1704273995
☆一个缺乏灵活性的IT部门，负责运营老旧的客户关系管理系统。
1704273996
1704273997
专业能力强、工作热情高的项目经理都有过这样的失意经历。但是最终他们往往能够获得全新的认识，由于企业中不同的股东对成本筹划的认知逻辑截然不同，他们很难具有统一的经营目标，此时客户往往被置于边缘地位。认识到这一点后，以后就能做得更好。
1704273998
1704273999
数字化变革中的“四步走”
1704274000
1704274001
第一步：引入智能数据循环流程，开始进行变革管理
1704274002
1704274003
公司董事会或管理层必须建立一个清晰的认识，即通过利用数据分析，我们可以使业务发展得更好。数据分析本身并不是摇钱树，它只是整合了跨部门、复合化的团队，并保障这个团队拥有（本书第二部分提到的）智能数据流程顺利运行的时间和资源，为团队实行数据驱动下的市场营销提供手段。高管层中至少有一位成员需要参与到团队中，或者说，必须要有一位高管加入团队。
1704274004
1704274005
在智能数据团队中大家都清楚，在数字化变革过程中，团队中是否有一个良好的变革管理，会影响团队中关键成员迈出变革的第一步。一些企业的内部具备变革的良好条件。在促进变革措施落地时，外部因素也很重要。简而言之就是，我们必须通过变革管理提前统一股东们的认识，尤其是对持怀疑态度的股东，不仅仅只是告知他们，而是要为进行试验流程奠定一个统一的思想基础。
1704274006
1704274007
1704274008
1704274009
1704274010
我们必须通过变革管理提前统一股东们的认识，尤其是对持怀疑态度的股东，不仅仅只是告知他们，而是要为进行试验流程奠定一个统一的思想基础。
1704274011
1704274012
第二步：调整激励方案，以客户为中心
1704274013
1704274014
智能数据之路的最终目标是实现以客户为中心。我们只有在激励方案中将客户置于核心位置，才能够在智能数据之路上取得进展。
1704274015
1704274016
我们可以想象一下，在一个更加完善的市场和运营环境中，再没有佣金或者手续费的概念，而只有固定薪资概念。一名员工会尽自己所能地为客户提供咨询，因为他知晓这样做会提高客户的长效价值贡献，有利于企业的长期经营，而他自己也会从企业的长远发展中获利。
1704274017
1704274018
在一套自学习系统真正显现其效果前，它其实需要逾越很多人性障碍。
1704274019
1704274020
让我们从想象中回过神来。企业的激励方案应该着眼于客户长效价值的提高，而不是像现在一样关注短期营业额。一个员工如果能够提高客户的口袋份额，或者营销了售后服务产品，那么他就应该获得奖励。如果有哪位员工还是满足于向存量客户出售基础产品或耗材，那么对不起，他将无法获得额外奖励。
1704274021
1704274022
换句话说，我们需要检验结果，这也符合数据驱动下的企业管理的内部逻辑。
1704274023
1704274024
原则上，激励方案的设计，需要鼓励在数据分析方面的投入。有些人会质疑这样做的必要性。当数据分析切实为企业带来了增效，企业管理人员就会注意到，并且自然就会使用数据分析系统。从理论上看，这样说是有道理的，长期以来我们也是这样希望的。我们通过其后很多智能数据项目了解到，在一套自学习系统真正显现其效果前，它其实需要逾越很多人性障碍。正如所描述的那样，所谓智能数据流程，就是有规律性、有意识地去探寻新的事物，这些事物可能经过三次优化之后才会优于既存事物。想要获得机器的辅助，意味着要锲而不舍地探索，也意味着每一个员工必须放弃一部分的对机器的自由选择权。
1704274025
1704274026
在情感层面上对此有抵制情绪是人性使然，只有通过坦诚有效的沟通才能解开心结。否则，对数据分析的抵制情绪最终会导致哪怕是最有希望的数据项目以失败告终，而此时，项目创造增值的效果还未得以显现。
1704274027
1704274028
第三步：智能化地配置资源，培养人才
1704274029
1704274030
在本章的开头我们就谈过，自愿选择工作岗位这种方式对绝大多数大企业来说都不现实。但这也不能一概而论，团队组建与企业普遍的组织架构相冲突的情况也是可能存在的。
1704274031
1704274032
在智能数据企业中，智能化地配置资源首先意味着要为试验提供条件。员工们自由选择加入复合化的项目组，是为了在数据科学家的帮助下掌握更多数据分析能力。组员由各年龄段的人组成，他们想弄清楚，如何独立设计控制组试验，如何预测建模，以及接下来如何规范分析，这些对他们的工作领域来说都很有意义。组员们需要榜样和自由发挥的空间。在美国公司里，这个自由空间被称为“沙箱”，在这个空间范围内，市场营销人员完全可以接触到企业的全部数据库。在理想的情况下，组员们还可以设想并施行更大规模的市场营销方案，而不用提前请示任何人，只要这个方案不与这家企业的基本理念相悖即可，就像声破天公司那样。
1704274033
1704274034
在这方面，我们也经常会听到反对的声音。比如，即便我们这样做了，得到的也只不过是一些彼此毫无关联的市场营销方案，我们也不知道这些方案将给我们带来什么，会不会产生恶性效果。实际上，如果没有一个大的方向，那这确实是危险的。这就是说，数据化创新必须要有一个具有可比性的衡量标准，这个标准是基于相同的客户理解及客户分类的。对每一个创新流程来说，这都是指导性原则。基于特定的分析思维逻辑，以衡量标准为前提，创新行为才会具备可比性和互补性。在创新的可比性和互补性方面，也需要有竞争，这样，项目才能越来越智能化地迭代。竞争的结果非常符合“二八法则”，我们曾检验了100种市场营销方案，根据之前定义的评价标准，其中8个特别成功，12个很成功，剩余的80个方案被中止，因此我们就没有继续追踪。
1704274035
1704274036
数据化创新必须要有一个具有可比性的衡量标准，这个标准是基于相同的客户理解及客户分类的。
1704274037
1704274038
总结一下就是，在每一个智能数据项目中，我们都要寻求一种平衡。既要让员工有足够的空间去进行智能化的数据试验，同时也要坚持指导性原则，确保每一次尝试都是遵循一个统一的框架，围绕统一的目标开展的，并且，从每一个方案中获得的经验教训可以为接下来的项目提供借鉴。
1704274039
1704274040
第四步：智能化地引进技术
1704274041
1704274042
如果我们想有朝一日能够捉住浩瀚数据海洋里的“抹香鲸”，那么我们需要引进分布式文件系统海杜普。高性能集群计算系统HPCC和Quantcast文件系统为我们提供了平台，完成对海量数据的分析。以开放源代码为基础的解决方案提高了对MapReduce编程的需求，我们同时还要掌握R、Python、Hive和Pig语言。在简化系统界面编辑工作方面，Cloudera和Hortonworks公司提供了商业化的选择方案。但是，如果是大一些的实时应用，我们还是推荐直接选用内存数据库，比如SAP HANA。SAP HANA配置了高功率的多核体系结构，因此可以快速反馈查询结果。我们需要系统性地对HANA分析框架下的机器学习因素进行优化，这一点尤其重要。对可视化分析和人工智能的自然语言处理也一样，否则就无法完成社交网络分析。如果在系统复杂性或者数据通过性方面出现问题，那么可以考虑使用MIKE2.0解决方案。所有的成本支出都是透明化的，尤其是在使用云服务的时候，能够实现随收随付即付且无前端费，pay by the drink（按用量付费）！
1704274043
1704274044
停！刚才是开了一个玩笑。如果你对上一段似懂非懂，那么请你深吸一口气。