大数据计划的内容

成功的规划应聚焦于三大核心要素。

数据

制定收集和整合数据的策略非常关键。企业忙于收集信息，但是BU横向或职能部门纵向经常出现各自为政的问题。关键的数据可能存在于过去的IT系统中，且涵盖客户服务、定价和供应链等各个领域。关键信息经常以非结构化格式散落于公司外部，例如社交网络的对话，更加剧了问题的复杂性。

要让这些信息成为长期资产，通常需要大力投入建设新数据能力。规划可以强调，未来需要对数据架构进行大规模重组：包括对混乱的数据库进行筛选（将交易从分析报告中剥离出来），创建清晰的“黄金来源”²数据，并实施能够有系统地保持准确性的数据治理标准。

就短期而言，有的企业可以采用更简易的方法：将问题外包给数据专家，由他们使用云系统软件整合足够的数据，以抓住最初的分析机会。

分析模型

整合数据本身并不会创造价值。需要高级的分析模型来实现数据驱动的优化（例如员工排班表或运输网络）或预测（例如航班延误情况，或根据购买历史、在线行为来预测客户的需要及行动）。计划必须能够识别以下情况：模型可以在哪些领域创造额外的商业价值，谁需要使用模型，以及模型在组织内推广时如何避免不一致和不必要的数据重复。

和新的数据来源一样，企业最终会希望将这些模型连在一起，解决跨职能或跨BU的、更大范围内的优化问题。事实上，一个计划可能需要数据分析“工厂”，从一系列不断增加的变量中组合一系列模型，然后应用到系统之中以进行追踪。虽然模型可能极其强大，但也必须抵御完美分析的诱惑：太多变量将增加复杂性，让模型的应用和维护变得更加困难。

工具

模型输出的内容可能非常丰富，但是只有当经理（很多情况下是一线员工）能够理解并使用它时，这些内容才有价值。太复杂的输出可能难以把握，甚至不被信任。企业需要的是易于使用的工具，能够将数据整合到日常的流程，并将模型输出转换为具体的流程，例如员工排班的清晰界面，呼叫中心的交叉营销建议，或营销经理作出实时打折决定的方法。很多企业没有考虑或规划这一步骤，最后发现经理和基层员工不会使用新模型，其有效性自然会大打折扣。

要促进数据、模型和工具的发展，组织能力也是一大关键推手。很多战略规划之所以失败，原因就在于组织缺乏实施的能力。因此，如果组织缺乏合适的人才或能力，大数据计划的结果很可能会令人失望。企业需要一张路线图，按照合理的规模和构成来建设人才库。最好的计划还将进一步讲述如何培养数据科学家、分析建模师和一线员工，让他们在新的富含数据和工具的环境下发挥自身才华并努力实现更好的业绩。

具备这些要素后，企业就可以制定综合的大数据计划（见下图）。当然，不同行业在分析方法、决策支持工具和业务价值的来源等细节上皆有所不同。但值得注意的是，所有行业都具有结构相似性：绝大多数企业都需要为主要的数据整合活动制定计划。这是因为，很多最具价值的模型和工具（如下图右边显示）在建立时会越来越多地使用海量的数据来源（如下图左边显示）。一般来说，这些来源将包括来自客户（或病人）、交易或运营的内部数据，以及来自价值链或在线合作伙伴的外部信息。此外，未来还可能来自内嵌于物体的传感器。

为了建立一个优化治疗和住院系统的模型，一家医疗保健行业的企业可能需要整合一系列患者和人口信息、药品效果数据、医疗设备投入以及医院的成本数据。而一家运输企业可能需要整合实时定价信息、GPS和气象资料以及员工的劳动生产率，以预测哪些航线、船只和货物组合能够产生最高的经济效益。

图　成功的大数据规划聚焦以下三个核心因素