傳統企業失去大數據

⑴ 不養數據的企業將死在大數據的路上

不養數據的企業將死在大數據的路上

養孩子大家不陌生，養數據比養孩子可麻煩多了：費心、費力、費錢。養孩子只是自己家裡面的事情，而養數據不僅僅是一個公司的行為，有時候還需要去養異業合作的客戶的數據，甚至去養生態圈的數據。
孩子不養不成材，數據不養也長不大，後果是數據缺失，垃圾數據滿天飛。
我們熟悉數據分析，但是養數據這三個字兒對很多人來說是陌生的。網路了一下：「養數據」只有58.5
萬條網頁（一個月前只有25.6萬），而「數據分析」卻有5470萬條網頁，側面說明了養數據的重視度遠遠不夠的。
「養數據」甚至沒有網路的解釋，網路指數中也沒有收納這個詞，並且網路養數據出現的是讓我哭笑不得的如下內容。
養豬、養魚....什麼鬼！
離開了數據談決策是耍流氓，不主動養數據談什麼數據？數據不會自己從天而降，有些數據即便你有錢也買不到。養數據就如養孩子一樣，真的是一把屎一把尿的拉扯大的。不多說了，沒有孩子的人是沒辦法體驗養數據之苦的。
數據分析這幾年被空前的重視，我自己感覺也是這樣，這兩年找我做數據化管理的培訓和咨詢的企業尤其多。這些企業一上來就是數據分析技巧，數據分析理論，數據化決策等等。而看他們提供給我數據則是不忍目睹，各種數據缺失，各種不規范，數據源質量一塌糊塗。如顧客名字叫坑爹，會員年齡100多歲，手機號135790248*......
養數據必須被企業的管理層和業務單位重視起來，扯皮不是理由，懶惰不是借口。作為數據單位有義不容辭的責任去控制數據質量和內容。只有數據質量和數量提升了，企業才可以談什麼數據驅動，DT時代。否則，請住嘴。

養數據的典範：雅昌的故事
雅昌是一個深圳的企業，93年成立的時候只是一個搞印刷的小作坊，而現在它被大眾熟悉是因為我們的奧運會、世博會等的宣傳材料是他們印刷的，而且雅昌藝術品拍賣網是國內最權威的藝術品拍賣門戶網站。
它有9萬多位藝術家的電子資料，1200萬藝術品展覽和拍賣的數據，3500多萬件藝術品資料。雅昌就是一個藝術品的大資料庫，世界上所有的拍賣行都必須要和它合作，因為有些藝術品只有它才有電子版的資料。
一切的一切只有一個關鍵詞：養數據！
雅昌的老闆很有養數據的意識，當年還是一個小作坊的時候，他就要求員工必須要把客戶的印刷資料作為電子版本保存起來。大家可以想一想，那可是90年代，還是磁碟存儲的年代，存儲還是以MB為單位而不是現在流行的G。
所有客戶的電子數據就這樣被保存起來了，直到後來數字存儲技術的發展，他們才把所有收集的數據分門別類的歸檔。於是，別人沒有的電子資料雅昌有，老一代藝術家作品只有雅昌有電子版......
隨著雅昌自己印刷業務的增長，它收集的數據也越來越多，數據就是這樣被養大了。再後來雅昌順理成章的「跨界」藝術品門戶。
養數據是苦逼的工作，有時候甚至短期看不到未來，但是堅信必有收獲。大的方面來說養數據包含三方面：

完善數據結構，把數據養大
1、企業資料庫中有的欄位必須要全部收集起來，盡可能的不要留白。
2、有用但是現在沒有的數據必須想辦法收集起來，例如傳統零售的客流數據，客流動線數據。
3、暫時用不到的數據，本著先收集再應用的原則。對於一個零售門店來說最有用的數據可能不是顧客的購買數據，反而是顧客「不」購買的數據，清楚了顧客為什麼不購買對於企業的商品規劃，營運流程再造是有巨大好處的。就如飛機修理廠為了解飛機哪個部分最容易被擊中，派人統計飛機出故障的部位。發現主要問題在機翼的部分，那裡彈孔最多，於是他們決定把機翼部分加強。其實在戰場中被擊落沒有飛回來的飛機數據才是最有意義的。
4、跨界合作得大數據。線上企業要了解線下就必須要和傳統零售合作，打通各種數據孤島。

提高數據質量，把數據做精
有數據但沒質量是企業數據的通病，原因不外乎基層數據錄入太隨意，定義不清楚，網路硬體等影響原因。比如有些服裝專賣店的員工平時很忙沒時間將訂單錄入系統（百貨店鋪品牌方的系統和商場收銀是分離的），於是店長就每天下班前才將所有的當日訂單合並到一起錄入進銷存系統。這樣的危害是巨大的。
1、進銷存系統變成了單純的財務對賬系統，說好的數據分析根本無從下手；
2、沒辦法分析顧客的客單價和連帶率（平均顧客購買數量），因為n張訂單被人為的合並了；
3、沒辦法分析店鋪按時段的成交規律，所有訂單都只是顯示一個時間點。
提高數據質量這種事情只能是企業從營運端入手嚴防死守，前提是重視！不難！

要有數據入庫的意識
資料庫資料庫就是盡可能的讓數據在資料庫中，而不是在excel中。企業很多數據其實是在excel中的，比如促銷活動的開始時間、結束時間、活動內容等。還比如店鋪在商場的位置，樓層，店鋪級別等信息也是在excel中而不是在系統中的。
別讓一些基礎數據躺在excel中，一定要想辦法放到資料庫中去。一是安全，而是更利於數據的場景化，否則就只是一些乾巴巴的數字。
養數據是一個長期艱巨的工作，並且得不到企業管理層重視，也得不到基層員工的積極配合。但是必須要克服困難，上！
兩個建議：
1、養數據必須基於5年後的數據需求來規劃布局；
2、養數據必須結合業務場景來思考。
一個企業在養數據的層面上謀劃越深越前瞻性，才可能在數據驅動營運，驅動決策的路上越走越順

⑵ 傳統企業里開展數據分析到底缺少什麼

傳統企業里開展數據分析到底缺少什麼

在搜索引擎、綜合門戶、社交網路、即時通訊及電子商務等以互聯網長尾經濟模式運作的企業中，數據分析一直備受關注。這些企業走在數據分析技術和應用的前沿，不斷革新基礎數據架構，積累了海量的數據，擁有龐大的數據團隊，在其相對精準定位的業務領域內不斷深化數據分析相關應用實踐。

可是在傳統行業的企業里，雖然對在管理與經營決策中應用數據分析手段越來越受到重視，但是與互聯網公司相比，傳統企業數據分析應用的深度和效果還遠遠不夠。那麼在傳統企業里開展數據分析到底缺少什麼呢？以下根據在傳統企業長期實踐的經驗，羅列一些個人感受。

首先，企業里最不缺少的是數據分析工具。近幾年來，我們驚奇的發現在接觸的很多案例里，企業往往已經擁有一個甚至多個數據分析工具，比如早已購買了主流的商業智能套件或數據分析與數據可視化工具。這說明企業已經意識到數據分析的重要性，可是錯誤以為購買一套先進的商業智能或數據分析工具，有一個在運行數據分析平台就跨入了數據分析時代。

其次，傳統行業里缺乏對數據分析的普遍重視。除了少數精細化管理的企業，很多傳統企業以人治為主，認為日常業務已經瞭然於胸而不需要數據分析。還有一些企業認為數據分析僅面向高層管理，花費大量預算上馬的商業智能/經營決策系統，卻僅定位為面向高層管理人員提供少量高度匯總的數據(體現為KPI看板等)，不能起到輔助管理決策的效果，更不能跟蹤管理決策的落實並促進經營決策的開展。而高層管理者往往並不使用專門為他構建的系統。

再次，與互聯網公司相比，傳統企業缺少專業的數據分析人員，缺乏數據獲取與分析技能。在大多數傳統企業里沒有專門的數據部門、崗位或角色，管理與運營決策的數據需求往往由IT部門承擔，而很多企業的IT部門也是建構不完整，技能以IT體系規劃運維為主。因此企業數據缺乏足夠的能力規劃與落實數據分析工作。

然後，傳統企業往往缺乏確立數據分析工作的重點。與互聯網公司相比，除了在用戶量和數據量方面無法與互聯網公司之外，在傳統企業中普遍存在著經營范圍廣、組織機構龐大、管理層級多、業務邏輯復雜等特點，在集團化經營的企業更是存在多個業務板塊及復雜的控股關系等問題，這些復雜情況是短小精悍、精準定位的互聯網公司所遠遠不能比擬的。試圖在傳統企業里全方位開展數據分析工作的挑戰是非常巨大的，即使在同一企業里也不存在單一有效的分析對象、分析模式和分析手段，因此傳統企業開展數據分析工作必須根據一段時期所面臨的管理及經營問題有效識別核心的數據分析需求，缺乏重點的數據分析工作既不現實也缺乏效用。

再後，我們發現在傳統企業里往往缺乏有效獲取數據的手段。傳統企業里核心業務系統一般超過一二十個，資料庫系統類型各異，資料庫實例數量多，同時還擁有大量的手工維護數據文件。在一個中等規模的業務系統里往往超過1000張表，更別說有些核心業務系統還是封閉的系統，從業務資料庫中直接提取業務數據的難度非常大，幾乎等同於恢復完整的業務邏輯。因此很難以較低的成本在短時間內有效集成數據，很多企業即使建立了數據倉庫，也無法完全滿足數據獲取的需求。

最後，傳統企業缺少對數據資產的全面掌握。因股權、歷史、業務等原因，很多集團化經營或擁有龐大營銷網路的企業未採取集中式系統，業務系統和資料庫還分別部署在異地的、獨立的下屬組織機構或終端店面，而管理和經營決策、產品和市場戰略的職能卻在集團總部、營銷總部和業務板塊子集團、區域管理機構等。不掌握核心數據資產的事實與管理和經營決策的職能需求之間存在的矛盾，是數據分析工作的首要障礙，很多該類型的企業為獲得管理和經營分析所需數據，只能通過手工收集下屬提交的數據填報報表來實現，數據分析工作的范圍、深度和效率極其不足。

因此，在傳統企業的管理及經營決策中全面普及數據分析的技術和應用，尚且任重而道遠，而互聯網公司津津樂道的大數據等領域的應用，當前階段在傳統企業里更是遙不可及。

以上是小編為大家分享的關於傳統企業里開展數據分析到底缺少什麼的相關內容，更多信息可以關注環球青藤分享更多干貨

⑶ 大數據傳統的企業管理存在著哪些問題

大數據時代傳統企業管理遇到的問題：
隨著信息化程度不斷提高，互聯網、物聯網、雲計算和智能手機終端等技術的不斷發展，數據的產生、存儲、傳播和分析等，不論從數量、方式方法上都較以往有了天壤之別，大數據時代給各行各業帶來了巨大的沖擊，給傳統的企業管理帶來一系列挑戰。
1、企業決策過程
傳統企業的經營決策往往更多地依靠企業的管理者，依靠管理者的經驗、直覺和魄力，這樣的企業在以前可能會發展壯大，但是缺乏對決策管理過程的監控，缺乏對數據的搜集、提取和分析，沒有明確數據與決策結果的關聯關系。另外，傳統企業的數據分散在各個部門，數據的集中度不高，人們對其關注程度也不高。隨著大數據時代的到來，傳統企業的組織結構和決策過程必將面臨前所未有的考驗。
2、智能化、信息化程度不夠
大數據的「4V」特徵在數據存儲、傳輸、分析、處理等方面較以往均有本質變化。數據量幾何倍數的增長，對存儲技術提出了挑戰，需要高速信息傳輸能力支持，對非結構化的數據、低密度有價值數據的快速分析和處理能力提出更高要求。據統計，企業中85%的數據都屬於非結構化、低密度的數據，大多數企業現有的數據處理方法和系統無法將大量的非結構化數據進行處理。另外，隨著數據量的快速增長，對數據的存儲、傳輸能力也提出更高的要求，這都將成為企業在大數據時代遇到的難題。
3、信息安全問題
隨著大數據的發展，企業的海量數據中不僅包括業務數據、客戶數據、公司內部數據，也不乏大量個人信息，數據本身的安全及個人隱私面臨著泄露的挑戰。大數據環境下通過對用戶數據的深度分析，很容易了解用戶行為和喜好，嚴重的將導致企業的商業機密及個人隱私泄露。如何保證商業秘密、個人隱私秘密等安全問題，對企業是一道難題。
4、人力資源匱乏
大數據改變了企業的傳統管理思維，大數據時代的到來企業的管理者和員工都需要重新認識數據的重要性，提高相應的素質才能勝任原有的職位。在大數據時代，對數據的處理和分析已經超出了信息化的范疇，超出了市場營銷的范疇，超出了運營管理的范疇，需要具有綜合能力的人才，需要有相應新的部門來整合數據資源。對大數據的處理需求，必須有專業的數據分析人才運用這些大數據，才能將其轉化為經濟價值，數據人才必須能夠深入了解企業業務與組織，具有統計應用知識、熟悉大數據數據分析工具的運用等，這就要求數據分析人員必須有整合運用3項基本技能的要求，而傳統企業這方面人才非常稀少。

⑷ 企業在大數據領域面臨的障礙要怎麼克服

樂思軟體整理：雖然大數據在很長一段時間備受企業青睞，但事實上，根據Square Root的數據顯示，只有40%的公司在真正意義上使用它。多年來，企業在大數據領域都面臨一些障礙，以下是四個主要障礙：

改變微弱且滯後

企業利用大數據來提高生產力並不是一蹴而就的，相反，我們可以把它視為企業基礎設施的根本架構，這就意味著在很短的時間內，大數據是不容易被替代的。盡管新興企業能夠很好地接受這一事實，但很多業界耕耘數年的傳統企業卻不得不開始重塑自己的大數據兼容性。

這是一個相對艱難的過程，一些成熟的企業正在試圖採取一些措施來適應不斷發展變化的外部環境。在實踐中，評估哪些業務可以從大數據中受益，哪些可以讓受眾和生產力互動發生變化等。

專家供不應求

大數據的新實踐在不斷證實，工具已經與技能的發展沒有太大的關系，並呼籲新一批數據專家來部署一些新的策略。然而，剛畢業的大學生由於大學基礎知識無法與實踐相融合，致使想要充分利用大數據的企業不得不接受行業內專家較高的成本需求，同時，競爭也是相對激烈的，但是很有必要。

企業不確定是否需要大數據的支持

不幸的是，很多企業正在以一種渴求的心態來利用大數據，但是如果你在不知道想要解決什麼問題的情況下獲取大數據，這將會是無用的。

然而，企業想要盡快獲取最有價值的大數據，必須要合理分配時間，仔細研究實際需要完成的任務，一般涉及從開發融合系統到數據實踐操作等。如果信息存在差距，大數據就會起到很重要的引導作用，你能在這個時候抓住關鍵，就能讓大數據為自己服務。

追求速率，造成數據冗餘

如果把大數據想像成一堆乾草，那麼，企業獲益的數據就是其中一種特定的乾草，正確使用大數據就是從一堆乾草中尋求正確的乾草類型，並進行提取。但是，很多企業沒有意識到這一點，總是認為所有的乾草都是有價值的、正確的，因此，企業常常使用太多的數據源、數據收集方法，並且投入太多的數據請求，這樣就會造成數據冗餘，沒有一個是精確的或是可操作的，混亂和錯誤也會進一步阻礙有益數據的發展。

為此，企業需要改進其使用大數據的方式，不宜太過追求數量，而忽視正確數據的價值。

⑸ 大數據對企業決策的影響

大數據影響了企業主體的轎頃判斷和決策，改變了企業的傳統文化氛圍和基礎立場。

大數據理念的提出，影響了整個人類社會的發展。

對於企業來說，通過大數據分析系統的應用，不僅影響了企業主體的判斷和決策，同時也改變了企業的傳統文化氛圍和基礎立場，使企業在原始積累的程度上不斷創新，催生出全新的發展領域和經營范圍，這對於企業來講無疑是有利的。

但是，如果企業管理者一味依靠大數據閉隱陸分析結果，勢必也會影響自身的判斷，使企業的攜跡發展陷入僵局。

大數據時代的到來，企業的經營主體也應該審時度勢，作出基本的戰略調整規劃。

大數據時代下企業傳統管理模式存在的弊端

1.管理人員對大數據的缺乏正確認知。

2.企業對大數據分析技術的掌握能力較差。

3.專業數據分析人才缺失嚴重。