报表和取数之后，你还有多少大数据应用的机会？
这是大鱼先生的第9篇原创
正文开始
最近有读者问了一个很好的问题：
“大鱼先生，我们企业已经从0到1建立了数据仓库，应该怎么样才能更好地做好整个数据产品从0到1的规划和工作呢？”
“现在日常的主要工作是报表、提数和数据稽核工作，我这边的初步想法是从业务的真实情况入手去找几个业务场景做数据分析，进而得出一些有用的数据分析结果给业务部门做参考，进而引导他们用数据思维驱动业务，最后再来考虑数据产品这块的实现！”
大鱼推测这是一家传统企业，跟很多企业的大数据发展路径类似，他们首先建设了数据仓库，然后有了BI报表，然后是各种取数，最后发现仅靠报表取数无法更好的体现数据的价值，因此希望能更好的实现数据驱动业务，但公司的业务人员似乎还没有这方面的意识。
的确，报表取数之后，大数据对内应用之路该如何走对于任何一个企业都是巨大挑战，怎么办？
首先，当然是寻找最佳实践，但对于大数据应用很难。
有些企业会特别强调技术，认为有了大数据技术就有了各种可能，比如hadoop、MPP、流处理、PaaS等等，但显然技术只是手段，跟大数据应用水平的高低没有必然的关系。
有些企业会特别强调治理，认为大数据只有治理好了，才能真正的理解企业的数据，从而发挥出数据的最高效用，但数据治理很好并不意味着应用就能做的很好，它只是一个前提条件。
有些企业会强调数据变现，认为大数据收入能代表大数据应用水平的高低，但现在能用大数据直接变现的企业屈指可数，在未规模化之前其实没啥说服力，大多还是业务模式的胜利。
我们要寻找的是对内应用的最佳实践，不是技术、治理或变现，而这个难度显然高的多。
那么，到底哪个行业的大数据应用水平比较高，哪些企业的实践和经验值得借鉴呢？其实没有一个统一的标准。
假如你是个能源企业，想找个大数据应用水平比较高的企业去学习，你找谁？
找阿里吧，似乎是一种方式，阿里的确也体现了很高的大数据技术水平、广告服务水平和金融风控水平，但技术水平高可不代表能很好的适配你这个行业的业务，而且隔行如隔山，业务不清楚，管理模式不同，存量系统的差异导致“迁移学习”的不确定太高，否则互联网公司2C到2B的转型就没那么辛苦了。
那就找类型尽量相同的吧，既然能源是国企，也许可以找银行学习，国企之间总有共同语言吧，但你对于银行大数据的应用水平又了解多少呢？传统行业间的互动其实并不多，甚至可以说非常少。
然后你说那索性找能源行业的兄弟公司吧，但怎么判断兄弟公司的大数据应用水平高呢？你现在去问它，也许只给你看个PPT。
最后的办法也许只能找合作伙伴，但大多数的合作伙伴都是卖产品的，也许它们能解决大数据底层基础设施的问题，但对于大数据应用基本无能为力，即使是数据中台也是如此，这是由大数据的行业特性决定的。
其次，决策支持似乎是一个机会，但时机未到。
那位读者说希望去做数据分析给业务部门做参考，这当然是大数据应用的一个方向，但在大多数传统企业，如果企业没有赋予IT部门数据分析的职能，你所做的数据分析最多是个亮点，成为不了大数据应用的基本面。
因为数据分析当前主要是为老板的决策提供支持，非数据的因素非常多，而且IT部门在业务理解、落地执行、机制流程上都没有优势，IT去做这个事情大多数时候其实是事倍功半。
IT部门提供报表和数据，业务部门去做数据分析的这种合作模式其实是比较合理的，IT部门最多在数据提供的自动化水平上下下功夫，这也是当前数据中台建设的一个重点，可惜数据中台不是应用。
而各种BI应在在决策支持上发挥的作用始终脱离不了报表的本质，这是由企业的决策模式和人工智能的局限决定的。
在决策支持上，大数据当前的主要作用还是提供准确的数据，大数据决策支持应用的繁荣有赖于企业数字化管理水平的提升和业务人员自身的觉醒，IT人员其实很难帮到忙。
最后，从性价比的角度看，为一线赋能最有可能。
既然当前阶段大数据在决策支持上的应用出路很窄，我们可以尝试反着走，到一线去寻找大数据应用的机会。
你会发现，在大多数企业内部，一线人员（比如客户经理，渠道经理，外呼经理等等）营销和服务客户的方式主要还依靠经验，这是一块尚未开垦的荒地，无论从可提升的空间、服务的数量及使用的场景看，性价比都很高。
就拿摆摊来说吧，在哪里摆摊，何时摆摊，目标用户是谁，销售什么，都有赖于大数据的智能分析，否则，一线人员就失去了市场的“眼睛”和“脑袋”，而这种贴近一线的大数据应用并不多。
我们也可以从浙江省开展的“最多跑一次”政务改革中找到答案，你把一线需要的各种整合数据通过产品的方式直接推送到他们手里，实现的门槛较低，但带来的效益却非常高。
即使如互联网公司，他们的大数据应用大多也是从赋能一线人员开始的。
以蚂蚁金服的金融贷款为例，一线人员借助大数据的风控模型能让授信瞬间完成，这可比传统的线下调研的方式效率高多了，即使作为决策工具的生意参谋，也是为店小二服务的，店小二通过销售生意参谋提升了商户的服务效率。
我们常说专家要听得见一线的炮声，显然要求还是太低了，听得见一线的炮声只是一个前提，你还得提供即使专家不在线也能响应一线炮声的自动化、智能化的手段，而大数据显然是一种有力的武器。
但考虑到一线的应用是不分专业的，既有数据需求也有功能需求，而当前大多数企业实现这两类需求的部门往往分属不同的专业组织，要对一线赋能大数据就得主动往前一步，这个极具挑战性。因为在现阶段，大多数IT专业组织跟业务人员一样，还没有数据驱动业务的意识。
经过以上分析，也许我们也找到了当前阶段评判企业大数据应用水平高低的方法，即直接去看看企业一线人员使用的工具或产品，大数据的能力是否已经内嵌在这些工具或产品内部，是否这些工具已经规模化的渗透到了企业的生产流程中，如果答案是YES，那的确可以去学习一下。
这可比大多数的“最佳实践”靠谱多了。
—————— / END / ——————
分析最新的数据思想，与百万数据从业者一起成长