传统企业失去大数据

⑴ 不养数据的企业将死在大数据的路上

不养数据的企业将死在大数据的路上

养孩子大家不陌生，养数据比养孩子可麻烦多了：费心、费力、费钱。养孩子只是自己家里面的事情，而养数据不仅仅是一个公司的行为，有时候还需要去养异业合作的客户的数据，甚至去养生态圈的数据。
孩子不养不成材，数据不养也长不大，后果是数据缺失，垃圾数据满天飞。
我们熟悉数据分析，但是养数据这三个字儿对很多人来说是陌生的。网络了一下：“养数据”只有58.5
万条网页（一个月前只有25.6万），而“数据分析”却有5470万条网页，侧面说明了养数据的重视度远远不够的。
“养数据”甚至没有网络的解释，网络指数中也没有收纳这个词，并且网络养数据出现的是让我哭笑不得的如下内容。
养猪、养鱼....什么鬼！
离开了数据谈决策是耍流氓，不主动养数据谈什么数据？数据不会自己从天而降，有些数据即便你有钱也买不到。养数据就如养孩子一样，真的是一把屎一把尿的拉扯大的。不多说了，没有孩子的人是没办法体验养数据之苦的。
数据分析这几年被空前的重视，我自己感觉也是这样，这两年找我做数据化管理的培训和咨询的企业尤其多。这些企业一上来就是数据分析技巧，数据分析理论，数据化决策等等。而看他们提供给我数据则是不忍目睹，各种数据缺失，各种不规范，数据源质量一塌糊涂。如顾客名字叫坑爹，会员年龄100多岁，手机号135790248*......
养数据必须被企业的管理层和业务单位重视起来，扯皮不是理由，懒惰不是借口。作为数据单位有义不容辞的责任去控制数据质量和内容。只有数据质量和数量提升了，企业才可以谈什么数据驱动，DT时代。否则，请住嘴。

养数据的典范：雅昌的故事
雅昌是一个深圳的企业，93年成立的时候只是一个搞印刷的小作坊，而现在它被大众熟悉是因为我们的奥运会、世博会等的宣传材料是他们印刷的，而且雅昌艺术品拍卖网是国内最权威的艺术品拍卖门户网站。
它有9万多位艺术家的电子资料，1200万艺术品展览和拍卖的数据，3500多万件艺术品资料。雅昌就是一个艺术品的大数据库，世界上所有的拍卖行都必须要和它合作，因为有些艺术品只有它才有电子版的资料。
一切的一切只有一个关键词：养数据！
雅昌的老板很有养数据的意识，当年还是一个小作坊的时候，他就要求员工必须要把客户的印刷资料作为电子版本保存起来。大家可以想一想，那可是90年代，还是磁盘存储的年代，存储还是以MB为单位而不是现在流行的G。
所有客户的电子数据就这样被保存起来了，直到后来数字存储技术的发展，他们才把所有收集的数据分门别类的归档。于是，别人没有的电子资料雅昌有，老一代艺术家作品只有雅昌有电子版......
随着雅昌自己印刷业务的增长，它收集的数据也越来越多，数据就是这样被养大了。再后来雅昌顺理成章的“跨界”艺术品门户。
养数据是苦逼的工作，有时候甚至短期看不到未来，但是坚信必有收获。大的方面来说养数据包含三方面：

完善数据结构，把数据养大
1、企业数据库中有的字段必须要全部收集起来，尽可能的不要留白。
2、有用但是现在没有的数据必须想办法收集起来，例如传统零售的客流数据，客流动线数据。
3、暂时用不到的数据，本着先收集再应用的原则。对于一个零售门店来说最有用的数据可能不是顾客的购买数据，反而是顾客“不”购买的数据，清楚了顾客为什么不购买对于企业的商品规划，营运流程再造是有巨大好处的。就如飞机修理厂为了解飞机哪个部分最容易被击中，派人统计飞机出故障的部位。发现主要问题在机翼的部分，那里弹孔最多，于是他们决定把机翼部分加强。其实在战场中被击落没有飞回来的飞机数据才是最有意义的。
4、跨界合作得大数据。线上企业要了解线下就必须要和传统零售合作，打通各种数据孤岛。

提高数据质量，把数据做精
有数据但没质量是企业数据的通病，原因不外乎基层数据录入太随意，定义不清楚，网络硬件等影响原因。比如有些服装专卖店的员工平时很忙没时间将订单录入系统（百货店铺品牌方的系统和商场收银是分离的），于是店长就每天下班前才将所有的当日订单合并到一起录入进销存系统。这样的危害是巨大的。
1、进销存系统变成了单纯的财务对账系统，说好的数据分析根本无从下手；
2、没办法分析顾客的客单价和连带率（平均顾客购买数量），因为n张订单被人为的合并了；
3、没办法分析店铺按时段的成交规律，所有订单都只是显示一个时间点。
提高数据质量这种事情只能是企业从营运端入手严防死守，前提是重视！不难！

要有数据入库的意识
数据库数据库就是尽可能的让数据在数据库中，而不是在excel中。企业很多数据其实是在excel中的，比如促销活动的开始时间、结束时间、活动内容等。还比如店铺在商场的位置，楼层，店铺级别等信息也是在excel中而不是在系统中的。
别让一些基础数据躺在excel中，一定要想办法放到数据库中去。一是安全，而是更利于数据的场景化，否则就只是一些干巴巴的数字。
养数据是一个长期艰巨的工作，并且得不到企业管理层重视，也得不到基层员工的积极配合。但是必须要克服困难，上！
两个建议：
1、养数据必须基于5年后的数据需求来规划布局；
2、养数据必须结合业务场景来思考。
一个企业在养数据的层面上谋划越深越前瞻性，才可能在数据驱动营运，驱动决策的路上越走越顺

⑵ 传统企业里开展数据分析到底缺少什么

传统企业里开展数据分析到底缺少什么

在搜索引擎、综合门户、社交网络、即时通讯及电子商务等以互联网长尾经济模式运作的企业中，数据分析一直备受关注。这些企业走在数据分析技术和应用的前沿，不断革新基础数据架构，积累了海量的数据，拥有庞大的数据团队，在其相对精准定位的业务领域内不断深化数据分析相关应用实践。

可是在传统行业的企业里，虽然对在管理与经营决策中应用数据分析手段越来越受到重视，但是与互联网公司相比，传统企业数据分析应用的深度和效果还远远不够。那么在传统企业里开展数据分析到底缺少什么呢？以下根据在传统企业长期实践的经验，罗列一些个人感受。

首先，企业里最不缺少的是数据分析工具。近几年来，我们惊奇的发现在接触的很多案例里，企业往往已经拥有一个甚至多个数据分析工具，比如早已购买了主流的商业智能套件或数据分析与数据可视化工具。这说明企业已经意识到数据分析的重要性，可是错误以为购买一套先进的商业智能或数据分析工具，有一个在运行数据分析平台就跨入了数据分析时代。

其次，传统行业里缺乏对数据分析的普遍重视。除了少数精细化管理的企业，很多传统企业以人治为主，认为日常业务已经了然于胸而不需要数据分析。还有一些企业认为数据分析仅面向高层管理，花费大量预算上马的商业智能/经营决策系统，却仅定位为面向高层管理人员提供少量高度汇总的数据(体现为KPI看板等)，不能起到辅助管理决策的效果，更不能跟踪管理决策的落实并促进经营决策的开展。而高层管理者往往并不使用专门为他构建的系统。

再次，与互联网公司相比，传统企业缺少专业的数据分析人员，缺乏数据获取与分析技能。在大多数传统企业里没有专门的数据部门、岗位或角色，管理与运营决策的数据需求往往由IT部门承担，而很多企业的IT部门也是建构不完整，技能以IT体系规划运维为主。因此企业数据缺乏足够的能力规划与落实数据分析工作。

然后，传统企业往往缺乏确立数据分析工作的重点。与互联网公司相比，除了在用户量和数据量方面无法与互联网公司之外，在传统企业中普遍存在着经营范围广、组织机构庞大、管理层级多、业务逻辑复杂等特点，在集团化经营的企业更是存在多个业务板块及复杂的控股关系等问题，这些复杂情况是短小精悍、精准定位的互联网公司所远远不能比拟的。试图在传统企业里全方位开展数据分析工作的挑战是非常巨大的，即使在同一企业里也不存在单一有效的分析对象、分析模式和分析手段，因此传统企业开展数据分析工作必须根据一段时期所面临的管理及经营问题有效识别核心的数据分析需求，缺乏重点的数据分析工作既不现实也缺乏效用。

再后，我们发现在传统企业里往往缺乏有效获取数据的手段。传统企业里核心业务系统一般超过一二十个，数据库系统类型各异，数据库实例数量多，同时还拥有大量的手工维护数据文件。在一个中等规模的业务系统里往往超过1000张表，更别说有些核心业务系统还是封闭的系统，从业务数据库中直接提取业务数据的难度非常大，几乎等同于恢复完整的业务逻辑。因此很难以较低的成本在短时间内有效集成数据，很多企业即使建立了数据仓库，也无法完全满足数据获取的需求。

最后，传统企业缺少对数据资产的全面掌握。因股权、历史、业务等原因，很多集团化经营或拥有庞大营销网络的企业未采取集中式系统，业务系统和数据库还分别部署在异地的、独立的下属组织机构或终端店面，而管理和经营决策、产品和市场战略的职能却在集团总部、营销总部和业务板块子集团、区域管理机构等。不掌握核心数据资产的事实与管理和经营决策的职能需求之间存在的矛盾，是数据分析工作的首要障碍，很多该类型的企业为获得管理和经营分析所需数据，只能通过手工收集下属提交的数据填报报表来实现，数据分析工作的范围、深度和效率极其不足。

因此，在传统企业的管理及经营决策中全面普及数据分析的技术和应用，尚且任重而道远，而互联网公司津津乐道的大数据等领域的应用，当前阶段在传统企业里更是遥不可及。

以上是小编为大家分享的关于传统企业里开展数据分析到底缺少什么的相关内容，更多信息可以关注环球青藤分享更多干货

⑶ 大数据传统的企业管理存在着哪些问题

大数据时代传统企业管理遇到的问题：
随着信息化程度不断提高，互联网、物联网、云计算和智能手机终端等技术的不断发展，数据的产生、存储、传播和分析等，不论从数量、方式方法上都较以往有了天壤之别，大数据时代给各行各业带来了巨大的冲击，给传统的企业管理带来一系列挑战。
1、企业决策过程
传统企业的经营决策往往更多地依靠企业的管理者，依靠管理者的经验、直觉和魄力，这样的企业在以前可能会发展壮大，但是缺乏对决策管理过程的监控，缺乏对数据的搜集、提取和分析，没有明确数据与决策结果的关联关系。另外，传统企业的数据分散在各个部门，数据的集中度不高，人们对其关注程度也不高。随着大数据时代的到来，传统企业的组织结构和决策过程必将面临前所未有的考验。
2、智能化、信息化程度不够
大数据的“4V”特征在数据存储、传输、分析、处理等方面较以往均有本质变化。数据量几何倍数的增长，对存储技术提出了挑战，需要高速信息传输能力支持，对非结构化的数据、低密度有价值数据的快速分析和处理能力提出更高要求。据统计，企业中85%的数据都属于非结构化、低密度的数据，大多数企业现有的数据处理方法和系统无法将大量的非结构化数据进行处理。另外，随着数据量的快速增长，对数据的存储、传输能力也提出更高的要求，这都将成为企业在大数据时代遇到的难题。
3、信息安全问题
随着大数据的发展，企业的海量数据中不仅包括业务数据、客户数据、公司内部数据，也不乏大量个人信息，数据本身的安全及个人隐私面临着泄露的挑战。大数据环境下通过对用户数据的深度分析，很容易了解用户行为和喜好，严重的将导致企业的商业机密及个人隐私泄露。如何保证商业秘密、个人隐私秘密等安全问题，对企业是一道难题。
4、人力资源匮乏
大数据改变了企业的传统管理思维，大数据时代的到来企业的管理者和员工都需要重新认识数据的重要性，提高相应的素质才能胜任原有的职位。在大数据时代，对数据的处理和分析已经超出了信息化的范畴，超出了市场营销的范畴，超出了运营管理的范畴，需要具有综合能力的人才，需要有相应新的部门来整合数据资源。对大数据的处理需求，必须有专业的数据分析人才运用这些大数据，才能将其转化为经济价值，数据人才必须能够深入了解企业业务与组织，具有统计应用知识、熟悉大数据数据分析工具的运用等，这就要求数据分析人员必须有整合运用3项基本技能的要求，而传统企业这方面人才非常稀少。

⑷ 企业在大数据领域面临的障碍要怎么克服

乐思软件整理：虽然大数据在很长一段时间备受企业青睐，但事实上，根据Square Root的数据显示，只有40%的公司在真正意义上使用它。多年来，企业在大数据领域都面临一些障碍，以下是四个主要障碍：

改变微弱且滞后

企业利用大数据来提高生产力并不是一蹴而就的，相反，我们可以把它视为企业基础设施的根本架构，这就意味着在很短的时间内，大数据是不容易被替代的。尽管新兴企业能够很好地接受这一事实，但很多业界耕耘数年的传统企业却不得不开始重塑自己的大数据兼容性。

这是一个相对艰难的过程，一些成熟的企业正在试图采取一些措施来适应不断发展变化的外部环境。在实践中，评估哪些业务可以从大数据中受益，哪些可以让受众和生产力互动发生变化等。

专家供不应求

大数据的新实践在不断证实，工具已经与技能的发展没有太大的关系，并呼吁新一批数据专家来部署一些新的策略。然而，刚毕业的大学生由于大学基础知识无法与实践相融合，致使想要充分利用大数据的企业不得不接受行业内专家较高的成本需求，同时，竞争也是相对激烈的，但是很有必要。

企业不确定是否需要大数据的支持

不幸的是，很多企业正在以一种渴求的心态来利用大数据，但是如果你在不知道想要解决什么问题的情况下获取大数据，这将会是无用的。

然而，企业想要尽快获取最有价值的大数据，必须要合理分配时间，仔细研究实际需要完成的任务，一般涉及从开发融合系统到数据实践操作等。如果信息存在差距，大数据就会起到很重要的引导作用，你能在这个时候抓住关键，就能让大数据为自己服务。

追求速率，造成数据冗余

如果把大数据想象成一堆干草，那么，企业获益的数据就是其中一种特定的干草，正确使用大数据就是从一堆干草中寻求正确的干草类型，并进行提取。但是，很多企业没有意识到这一点，总是认为所有的干草都是有价值的、正确的，因此，企业常常使用太多的数据源、数据收集方法，并且投入太多的数据请求，这样就会造成数据冗余，没有一个是精确的或是可操作的，混乱和错误也会进一步阻碍有益数据的发展。

为此，企业需要改进其使用大数据的方式，不宜太过追求数量，而忽视正确数据的价值。

⑸ 大数据对企业决策的影响

大数据影响了企业主体的轿顷判断和决策，改变了企业的传统文化氛围和基础立场。

大数据理念的提出，影响了整个人类社会的发展。

对于企业来说，通过大数据分析系统的应用，不仅影响了企业主体的判断和决策，同时也改变了企业的传统文化氛围和基础立场，使企业在原始积累的程度上不断创新，催生出全新的发展领域和经营范围，这对于企业来讲无疑是有利的。

但是，如果企业管理者一味依靠大数据闭隐陆分析结果，势必也会影响自身的判断，使企业的携迹发展陷入僵局。

大数据时代的到来，企业的经营主体也应该审时度势，作出基本的战略调整规划。

大数据时代下企业传统管理模式存在的弊端

1.管理人员对大数据的缺乏正确认知。

2.企业对大数据分析技术的掌握能力较差。

3.专业数据分析人才缺失严重。