大多數都有條件開展類似的人才培養，都可以進行積極探索，相關企業參加的積極性也非常高。因此，企業在強化大數據應用的過程中，還需重視數據挖掘人才的培養與引進，商業智能是由數據倉庫、聯機分析處理以及數據挖掘等組成，這三方面都需要大量的數據挖掘的人才。
花旗的CDO。花旗集團旗下的企業與投資銀行公司（CIB）曾任命JohnBottega為公司歷史上第一位首席數據官（CDO）。John Bottega曾在多家企業負責數據管理方面的工作並有20年的工作經驗。在花旗銀行中John Bottega主要負責的工作包括：規劃和管理CIB數據的發展策略、相關政策、部屬職能及投資方向等。同時，John Bottega還將會更緊密地與花旗集團GICAP小組、CIB技術部與CIB數據理事會合作，共同優化花旗集團的數據管理結構。CIB首席數據官的角色定位，在於實現其數據策略以及明確清晰的數據所有權，這將會推動對跨越前台管理、行政、財政、服務以及風險保障等部門之間的數據流改進工作有很大的幫助。
從花旗John Bottega職責中可以看出企業擁有首席數據官能幫助企業更好地有規劃地使用大數據，並且根據大數據應用計劃合理調配企業資源，避免出現企業耗用大量人、物、財力發現的大數據結果無法應用到企業業務中、為企業帶來價值的情況。
2013年，全球營銷機構奧美（Ogilvy）正式宣佈任命托德•卡倫（Todd Cullen）擔任全球CDO，主管拓展全球數據與分析業務。事實上，截至2013年，全球有超過100多位首席數據官服務於大企業，比2012年多兩倍多。這一數據也表明首席數據官越來越重要，而且企業們也越來越重視大數據的應用管理。
CDO彌補企業管理缺洞。事實上，隨著互聯網技術的發展和數據重要性的凸顯，傳統企業中往往會出現三種很明顯的不足：1）在進行數據建模等工作時，與業務的需求聯系不緊密，很難準確地進行相關的數據挖掘等；2）數據結果被分析出來，卻沒能將數據結果落地至實際企業業務操作中；3）企業的數據工作是按照項目走，而並非根據業務的需求和戰略方向進行有計劃地數據挖掘，從而造成數據孤島。此時，數據管理的重要性變得越來越明顯。在這樣的情況下，CDO應運而生，需要承擔起全面發揮數據價值的重任。結合花旗首席數據官的職責，CDO的職責主要是根據企業的業務需求、選擇數據庫以及數據抽取、轉換和分析等工具，進行相關的數據挖掘、數據處理和分析，並且根據數據分析的結果戰略性地對企業未來的業務發展和運營提供相應的建議和意見。
本文摘自《數據驅動的企業》
數據強則企業強！
《飛輪效應：數據驅動的企業》是企業互聯網轉型與大數據應用的落地之作，通過對亞馬遜、ZARA、紅領服飾、尚品宅配等國内外百餘個典型前衛案例的觀察和總結，《飛輪效應：數據驅動的企業》提煉出了企業數據化轉型的“數據飛輪”理論。
數據飛輪實現了商業模式的嬗變，改變了客戶、產品、基礎設施、盈利模式四個模塊的運營方式：渠道商角色被弱化，由客戶到粉絲、由客戶直連品牌成為運營重心；產品創新更註重非標產品的設計生產和信息部分的價值提升；基礎設施實現内外部資源的平台化；盈利模式要協調好免費與增值、一次收費和多次收費的平衡關系。
數據驅動是企業轉型的本質和靈魂。數據資源成為企業發展的新型動力源，數據分析系統是企業騰飛的動力系統，決定了企業運行的速度與高度。
數據時代，判斷一個企業成功與否的重要標準之一，就是看它的運行是不是形成了“數據飛輪”，即企業運行的各個環節是不是有數據的支撐。“數據飛輪”這個詞將成為檢驗企業運營水平的標配，只有形成飛輪的數據才是有價值的、能夠真正支撐和驅動業務發展的數據財富，才能夠推動企業效率和效益的增長。