不仅仅是技术，大数据更需要往前一步的勇气！
这是傅一平的第279篇原创
作者：傅一平
个人微信：fuyipingmnb
时隔几年又一次参加集团组织的大数据模型应用研讨会，碰到了些许老友，见到了更多新面孔，学到了不少新东西，收获不少，感慨也很多。
虽然自己从事数据工作15年之久，但近几年大数据的工作对于自己的心态影响还是蛮大的，即使听取的东西只有5%是新的，还是能集中精力，把这5%大家讲的、PPT里面说得好的东西抠出来，然后发给团队学习。
大数据特别需要开放、互动和分享。
会议的安排非常密集，连续2天几十个报告的分享，时间竟然过得很快。
然后集团领导让我谈谈做大数据的感想，自己没什么准备，就乘着会议间隙写了6点，也叫六步吧，寓意是每迈进一步，也许就有会新的天地，当然这六步与其说是建议，还不如说是自己关于失败的反思。
如果你正在一个企业从事大数据相关工作，正在纠结如何让大数据发挥出更大价值，也许可以看看，你缺的可能也不是技术，而是改变的勇气。
第一步：从赋能管理到赋能一线
其实在讨论BI和大数据区别的时候，就或多或少说谈到过这个问题，当时是这么描述的：大数据很容易在生产中形成基于个体的评估和闭环反馈网络，BI则由于偏向宏观而难以在生产中贯彻执行从而产生实际价值。
以前我们做经分的时候，比如KPI指标，实质是在赋能决策、赋能管理，更多时候是为管理人员服务，考虑到管理是个复杂事务，在现阶段，基于大数据推进决策革命为时尚早。
但企业的一线工作不一样，一般量比较大，而且规则相对固定，重复性较多，基于大数据的机器学习、人工智能更有用武之地。
因此，充分的赋能企业一线员工，为他们提供智能化的工具，更可能形成现实的生产力，做不到这个，就不要说有什么真正的大数据应用水平。
比如直接给客户经理提供一个APP,通过这个APP可以获得更精准的目标用户、更详细的客户画像、更便捷的触客手段、更快速的受理能力，更全面的评估和反馈，这些都能有效提升一线人员的工作效率。
有位分享的同事就说，下基层锻炼了才知道，自己开发的一些小工具对于一线的帮助是如此巨大。
第二步：努力为渠道运营赋能
你的数据模型要进行生产投放，则必须依托于渠道，渠道运营就应该天然跟大数据紧捆绑，可惜现在做大数据的，搞渠道的，往往是两个部门两个团队。
一方面大数据自己没想清楚出口问题，总是抱怨前端的流程太长，但为什么不能主动往前一步？
另一方面渠道管理者也要想清楚如何提高运营水平，原来渠道重在控制，现在则要强调赋能，要考虑如何利用大数据手段让渠道变得更为智能，模型、话术、时机、场景、排班、体验等等，每一个都有巨大的提升空间。
对于在何时何地何总场景下投放何种客户群，渠道运营人员需要依托大数据获得足够的决策信息，每次投放后能够获得精准的评估，从而优化下一次的投放，这方面互联网RTB等广告已经积累了足够的经验，我们需要向他们学习。
虽然大数据在赋能传统企业大量的、低效的渠道方面有用武之地，但也会面临组织、机制、流程等一系列的挑战，任重而道远。
第三步：加强与CRM的协作
大数据首先得依附于CRM才能发挥价值，比如精准推荐，甚至CRM推荐功能体验的重要性超过大数据本身，模型再好，也架不住冗长的发布流程，比如每次推荐都要外部手工导入一个目标客户群，模型再准，也架不住无法一键受理，比如没法预判互斥关系。
这些都需要CRM系统的协同，可惜的是，在很多企业，CRM和大数据是两张皮，一个强调受理，稳定第一，一个强调精准，速度为王，做这两张皮的往往是一个IT部门的两个团队，它们的节奏和流程可能不同。
阿里巴巴起步的时候可不是什么DT公司，想得是如何让客户快速的找到所需的商品，如何让用户方便的下单和支付。
至于大数据推荐，是在这个基础上的自然演化，前者是基础，后者是增值服务，两者我中有你，你中有我，最后后者赚到了钱。
其实营销推荐本来就是CRM中的核心功能，但传统上企业的CRM还是受理为核心，现在大数据来了，两者的有效融合考验着双方的智慧。
OLTP，OLTP在BI时代更多是数据层面的互通，而在大数据时代，则需要在运营层面深入互动，大家都需要往前一步。
第四步：重视基础模型的研究
在研讨会上，我们演示了交通路网拟合的一个视频，大家觉得挺惊讶的，换成2年前我看这个视频，也跟大家一样惊讶，因为路网拟合对于位置数据的要求太高了，而基于现有的位置数据精度，很难做出来。
拥有大数据的企业，其拥有的每类数据的内外价值是不一样的，比如阿里肯定把交易数据作为最核心的数据，然后各种建模和加工，用在各种对外场景上。
什么是运营商最核心的数据呢？
当然是各种位置数据，其应用的想象空间几乎是无限的，只有加强这些基础数据的研究，利用各种算法来持续提升质量，才能发挥出位置数据的潜力。
现在几乎每个核心大数据标签和应用，都有位置数据的身影，其每提升一点点，都对大数据价值产生影响，就好比深度学习算法一样，其一旦获得了突破，人工智能就迎来了春天。
当然运营商除了位置模型，还有上网、社交等等，我们需要一个个来，但基础模型研究绝对是“吃人”的大户，我们似乎都还没有准备好！
第五步：坚持核心模型的运营
以前在做经分的时候，业务部门的报表满天飞，但公司的业务就这么多，哪来这么多报表？
后来分析得出结论：即使是同一个业务，不同的人也可以从不同的角度提出报表需求，考虑到维度的丰富性，决定了报表的数量理论上可以做到无限多。
但这么多报表，且不说耗费了多少开发资源，关键还增加了很多管理成本，数据不一致情况层出不穷。
这本质上是个治理问题，当初自己就提出过企业针对报表要建立一套建设和管理原则，比如针对同一个业务，要明确归口管理人员，一个业务只允许存在一张报表，你可以在原来的报表基础上改，但不能随便增加，只有这样，报表才能实现传承，一致性及可用性才能获得持久保障。
模型也面临同样的问题，诸如用户新增、提升、异动、离网等是企业永恒的主题，我们需要建立一套关键的核心模型，这些核心模型的数量并不是很多。
但这些模型也不一定做的好，比如离网模型，往往做了丢，丢了做，又比如家庭模型，覆盖率一直是个问题，但今年跟去年比，又有几个长进？
为什么会这样？
其实模型做到最后全是挑战，比如准确率不行、覆盖率不够、推广力度不行、迭代速度不行、规模效应不足、人力资源困境等等，怎么办？
模型更需要的，其实是运营的保障，就好比运维是业务系统的基石一样，要有人能以工匠精神持续的去守护，但我们经常身不由主的去追求热点和亮点，放弃了基本的坚持，一段时间后，好不容易建立起来的模型变得毫无价值。
总是要坚守变化中不变的东西，这才是大数据的基本面，否则，在企业中又有多少生存空间？
第六步：在运营中勇于创新
前面提了很多建议，但那些只是方向，实际在运营中碰到的问题往往没有什么标准的解决方法，你总是要不停的思考，结合当前的情景随机应变，没有什么可以成功复制的道路。
这里举两个例子：
比如你基于随机森林做了个家宽潜在客户的模型，然后直接给业务人员一个目标客户的清单，希望他能基于清单进行营销投放，但很多时候，业务人员并不敢用，因为不知道这个清单的来龙去脉。
你会觉得业务人员不懂，说大数据强调相关关系，不要太纠结于因果，但别人没有义务来理解这一点，对于他来讲，不确定的东西就是风险，这是大数据探索需要付出的代价。
其实有很多说服的方法，比如既然业务人员要了解清单的来龙去脉，那你可以退而求其次，告诉业务人员清单依赖的数据要素有哪些，包括是单身还是家庭，住在哪个社区，这个社区宽带资源有没有覆盖等等。
业务人员可以基于这些熟悉的要素组装出自己的目标客户群，如果真的有效，你再说明自己的模型清单是基于这些要素得出的一个综合结果，获取信任是个非常重要的东西。
再比如你希望跟传统的渠道去协同，但流程上困难重重，怎么办？
既然存量包袱太重，短期内很难改变，干脆想办法自己去做一个渠道，只要目标是为了解决一线人员的问题，只要能解决传统渠道中的一些痛点和难点，没有什么不可以。
现在中台提的很多，中台最大的价值不就是为前端快速开发赋能吗？中台给每个愿意创新的人提供了机会，对于大数据也是个红利。
前面提到，有位省公司的同事做了一些小工具提升了一线效率，我们也做了诸如获客宝，摆摊精灵等赋能一线的数据产品，这些数据产品都依赖业务中台提供的能力，否则，光是一个受理功能就扼杀了这些产品的前途。
当然每个企业都有自己的特点，互联网可能根本就不存在这种现象，但扎根于自己的企业，主动往前一步，探索出一条可行之路，是每个大数据从业者都应该思考的问题。
希望我的分享于你有益。
完
作者：傅一平 （微信号：fuyipingmnb）
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？
传统的数据从业者，并不会从大数据中获得多少红利
十年的标签库建设经历，我得到了什么启示？
艰难的旅程，你的数据中台到底能为一线提供多少火力？
PPT，考验你的格局、能力和思维的方式，你得学会驾驭它！
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