大数据如何建立企业竞争力与重塑竞争环境？

科技进步让各种先进的分析方法走入了寻常企业。“大数据”日益成为企业高管层津津乐道耳熟能详的字眼，但在把握大数据所蕴涵的商机方面，大多数企业的努力还仅仅停留于“表面功夫”。 在他们眼中，大数据等同于“3V”：数量(volume)、多样性(variety)、速度(velocity)，却常常忘了关注另一个最重要的“V”– 价值(value)。对全球企业开展了深入的研究，分析了大量成功与失败案例，从中总结出把握大数据机会的五个重要路径以及企业起步可采取的三个步骤。 如何定义大数据 我们将以北美一家零售商的故事来阐述大数据的含义。该公司在北美的销售活动非常活跃，销售的产品总数达到3万多种，不仅如此，产品的价格也随地区和市场条件而异。最让高管头疼的是定价促销策略。由于产品种类繁多，成本的变化异常频繁，一年之中，变化可达四次之多。结果就是，这家零售商每年的调价次数高达12万次。 处理定价促销的复杂之处，是它不只是受成本驱动，还有宏观经济、市场竞争、品牌定位、消费者心态等所影响。由于定价直接影响公司的利润率，高管决心接下挑战，组成了一个11人的团队，希望透过分析消费者的购买记录和相关信息，提高了定价的准确度和响应速度。 定价团队的分析其实就是围绕着大数据的三个关键维度上： 数量(Volume)：团队需要分析海量信息。他们收集了上千万的消费者的购买记录，透过从客户不同维度分析，希望尽可能微分客户，了解客户对每种产品种类的最高接受能力，从而为产品定出最佳价位。 多样性(Variety)：团队除了分析了购买记录这种结构化的数据外，他们也非常聪明的利用社交媒体发帖这种新型的非结构化数据。由于消费者需要在零售商专页上点赞或留言以获得优惠券，团队利用情感分析公式来分析专页上消费者的情绪，从而判断他们对于公司的促销活动是否满意，并微调促销策略。 速度(Velocity)：为了实现价值最大化，团队对数据进行实时或近似实时的处理。他们成功地根据一个消费者既往的麦片购买记录，为身处超市麦片专柜的他/她即时发送优惠券，为客户带来便利性和惊喜。 透过这一系列的活动，团队提高了定价的准确度和响应速度，为零售商新增销售额和利润数千万美元。 这个故事跟BCG对大数据的定义也是相当吻合，重点都是放在最终的价值创造。我们对大数据的定义是：“在可控的经济成本下，企业可获取、分析并解读日益庞大且复杂的数据，让企业在价值创造方面实现跨越式的转变。” 我们也可以换一个角度来看看大数据的演变，那就是科技进步所推动的数据多样化和复杂化。 在很久以前，企业只会在他们的企业资源规划（ERP）系统中记录公司的采购和订单数据。 随着”以客户为中心“经营理念的日渐兴起，客户关系管理（CRM）系统应运而生，帮助企业收集客户的采购行为和偏好。此后，互联网时代的蓬勃发展为网络活动和网络交易提供了足够的动力；互联网这一新的渠道，为企业带来了更多元化的客户数据。现在，随着移动装置、社交媒体、云服务以及“物联网”的大面积发展，又涌现出了越来越多的原始数据和非结构化数据可供收集，包括定位数据、社交数据以及行为数据。可以说，大数据就是交易类、互动类以及观察类数据的总和。 　　大数据行业的发展趋势 目前，大数据行业可谓各类机构众多，既有基础设施、数据库以及分析技术等下游机构，也有应用类、商业情报等上游机构。 估计2012年大数据行业总值预计达100亿美元，年均增速约为40%。到2015年，这一市场的规模将扩大至270亿美元。硬件在大数据市场仍然占据最大的份额（35%），而软件企业和实施机构（如：系统集成商）也在快速成长中。 未来，大数据行业将经历快速整合。大家是否还记得网络时代（dot-com）各类互联网咨询公司层出不穷的盛况？其中九成企业在短短数年内就夭折殆尽。相同的剧情也有可能在所有大数据咨询机构身上重演。对企业而言，起步较早的机构可以获取客户洞察，取得先发优势。然而，就像是一场军备竞赛 – 用不了多久，大数据能力会成为所有企业的必备能力。这时候，整个行业又将站回到同一条起跑线上。 商机在哪里？ 大数据领域的价值创造机会因行业而异。在零售业，先进的分析方法往往与战略相得益彰，涵盖促销增效、定价、门店选址、市场营销等多个领域。而在能源行业，大数据的价值创造重点更体现在智能电表数据的使用以及对实体资产（如设备和工厂）的优化上。在金融服务业，大数据的应用则往往体现在风险评分、动态定价以及为ATM和分行网点寻找最佳地点等方面。而在保险业，大数据的价值可能体现在防范理赔欺诈、优化保险金给付以及跟踪驾驶行为等方面。 为了确定大数据对自身的特定价值，我们可以从大数据的三个维度进行分析： 从数据量出发：在数据分析方面，抽样分析与全面分析有时会呈现完全不同的结果。为了瞄准个体客户，零售商需要了解某一位客户的全部购买史，分析该客户与其他客户的差异所在。如果只是抽取部分客户或交易记录进行分析，那获得的结果就会比较片面，从而影响到促销活动的效力。 作为一家成立不久的亚特兰大软件公司，Cardlytics帮助零售商对“一人市场”开展销售。美国十大银行中已有四家开始运用该项服务，分析每周数以亿计的客户交易，目的就在于帮助零售商在客户的银行对帐单上印上有针对性的促销信息。由于促销信息是依据每个消费者的购买行为以及购物地点所定制的，所以具有很强的针对性和很高的命中率。这类促销信息的响应率平均可达15-20%，相比之下大多数传统促销活动的响应率往往不超过5%。这是个“多赢”的局面 –消费者获得理想的折扣；零售商成功促销；银行可以坐收额外收入。 从数据多样性出发：大部分企业都能从传统关系数据库的结构化数据，挖掘出客户洞察。现在的问题是，在出现了越来越多的非结构化数据（如社交网络发帖）的局面下，我们可以怎样利用这些新数据？ 以电信公司为例，准确预测每个客户的潜在流失率能为企业带来巨大的价值。如果公司为一个本来就没打算离开的客户提供折扣，那无疑就是在浪费钱。而如果无法准确锁定目标，就有可能导致企业忽视了那些可能“转投”对手的客户。 法国电信-Orange集团旗下的波兰电信公司Telekomunikacja Polska（TP）正是一家面临这一挑战的企业。作为波兰最大的语音和宽带固网供应商，公司希望有效的途径来准确预测并解决客户流失问题。 他们决定进行客户细分，方法是构建一张“社交图谱”- 分析客户数百万个电话的数据记录，特别关注 “谁给谁打了电话”以及“打电话的频率”两个方面。“社交图谱”把公司用户分成几大类，如：“联网型”、“桥梁型”、“领导型”以及“跟随型”。这样的关系数据有助电信服务供应商深入洞悉一系列问题，如：哪些人会对可能“弃用”公司服务的客户产生较大的影响？挽留最有价值客户的难度有多大？运用这一方法，公司客户流失预测模型的准确率提升了47%。

 

转载于:https://my.oschina.net/u/1160813/blog/365118