2018年，关于运营商大数据管理的八个思考和实践！
这是傅一平的第263篇原创
作者：傅一平
个人微信：fuyipingmnb
斯多葛派哲学说：”有些事情是你能够控制的，有些事情你是控制不了的，而你应该只关注你能控制的东西。”
现在能做大数据的，首先要感谢这个时代，其次要感谢公司给予的机会，没有以上两点，我下面所有说的都是空中楼阁。
2018年即将过去，这一年，自己在运营商大数据管理上有哪些新的认识呢？特此总结了八点，希望于你有益。
1、抓住改革的红利
大数据对内要支撑智慧运营，对外要服务价值变现，工作比较强调创造性，这对于传统企业的数据团队管理是很大的挑战，比如一年一次的考评方式显然节奏慢了，而公司试行的新的季度绩效考核方式，给了我们管理提升的机会。
从2018年开始，每个季度开始尝试着对每个团队成员的实际业绩进行评估，用透明，开放的形式公布优异成员的业绩，并组织分享会，虽然还是有主观的成分，做不到《原则》中提到的极度透明化，但这是一个开始，成员需要了解到：管理者关注的重点是什么，为什么人家的工作获得了认可。
以下是一个示例：
2017年是公司DT的第一年，2018年更进一步，成立了阿拉丁学院，全年开展大数据课程培训118期，培训学员3522人次，大数据平台使用人员突破1300人，这在以前不可想象。
2、OKR工作法的探索
在季度考评实施过程中，笔者感觉到很多工作任务是事后诸葛亮，前瞻性、聚焦程度不够，需要有一套更为系统化的理论和方法作为指引，并且能够方便的操作，OKR作为Google，领英等公司的工作评定方式，笔者觉得可以借鉴。
何谓OKR?
OKR是一种战略目标任务体系，是一套明确目标并跟踪其完成情况的管理工具和方法，它由一个需要极致聚焦的明确目标和量化该目标的数个关键结果这两大主要部分组成，有一本书《OKR工作法》专门阐述了这套方法。
基于公司的季度绩效考评，利用OKR对于团队的工作目标设置进行了优化，希望它能真正的成为每个小组、每个人员季度重点工作的指引，团队人员需要目标导向，更要有契约精神，以下是智慧运营组第一季度的OKR示意：
做了个在线系统，取消了线下周报，通过在线的形式每周跟踪OKR的进展，每个人可以看到所有其他人的OKR及进展，这也是一种扁平化的方式吧。
其实形式不重要，当成员开始主动思考下个季度的工作重点（以前是太泛，走到哪算到哪），然后来跟你讨论具体目标的设定时，我想这就是一个进步，后面执行过程中问题会很多，但进一寸有一寸的欢喜。
3、合弄制的尝试
虽然大数据中心已经是非常扁平化的组织了，但内部又有分工，包括产品，数据等等，它们之间的交互其实非常多，原来垂直化的管理方式导致科室之间的沟通成本还是比较大，难以从全局考虑问题，需要再往前走一步。
合弄制是当前互联网公司比较推崇的方式，矩阵式的管理可以打破专业壁垒，因此依据业务的需要组建了9个项目支撑团队，如下图所示，配备人员是产品+数据+合作伙伴，跟传统的虚拟团队不同的是，组长对于团队成员有很大的考核权，诸如阿里等公司采用这种方式自然有它的道理，大数据特别需要自底向上的创新。
4、核心能力自我掌控
几年前刚开始提核心能力自我掌控的时候，想着就是全部自己干，代码自己写，模型自己建，跟合作伙伴划清界限，这是比较激进的。
随着大数据运营的深入，结合以前BI时代的教训，觉得还是要回归理性，核心能力的掌控要追求长期效益最大化，以下是一个原则建议。
如果做这个事情，长远来看，交易成本是比较高的，就要考虑干这个事情的核心能力要自我掌控，反之，就不需要，市场上一直买得到的东西，不值得自己做，这个跟技术的先进性无关。
如果长远来看，交易成本很高，但一时不具备这个能力，可以求助外面，但要记得等有资源的时候要拿回来。
按照这个原则，数据仓库的基础模型（标准化），融合模型（统一宽表）就得自己干，因为这个跟企业的业务太相关，未来的交易成本又很高。
你会说找个合作伙伴做也支撑的蛮好啊，那如果仓库要重构呢？如果模型要对外开放呢？如果要持续优化呢？到底谁能真正的做好一张宽表？
爬虫解析为什么自己做? 一方面是买不到合适的，其实外面也不愿意提供，另一方面实在很重要。
核心模型为什么自己做？比如职住、路网、职业等等，因为这些在每个月的内外价值变现中利用率最高，得持续的进行优化。
长远来讲，需要沉淀的东西大多累积交易成本较高，以下是路网拟合算法的可视化示意，这种模型很难依赖外面的团队。
核心能力自我掌控需要自身大量人员的投入，而模型研究是吃人的大户，比如做行业模型人投进去开始可是一点水花都没有，但近几年的实践告诉我们，利大于弊，即使现在还很弱小，但只要方向是对的就值得追求。
下图是几年前的一个核心能力掌控的技术图谱，现在虽然过时了，但可以参考：
5、位置数据的再加工
如果要规模化变现，运营商需要在位置数据的连续性、完整性、可整合性的基础上，再加上精准这个维度，能够覆盖大部分的商用场景，笔者觉得这个精度应该是5*5，未来运营商对于位置数据的能力封装应该成为任何一个线下商业平台的基础设施，要坐着收钱。
当前，MR+OTT让运营商位置数据已经可以提升到50*50，但这还不够，算法需要调优，更多的数据源需要被利用，因此团队专门设置了位置洞察组来进行研究，诸如网格化、选址、交通、旅游、客流、通勤、职住等几乎所有的核心应用都从中受益，位置模型的核心能力要掌握在运营商自己手中，这是最重要的一个数据资产。
6、线上数据的新机会
运营商DPI面临https的严峻挑战，但抱怨没用，要知道，运营商不仅仅有https，还有语音，短信，彩信，dns，信令等等各种线上数据，http还是个长尾，现在苦恼的应该不是https，而是如何让以上的数据产生更多的价值？
笔者在《为什么运营商大数据变现要搞“行业知识图谱”？》有过系统的论述，这些线上数据只有业务化、结构化和知识化了，才能发挥出更多的价值，它们并不是低垂的果实。
因此建立了爬虫解析团队，打造了神灯.行业知识图谱，现在已经拥有了亿级的规模，百万标签也是水到渠成，下一个目标是要结合行业场景持续优化，因为现在仅仅是从0到1，而从1到N还有很长的路要走，比如爬虫解析会涉及到NLP等很多技术，但团队缺乏这方面的积累。
7、精确营销的再认识
当我们全力以赴去提升精确营销能力的时候，却经常被撞得头破血流，现在想来是因为传统企业的营销是个比互联网广告投放更为复杂的体系，不是简单的通过模型就能提升的，流程、渠道、话术、政策、酬金、时机、地域、KPI等各个方面都会产生潜移默化的影响。
上周一个同事来找我谈困惑，说某个模型在A地市好用，一模一样换到B地市又不好用了，而且政策是一样的，我就问：话术看过吗？时机一样吗？同一波人吗？我知道还有很多我不知道的情况。
笔者在《数据挖掘师，要从一个人活成一支队伍》一文中曾经提到，数据挖掘师的通识能力至关重要，你要能横跨多个专业，在现有的体系下，团队的数据挖掘师比互联网挖掘师面临着更为复杂的局面。
在《从计划到市场，精准营销也许到了该改变的时候了！》这篇文章中，笔者提到了通过打造更为扁平化，市场化的获客宝产品去为公司的精确营销注入新的动能，近期团队内部讨论时，觉得精准营销的支撑内涵需要进一步扩大，不仅仅是模型的精准，还包括话术、时机、限制等等。
要做的其实已经不是+精准营销，而是精准营销+，这个涉及很多的机制和流程再造，想想+互联网和互联网+的区别，又有几个企业是真正的实现了线上转型呢？
希望2019年能有更大的突破。
8、规模化变现困境
运营商的大数据变现能否进一步规模化，近期有三个思考：
第一、运营商全网数据的归集对于变现有较大的助推作用，2018年底，西藏、宁夏、天津三省正式入驻中国移动集中化大数据平台，这也是中国移动IT发展改革在大数据领域取得的重要阶段成果，笔者在微信文章《中国移动集中化大数据平台起航了，意义深远！》有过介绍。
最近，中国移动信息技术中心又下发了《中国移动集中化大数据PaaS平台运营服务规范-省级租户分册》和《中移信息技术有限公司集中化大数据PaaS平台运营管理办法》，意味着PaaS已经具备运营条件，更多的省份即将入驻，中国移动的大数据商业化进程值得产业期待。
第二、运营商大数据变现当前主要是to B，笔者在《大数据规模化变现，也许我们需要一只地推铁军？》中谈过其面临的困境，无论是从友商还是自身的实践来看，运营商to B要做大，必须做好与传统政企业务和渠道的协同，需要一定的借力，特别需要自顶向下的支持，要避免创新的窘境。
第三、运营商要建立自己的大数据生态，B2B2C是一种策略，可以借助懂用户（或客户）的B端来间接变现，从而实现共赢。
但从实践来看，这种B不好找，现在不少运营商启动了合作伙伴招募活动，但感觉整个市场还是观望的为多，愿意skin in the game的少，需要多一点耐心。
同时多修炼一下自己的内功，B2B实际也考验着运营商自身大数据的底蕴，你能为第二个B提供多少炮火呢，无论是模型，产品还是平台？
在这个还有待开化的市场，完美的合作伙伴并不存在，但也意味着巨大的机会。
希望我的分享于你有帮助。
完
作者：傅一平 （微信号：fuyipingmnb）
好书或文章推荐（每周我会挑选出1-2本好看的书或文章进行推荐）
《读书是一辈子的事》樊登：樊登读书会很有名，这本书算是他的读书笔记合集，读了一半没读下去，说不出什么不好，就是觉得不过瘾。
《真正的自信来自真实世界的有效反馈》 万维钢·精英日课第二季：如果你对信息的追求是主动的，你就会非常有选择地吸收信息，然后花时间自己消化和反思信息，而不是一直处在接收的状态。你不是为课业服务，是课业为你服务。我们专栏的主编经常说，不希望读者每天在得到上花太多的时间。我们希望你来了，听一段，有点收获或者启发，然后你去做你自己的事儿。听不是目的，“得到”才是目的。
可能错过的近期精选文章（点击链接即可阅读）
从芝麻信用分透露的详细数据设计，我们能从中得到什么启示？
如何避免成为一台取数机器？
哪些广为人知的数据挖掘案例其实是一地鸡毛？
数据的价值到底如何评估？
为什么我提交的数据分析报告总是被领导K？
我如何用统计学指导自己的生活？
从吴军的“算法的油水就那么多”说起！
一起成长，让我们与数据同行
忙完工作，偷得浮生半日闲，讲述自己的数据人生
大叔/电信博士/500强央企/大数据/人工智能/统计取数/数据挖掘/数据产品/数据管理/数据仓库/数据变现