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。
1704274045
1704274046
在没有技术支撑的情况下进行数据分析,就像是游泳时没有水一样。每一项大数据技术都有其存在的价值,能够在合适的情况下正确地应用这些技术,可以使在10年前还如科幻小说般的市场营销幻想变为现实。但是这些技术也存在一些问题,当数据科学家们尝试独自埋头研发这些技术时,成本支出可能会得不到有效控制,就像世界顶级建筑师建设柏林勃兰登堡国际机场时发生的情况一样。
1704274047
1704274048
对智能数据冠军企业而言,什么才是合适的技术?这个问题不是某一个应用技术、一个编程方法、一个电子产品能够回答的。我们需要采取正确的行动,促进信息技术真正为我们创造实惠,同时显著降低投资失败的风险。
1704274049
1704274050
这样做行不通
1704274051
1704274052
有一家企业,刚刚确立了一个复杂的数字化战略。它认为,它的同业竞争者都已经掌握了数据分析能力,它必须用最快的速度赶超。公司的首席营销官已经意识到了客户数据的潜在价值,因此他提倡这种赶超行为。企业的高管层并没有对这个问题进行深入的研究,而是去征求了首席技术官或者技术部门负责人的意见,询问公司如何能够在短时间内成为大数据巨头企业。这种情况下,答案往往是,那我们首先必须要使数字化战略切实落地,然后我们需要丰富我们的大数据应用程序(云服务使这点变得更便捷和经济)。然后,首席营销官和技术官会设法去游说财务部门,为此增加必要的预算。
1704274053
1704274054
如果预算到位了,首席技术官就会接手这个项目,首席营销官也会为此感到高兴,从此以后营销人员可以采用技术手段经营目标客户了。首席技术官很快就会构想出企业理想的大数据公共设施,这些设施在技术方面无所不能,并且能够对现有的技术设施提供完美的补充。基于这种理想化的图景,技术团队会制定冗长的任务书,涵盖对未来系统情况的详细描述。当我们把这些梳理清楚,使其具有逻辑和理性后,就着手进行编程。然后我们会询问客户,是否同意我们继续使用他们的客户信息,虽然这时客户根本不知道我们将他们的信息用来做什么。之后,一系列的市场营销和企业管理工具就会问世,我们还会开始对员工进行技术培训。在应用过这些工具后,营销人员会发现,其实这些工具不是特别适合解决他们面临的问题。
1704274055
1704274056
这听起来像是一种讽刺吗?我们不禁反问,有多少大型的IT项目是可以在限定的预算内完成的,又有多少能够实现预想的效果?研究表明,只有10%~30%。
1704274057
1704274058
技术尤为重要,我们需要依靠技术专家去发掘技术解决方案,一般情况下,技术本身不是问题。
1704274059
1704274060
这样做行得通
1704274061
1704274062
技术尤为重要,我们需要依靠技术专家去发掘技术解决方案,一般情况下,技术本身不是问题。
1704274063
1704274064
让我们回顾一下智能数据循环流程。市场营销和企业运营的任务目标没有改变。我们可以采取五种手段去提升客户价值,即发掘新客户、提升口袋份额、长期客户关系管理、持续推荐和提升市场营销和运营效率。数据和分析只是帮助我们更好地去运用这五种手段。如果一家企业计划增加在信息技术方面的投入,就必须要认识到这一点。
1704274065
1704274066
在引进技术时,要遵循五个基本原则:
1704274067
1704274068
☆要弄清楚我们具体要解决哪些商业问题。我们首先要明确回答这个问题,然后再弄清楚未来的使用者(比如市场营销和运营人员)对技术系统有哪些要求,之后再考虑引进哪项技术。
1704274069
1704274070
☆管理部门、技术专家和市场营销部门必须合作寻求适宜的解决方案。管理和市场营销部门需要培养一些技术人员,目的是为了更好地针对技术的功能和效用发问。技术专家也需要学会用营销人员能够理解的话术去沟通表达。
1704274071
1704274072
☆不要固执地寻求最理想的数字化战略。即便是在大数据时代,也不存在所谓最理想的方案,更不要说是在一个技术尚不成熟的时代了。
1704274073
1704274074
☆当我们还不了解一项技术的时候,就暂时先不要引进,这跟投资股票是一个道理。提供技术解决方案的一方必须要证明这个解决方案如何能够具体地解决我们面临的商业问题,或者已经解决了其他用户提出的需求。换句话说,我们不要引进尚未经过验证的技术。智能数据企业不是科技进步的试验品,而应该是明智的新技术追随者。
1704274075
1704274076
☆现在存储设备便宜了,云技术得到发展,我们能够从非结构化的数据中获得需要的信息,即便是在这种大环境下,我们在引进一项新技术前,仍需要考虑三个方面的问题:
1704274077
1704274078
•新引进的技术是否能够与现行系统中的数据源兼容?尤其是企业数据库。
1704274079
[
上一页 ]
[ :1.70427403e+09 ]
[
下一页 ]