数据资产的介绍

数据正在重塑当今时代资源观,大数据的快速发展让我们逐渐认识到数据是国家基础性战略资源,是21世纪的“钻石矿”。信息时代正在上演计算、连接、数据“三部曲”,在计算时代,我们关注的是信息的本地化处理,在连接时代关注的是关系价值,在数据时代关注的则是如何将数据资产化。能源和物质具有不可复制性,并且在使用过程中是不断消耗的过程,而信息资源在传递和应用的过程中是被不断赋予新的价值。数据时代的浪潮比想象的还要迅猛,互联网的核心是连接(信息层)和关系(价值层)构成的价值网络,大数据则可以更精准地反映、认识和掌握世界,数据资源的价值凸显,数据的多寡、好坏、开发利用能力的强弱已经直接影响组织运营和创新服务能力。未来如果一个组织未能掌握数据,不能运用数据,那么这个组织的竞争力将会越来越下降,不管这个组织是企业还是商业机构或者政府,对数据的治理能力决定未来新的竞争优势。数据治理能力正在成为组织竞争新优势。

借用《数据资产管理》这本中数据资产的定义,数据资产是企业及组织拥有或控制,能给企业及组织带来未来经济利益的数据资源。

大数据的发展方向

大数据的发展方向:大数据处理能力、数据资产管理能力、业务价值实现

大数据处理能力主要是指大数据基础设施建设、数据的收集、存储、分布式计算、实时事件应对等,还包括对各种类型的数据进行加工、处理、识别、解析等相关能力。

业务价值实现关注的是大数据的应用落地,数据驱动决策给业务带来的实际价值。在大数据的逻辑里,数据需要“平民化”,因为大数据最重要的一个方向就是“数据驱动”,即在任何场景下通过本身的统计和分析结果,来影响这个环节的决策或是动作,形成一个整体高效的运营系统。

数据资产管理是企业及组织采取的各种管理活动,用以保证数据资产的安全完整,合理配置和有效利用,从而提高数据资产带来的经济效益,保障和促进各项事业的发展。它是在大数据处理能力的基础上实现业务价值的纽带,数据资产管理把数据进行有效的配置和管理,并支持它围绕业务价值创造的目标,更好的流动、加工、分析、应用,甚至是数据间的开放、连接、整合、嫁接等一系列过程。

大数据应用咨询

目前,大数据在国内的发展是处于由认知阶段向应用阶段转型时期。不管是政府还是企业都在积极推进大数据的应用落地,实现数据的变现。因此,大数据应用咨询就成为火热话题。

对于大数据业务,客户并不关心底层技术是什么,而是看重是否能够真正的解决问题,用户体验变得非常重要。所以,大数据业务更多的情况是提供一套整体的解决方案,商业模式上更偏重咨询。需要前期了解客户需求,制定执行方案,进而满足客户需求。

作为大数据独角兽的TalkingData大数据服务公司的CEO崔晓波说过“TalkingData与大型客户合作不仅仅停留在项目上,其数据咨询服务已经覆盖客户其他业务,更类似于战略咨询服务。这使得TalkingData与大型客户的黏性更强。从大数据整个行业来看,产品很难做到100%标准化,做到“70%产品+30%定制化”已经是行业前列,短期内很难摆脱对人力依赖。技术不成熟、客户个性化需求是重要因素。大数据管理平台更类似传统服务器业务,一旦率先进场,会长期保持领先地位。”

目前TalkingData团队350多人,咨询服务占了100多人,其客户现场的4个团队中,就有一个数据咨询师,他们帮企业梳理数据科技的规划,制定跟经营相关的标准。目前,TalkingData主要把资源投入到两个队伍,咨询团队和数据科学团队。但是崔晓波说未来还是希望能和专业咨询团队合作,依靠合作伙伴,可以做更多的事情。

由此,我们可以看出,大数据并不等于积累大量的数据,也并不等于你是否用了Hadoop,有时候,积累大量的数据、使用很先进的技术反而可能会拖垮整个企业。所以大数据的落地需要做到:利用合理的技术,有策略的收集、有目的的加工、并与商业战略有机的结合起来,唯有如此,数据资产才能创造出更多的经济利益,其价值越高,投入成本也就越值得。

总的来说,大数据应用咨询应该包括数据资产管理的整个流程即如下几个方面:数据资产如何梳理,数据如何治理,数据如何运营,技术如何应用,团队如何构建、数据如何运用以及数据商业模式如何重构等。

第一,数据资产,是企业及组织拥有或控制,能给企业及组织带来未来经济利益的数据资源。数据资产梳理包括数据的收集整理,数据质量的评估,数据孤岛的打通,数据粒度的统一,元数据管理的架构等等;

第二,数据治理,是企业如何管理数据资产的一套完整的机制,包括指导企业数据管理的政策、规章制度、流程、工具、组织、角色和责任。数据资产治理体系的建立为企业数据资产的准确性、一致性、完整性、实时性、安全性提供了管理机制的保证。

第三,数据资产运营,是指企业对数据资产的所有权、使用权和收益权等权益及相关活动进行管理的过程,包括产权的界定、资产购置、资产处置等,以及配套的评估、分析、统计、清查、监督等活动。

第四,技术应用即技术平台的匹配,了解企业目前大数据建设的痛点,为企业的痛点进行大数据技术平台的顶层设计,技术选型,容量规划,开源/商业产品合理介入,涵盖大数据从数据收集,数据存储,数据建模,数据分析,数据变现的整个链条;我们特别痛恨有些技术团队动不动就急不可待的鼓励客户上hadoop/spark,记住一点,大数据不只是hadoop;

第五,大数据团队的规划建设,包括角色的划分,技能的需求,和团队协同创新,为企业打造高素质的团队,才可能让大数据在企业真正的落地;特别是帮助企业通过团队落地数据思维,不再让IT团队成为一个边缘化的组织,让企业的决策有数据支撑;

第六,数据应用,是指企业如何将数据资产适当加工,为企业的管理控制和科学决策提供合理的依据,从而支持企业经营活动的展开,创造经济利益的过程。包括数据产品的可行性研究,如何与外部数据碰撞、关联,数据价值如何评估,数据变现的规模如何预估,数据变现的路径如何规划等等,帮助企业建立关键指标体系,建立起数据预警机制,建立起数据支撑决策的机制。

第七,数据商业模式重构,帮助企业重塑数据价值,重构商业模式。 如新的行业模式:数据租赁、数据交易、数据加工服务、数据合作等;如新的投资逻辑:数据资产的静态和动态价值评估,给收购、合并、上市等资本等提供评估手段、更好地促进金融创新、支持新的经济模式。

大数据变现模式

对于大数据的变现,我们也必须从“稀缺”的角度去思考,这也是任何商业模式都需要考虑的。大数据作为一种思维、技术、手段,在还没有被公众熟知,被各企业运用的时候,大数据本身就是一种稀缺的资源。所以,在这个阶段,大数据的变现模式就变得非常简单,最常见的就是大数据本身的咨询、大数据教育培训、大数据技术的使用等。随着大数据的发展,这时候就需要对这个行业的资源进行重组,以寻找新的稀缺资源。比如大数据使我们有能力去获取一其它些稀缺的“资源”:发现新的模式、得到支持决策的结论、发现不一样的关联、大数据落地的经验、大数据在垂直行业的落地等。更进一步,当数据真正的可以当做像财产一样看待的资产的时候,稀缺的资源就是数据资产本身以及如何让数据资产生产数据资产的能力等。再往后,大数据就会如同血液一般,融入到各行业和生活中,你将不会有太大的感觉,只是如同你手中的钞票,不会太关注为什么它重要,而只是想它越多越好。针对目前的情况我大致认为数据变现的模式可以分为:直接变现和间接变现。

1、 直接变现

数据直接变现是指直接针对数据的商业模式,让数据直接变现,一般包括数据资产的认定、计量、评估、交易、运营等;

2、 间接变现

数据的间接变现是指数据通过加工、合作、关联、挖掘等形成新的知识和模式,让这些知识和模式来支持变现,我认为可以总结为如下几个方面:

一是支持智能:把数据作为智能算法的输入,为实现智能工具提供有效的训练集,如战胜李世石的阿拉法狗,就是利用了大量围棋比赛的历史数据来作为支撑,有了大量的数据,算法就可以变得简单而有效,易于实现;

二是数据关联:通过数据之间的融合、关联来促进各行业之间的联系,从而实现不一样的商业洞察,如滴滴通过其出行的数据来洞察酒店的开房情况,从而帮助酒店做合适的营销决策,再如利用航海的数据,通过大宗商品的输运情况来洞察经济的走势等。数据的关联可以实现:同样的数据,不一样的洞察。

三是以业务痛点为基点:很多传统行业在面对互联网+、大数据如火的趋势时,不知所措,慌乱了手脚。其实,我认为传统行业可以站在前沿一点的角度,梳理行业继续发展已经存在或可能存在痛点,以这些痛点为基础,再收集行业内已有的数据,然后思考两者之间的关联性,看看数据是否可以解决其痛点。如教育方面,很早就提出了“因材施教”的教育方法,但是一直都不能很好的落实,这就是教育行业的痛点。追究其原因,就是老师不能很好的了解每一个学生,出题、考试也无法做到有针对性,但大数据就提供了一个好的手段,可以通过信息化的手段收集大量的数据,对每个同学进行个性化的教学,比如个性化的练习本、个性化的纠错笔记等。数据不是万能,其应用也需要从其痛点和需求从发。

四是挖掘和分析:挖掘就是通过利用相关技术先收集大量的数据,在没有具体业务问题的情况下,通过数据挖掘的形式来发现数据中隐藏的模式。这种模式,大家听得最多的就是啤酒与尿布的故事了。而分析则一般是在有具体业务需求的情况下,围绕业务做相应的数据分析,以提供决策支持。

分析数据变现的几种方法:

每个行业的数据源、收集、加工、融合、分析等都有一定的差别,每个企业所拥有的优势资源也不相同,有些企业有数据没技术、没模型,有些公司懂建模、懂业务可没数据,有些企业就只擅长数据可视化等。每个企业都应该分析自己在数据价值链上具体的优势策略是什么,这是企业利用数据的关键。

2.行业价值链分析

行业价值链中各个环节中都存在哪些数据?如何利用利用用户数据设计、优化产品?如何利用数据改良生产线?如何利用数据修理生产设备?如何利用数据改善交通物流?如何利用数据来获取最有价值的用户?等等。同时,对于一个企业来说,还包括财务数据、人力数据以及企业的组织和文化,如何把这些结合起来以实现企业数据的最大化、最优化利用也是关键的问题。

3.细分的思考方法

最近很多公众号都在传麦肯锡用数据说话,说明了深度学习(也可以是说是数据)在12个行业中的商业机会(文章末尾附有介绍),这里其实就是用的细分的方法。对每个行业中的需求,进行细化,针对细分的需求提供数据的解决方案。这种方法对于数据产品经理应该很熟,并且我发现很多企业还存在“大数据应用师”这个职位,应该也是针对大数据如何落地设置的。

大数据在企业的落地

近期,国家信息中心、南海大数据应用研究院联合发布了《2017中国大数据发展报告》,报告中特别注意到了几个问题是:1、过半的大数据创业公司处于发展早期;2、政府在大数据方面的投资持续攀升;3、政府的大部分项目“重建设,轻应用”。从这3点可以看出,目前我国的大数据尚处于早期,同时也受到政府的重视,但存在的问题就是大数据的应用落地问题,也就是说,如何把获得的数据和技术相结合,使数据在应用上真正变现,成为目前大数据产业最稀缺的资源。并且,我认为现阶段做政府大数据相关项目的创新企业将获得较快的发展,像九次方大数据、数梦工场等。就京津冀地区来说,日前推出的《京津冀大数据综合实验区建设方案概要》中就提到了要建设北京、天津、张家口、廊坊、承德等7个大数据示范区,并且每个示范区的侧重点不同,张家口是大数据新能源、廊坊是物流金融遥感、承德市是旅游等。当然,这只是冰山一角,如果加上物联网、智慧城市、特色小镇等与大数据相关的智慧型项目,政府大数据无疑是一块“主动送上来的”大蛋糕。对于政府的项目,我认为培训和咨询是很重要的两个方面,其一是对政府官员关于大数据在技术、理念、模式等方面的培训,其二,更重要的是对整个大数据项目的战略咨询,提出一个可靠的解决方案。

大数据方案落地要先从一个战略的高度来思考企业的定位和数据变现的商业模式,然后再考虑其具体的落地战术。所谓战略,就是要选择一系列取舍后的、可以长期保持的、独特的、可相互配村的运营活动。从企业外部的环境和内部环境来看,我们需要综合考虑如下几个方面:

外部环境:

1、大数据发展的现状和宏观趋势、行业外部可关联的数据;

2、企业所在行业的发展现状和趋势;

3、大数据在企业所在行业内的发展现状、行业内部可关联的数据;

4、企业的竞争对手数据变现的现状、数据优势策略、劣势;

内部环境:

1、企业具有的数据;

2、企业的数据观念、文化、技术、团队;

3、企业使用大数据的优势和劣势;

4、企业具体的数据变现模式;

对具体的方案实施,还得考虑其具体的实施效果,所以必须对方案的预期效果、评估方法、存在的风险、风险应对的策略等有一个预先的设定。

案例分析

我之前了解过的创业型企业中TalkingData和永洪科技在大数据解决方案和咨询方面做得都还可以,这里主要了解、学习一下他们做的案例:

(一)TalkingData的咨询服务

TalkingData的咨询叫做专业服务:用数据管理方案全方位的帮助企业收集并管理数据,解析用户偏好、分析业务指标、绘制精准用户画像。包括移动战略咨询、移动运营咨询和数据应用咨询。

移动战略咨询

主要是通过对企业整体的了解,提供移动产品战略方案,使产品最大程度上满足用户的需求,让企业在激烈的市场竞争中获得优势。

移动运营咨询

在遵从企业产品战略的基础上,通过对用户行为轨迹的采集和分析,为企业移动产品和业务优化提供具体的运营方案。

数据应用咨询

根据企业业务特点建立360°用户画像,帮助企业量身定制营销方案、为企业赢得更多的客户,精准营销,将用户转化为消费生产力,实现数据价值变

(二)永洪科技解决方案案例---高等教学行业

A、行业现状

1、我国高校信息化建设至今已有二、三十年时间,在这期间,高校信息化从单机应用系统辅助教学管理到各个职能管理系统的普遍应用,从Center建设到全面集成的数字化校园网络,信息化在给高校管理带来深刻变化的同时也积累了海量的数据。

2、各职能子系统单独开发,独立运行,缺少整体规划;教育资源数据存储在不同系统中,系统之间信息交流不畅,无法实现数据共享,"信息孤岛"现象严重。

3、信息系统使用仅仅停留在代替手工作业的层面,数据分析及应用很不到位

B、存在问题

首先,在教育大数据领域,有两件亟待解决的要事,即学习行为数据分析和行政数据分析。
1,学校行为数据:让教育更加个性化、精细化、智能化。
2,教育行政大数据:把所有的数据联通起来,提高行政管理效率。
在办好这两大要事的前提下,高校信息化要实现以下三个目标。
其一,分析学生学习数据,使得个性化学习成为可能,真正做到因材施教。
其二,促进教学创新,提高教学质量。
其三,优化行政管理,实现各个体系互通互联、数据共享。
当然,在具体建设过程中必然会遇到一系列的问题如下图:

C、解决方案

第一步,梳理数据源,理清底层数据。

第二步,数据筛选、清洗、整合,多源归一,形成专题数据。

第三步,梳理核心指标,明确数据分析目标。

第四步,制作数据分析报告。

麦肯锡用数据说商业模式

可以说是深度学习算法,也可以说是数据的变现模式,值得借鉴!

机器学习在汽车领域的前景