信息在哪里，决策在哪里
决策在一线
对于汉王朝来说，其心腹大患非匈奴莫属。匈奴人是马术精湛的骑手，他们的战术是闪电般的突袭。汉初，匈奴不断南下侵掠，威胁汉朝江山。西汉建国之初，开国皇帝刘邦受白登之围，其后因实力不足以和亲为策相持多年。执掌汉王朝后的汉武帝刘彻不满足于王朝贵族固步自封的做法，希望能有大的作为，发起了一系列平匈奴的战争。其中最著名的当属漠北之战，这一战给了匈奴毁灭性的打击。
将在外，君命有所不受
汉武帝为了彻底歼灭匈奴主力，从根本上解决这一边患问题，针对匈奴认为汉军不能“度幕（沙漠）轻留（轻入久留）”的心理，将计就计，在经过充分准备后，决定对匈奴采取更大规模的军事行动。武帝集中了精锐骑兵10万人，组成两个大的战略集团，分别由大将军卫青、骠骑将军霍去病统率，并发出“将在外，君命有所不受”的指令。另以步兵几十万，马匹十余万配合骑兵主力的行动。卫青、霍去病受命后，各率精骑5万人分别出定襄和代郡，沿东西两路北进，在漠北与匈奴进行会战，不断根据当时战情，高明运用骑兵战术，采取积极进攻的方针。
漠北之战，从根本上摧毁了匈奴赖以发动骚扰战争的军事实力，使匈奴再也无力对汉王朝构成巨大的军事威胁。汉武帝反击匈奴之战的胜利，也为汉王朝加强和巩固边防建设，促进中国与中亚、西亚各国人民的友好往来开辟了道路。
将在外，君命有所不受，这句名言出自春秋﹒齐﹒孙武《孙子兵法﹒变篇》。孙子曰：“凡用兵之法，将受命于君，合军聚合，圮地无舍，衢地合交，绝地无留，围地则谋，死地则战，涂有所不由，军有所不击，城有所不攻，地有所不争，君命有所不受。故将通于九变之利者，知用兵矣；将不通九变之利者，虽知地形，不能得地之利；治兵不知九变之术，虽知五利，不能得人之用矣。”
用现代文的翻译就是：孙子说：用兵的原则，将接受国君的命令，召集人马组建军队，在难于通行之地不要驻扎，在四通八达的交通要道要与四邻结交，在难以生存的地区不要停留，要赶快通过，在四周有险阻容易被包围的地区要精于谋划，误入死地则须坚决作战。有的道路不要走，有些敌军不要攻，有些城池不要占，有些地域不要争，君主的某些命令也可以不接受。
将帅是君主使命的执行者，用兵打仗在外，战场上的情况复杂多变，因此君主根本不可能及时有效得到战场形势的信息。卫青与霍去病得遇汉武帝这样明智的郡主，不因循守旧，重因时而宜，得率军御士之道，最终取得了漠北之战的胜利。
工业时代，企业的形式开始萌芽并发展。最初的企业大多都是规模不大的组织，却要面对一个庞大而未知的市场。而直接面对市场和消费者的，是处在第一线的人员，他们离市场最近、离消费者最近，比起坐在办公室里的管理者，他们更了解市场、了解消费者，也是掌握信息最多的人。2009年，中国企业界争论最激烈的话题就是“让听得见炮声的人来决策”。然而这种一线决策只适用于初具规模的小公司，因为人员较少、运营结构较为简单，这种一线的决策更能适应企业的运营和发展，让最接近前线的人来做决策。
决策在高层
随着企业的发展和规模的扩大，企业的运营结构和流程都开始变得复杂多层，决策在一线会带来很多不确定性的风险，因此决策转移到了高层。高层决策属于战略决策和宏观决策，通常具有全局性、长远性、整体目标性的特征，是战略性决策。高层领导是企业运营的顶端，他们监督企业运营和流程并做出决策。由于他们一般离前线较远，因此信息从前线向高层的传输效果，直接决定着高层的决策，并最终决定着企业的成败。决策的失误往往是致命的。
高层决策失误
2014年4月首家退市的央企*ST长油，自2010年开始连续4年亏损，究其原因，一方面油轮运输市场持续低迷，在后金融危机时期全球原油需求增幅减缓，同时油轮净运力增加，市场供需处于严重失衡状态；另一方面，公司在2008年前期进行大规模扩张，但是2008年之后航运市场景气度急转直下，公司负债压力极大；其三，在其自身无力扭转局势的情况下，其母公司板块割据严重，没能为*ST长油提供有力支撑。而运力扩张与公司管理层的决策失误有很大的关系，公司的大股东也难辞其咎。高层没有考虑到航运业的生命周期，事实上在2008年之前航运业已经经过了10年左右的繁荣发展期，但是高层并没有做好应对风险的准备。2008年爆发的金融危机令市场措手不及，而即将退市的在A股市场上只有*ST长油一家，这意味着*ST长油在管理和经营体系方面也存在较大漏洞。
由此可见，决策在高层的情况下，更需要高层的敏锐洞察力和信息的有效传输与传导。
卫青和霍去病战匈奴时，前线是了解战事信息最全面真实的地方，所以汉武帝指示“将在外，君命有所不受”。随着企业的发展和规模的扩大，部门逐渐增加，管理组织架构逐渐复杂庞大，企业就需要根据战略目标设置公司的组织架构，将不同的资源配置在一定的方位上，确定其活动条件、规定其活动范围，从而形成相对稳定的、科学的组织架构体系。在一个较为复杂多层的公司架构中，各个部门的信息如此之多，而能够掌握所有部门信息并整合信息从而做出决策的，则是公司的高层，因此决策由一线转到了高层。
大数据时代给这种决策权又带来了新的挑战和难题。在现代企业中，由于信息有限、尚未被数字化，并且获取信息的成本高昂，企业内做重大决策的人往往都是组织的最高层，或是外部拥有专业技能和显赫履历的智囊团。尽管至今仍有很多高管的决策更多地是依赖于个人的经验和直觉。但到了大数据时代，数据分析会直接影响组织怎样做决策、谁来做决策，从而减弱个人的权威性。例如在媒体业，《赫芬顿邮报》和Gawker网站上传播的新闻通常取决于数据，而不再取决于编辑和记者的新闻敏感度。数据比有经验的记者更能揭示出哪些是符合大众口味的新闻。
决策在哪里？可以在一线，也可以在高层，最根本的原则就是哪里信息量最大，决策就应该在哪里。
四型决策
决策产生价值，决策的精确性来自信息对称程度，而信息的对称程度取决于数据挖掘和数据梳理。管理者可以通过将一切量化，掌握公司业务，做出更可靠的预测和更明智的决策，在行动时更有目标更有效率，进而提升决策质量和业绩表现。
过去10年涌现出很多关于如何制定决策的研究，然而公司高管们对这些经验之谈基本充耳不闻，决策理论的完善并没有带来实践层面的提高。人们在面临很多事物时都需要做出选择，所有选择都用“决策”表达会引发混淆。因此菲尔•罗森维将决策分为四种类型，称为四型决策。他指出在提供战略决策建议前，必须首先帮助决策者区分不同的决策。
罗森维四型决策
决策的区分主要表现在两方面。一是可控性，即决策者能否改变选择的内容与结果。例如，在面临选择时，我们是只能被动挑选，还是可以改变选择内容？我们做出的判断是一次性且无法控制后果的，还是在做出决策后能在一定程度上影响结果？二是决策结果的衡量标准，即决策的成功是否与竞争对手有关。例如，我们的目标是出色完成任务，还是需要比他人更胜一筹？换言之，结果是相对还是绝对的？
据此，菲尔•罗森维在《哈佛商业评论》的一篇名为《四型决策，战略蓝图》中将决策分为四种类型。
（1）日常的选择和判断。一般在这种决策上的可控性很低，并且这种决策表现是绝对的，决策的结果与竞争对手无关。
（2）能够改变结果的决策。这是一种可控的决策。在很多日常情形中，我们会投入精力，凭借才能达成目的。我们做出的很多决策都不是简单地被动选择或对结果束手无策。恰恰相反，项目的完成在于我们的努力。
（3）需要胜过他人的决策。成功的关键不在于决策者的绝对表现，而是他们相较他人是否做得更好。要做出最佳决策，必须推算对手的动作。这正是战略思维的核心。大部分三型决策的指导理论都来自博弈论，它是对“动态竞争”进行研究的经济学分支。
（4）积极推动结果并需要胜过对手的决策。高管卓越的领导力、沟通能力和影响力可能直接影响最终结果。这正是“管理”的定义。不仅如此，高管还需要保证所在的组织具备竞争力，能胜过竞争对手，这与战略紧密相关。是否进入新市场、研发新产品或收购一家公司都属于第四类决策。
数据驱动的四型决策
此前，马云对全体员工发了一封内部邮件。在邮件中，马云提出“以控制为出发点的IT时代正在走向激活生产力为目的的DT（data technology）数据时代”。 IT时代是以自我控制、自我管理为主的生活方式。但是到了DT时代，数据将在生产品过程中起到激发、辅助的作用，让用户获得更大的经济价值。DT时代相较于IT时代，表现为信息更加透明、利他和重视体验。由以提升效率为导向转换到以提升效果为导向，这是一种观念的转变、更是一场管理的变革。在DT时代，数据、信息、知识和智慧相互整合、相互连接，从数据到信息的转化是价值的提炼，从信息到知识的转化是信息规律的搜寻和总结，从知识到智慧则是知识的选择，是企业运营的最高级决策。
企业高层在做出决策时，可以按照四型决策的方式来划分。在做出决策之前，应该首先明确决策的类型，然后利用大数据分析来支持不同种类的决策，使决策精准化和个性化，最符合企业的需求。
（1）日常选择和判断的决策支持：判断型决策支持。这种属于第一型决策，也是最简单的决策类型，仅需要决定是否做？我们可以把这种决策称为判断型决策。例如企业决定是否投资一项项目或资产时，即属于这种决策。
主要面向网上商家的数据驱动型贷款公司Kabbage致力于为不符合银行贷款资格的网上商家提供资金。这些商家通常来自eBay、Etsy、亚马逊等平台，他们不能从传统银行获得贷款，也不想冒险抵押诸如房屋等个人资产来换取商业贷款。Kabbage通过分析商家的大量数据来确定它们的经营状况，向符合资格的商家提供的资金7分钟就能到账。该初创公司已经获得了数项数据挖掘技术专利。数据分析方面，Kabbage会分析网上商家的销售额和信用记录、用户流量和评价以及产品价格和相比竞争对手的库存情况。商家可以主动地将数据添加至其Kabbage账户，以更快地获取资金。最近，Kabbage还开始使用来自商家包括配送量和交易信息在内的UPS配送数据，从而确定商家是否符合贷款资格。盈利模式方面，Kabbage通过向获贷款的商家收取费用来创收，具体费用视贷款期限（最长6个月）和偿还风险而定，费率从2%到7%不等。Kabbage目前支持来自eBay、亚马逊、雅虎、Etsy、Shopify、Magento等平台的网上商家。
像Kabbage这样的公司几乎每天都在做出这种投资型决策，而大数据分析无疑给这种决策提供了很好的支撑，也保证了该公司业务的正常运转并不断壮大。判断型决策是企业运营中最基础的决策，这类决策一般仅需要数据的支撑即可完成。基于对数据的分析并做出判断，支撑了企业的基础投资和运营。
（2）能够改变结果的决策支持：生产型决策支持。这是第二型决策，属于可控决策，决策的不同可能影响结果，但同时它也是绝对型决策。我们可以将这种决策称为生产型决策。企业在生产过程中的决策都是会直接对生产结果甚至企业的盈利造成影响，因此这种决策也是十分重要的决策类型。
生产型决策在农业中有很大的用途，都说谷贱伤农，如何避免这个问题，尽最大可能让农户少受损失呢？通过大数据进行精准预测可以准确做出决策行为。由于农户的信息不灵并缺乏相关的专业指导，往往是看到市场上什么东西畅销，农户就种什么，等到辛辛苦苦种出的粮食蔬菜已经成熟上市时，发现供过于求、产品滞销，这时已经来不及了。
利用天气信息、食品安全、消费需求、生产成本、市场摊位等数据进行科学分析，就能更有效地预测农产品价格走势，帮助农户提前预判，也有助于政府出台引导措施。
除此之外，沃尔玛从1969年开始就致力于使用计算机来跟踪存货、控制存货。1983年，沃尔玛的所有门店都开始采用条形码扫描系统，并在1987年完成了公司内部卫星系统的安装，该系统使得总部、分销中心和各个商场之间可以实现实时、双向的数据和声音传输。这一系列的行为都是为了积累数据，沃尔玛根据这些数据对库存进行即时调整，实现了库存的最优化决策管理，从而节约了大量成本。
生产型决策则需要在数据的基础上更进一步，不仅需要数据的分析作为支撑，同时也需要从数据到信息的转化，需要数据价值和信息价值的提炼。
（3）需要胜过他人的决策：竞争型决策。这种决策是相对型决策，目的是超过竞争对手，赢得更大的市场份额和更多的客户群体。亚马逊的比价系统就是通过大数据积累及机器学习系统进行比价，其运算能力等同于每天有5万名“虚拟”比价员，对全网的商品信息进行实时抓取和比对，并及时做出跟价决策。在电商及各商家促销活动很活跃的时期，亚马逊利用大数据分析展开比价，消费者在选择商品的时候可以横向对比价格，亚马逊凭借价格上的优势赢得更多消费者。
这种利用大数据与竞争对手展开的价格竞争，是典型的竞争型决策。这种基于数据分析的竞争型决策除了可以精准地以优势压倒竞争对手，同时也为企业带来了可观的利润。也就是大数据支持的竞争型决策可以为企业吸引足够的眼球和顾客。竞争型决策相比于选择型和生产型决策更为复杂，数据的分析挖掘，价值的提炼形成信息，进而对信息规律的搜寻和总结形成知识，才足以支撑企业完成竞争型决策。竞争型决策需要同时了解企业自身和竞争对手的信息和数据，这其中不仅包含对双方数据和信息的挖掘和价值提炼，也包括对竞争对手的规律的掌握和总结，包括一个双方博弈的过程。
（4）积极推动结果并需要胜过对手的决策支持：开拓型决策。这种决策可以说是这四种决策中的最高境界，决策不仅可以改变结果，属于可控型决策，而且还是相对型决策。是否进入新市场、研发新产品或收购一家公司都属于这种第四型决策，并且这种开拓型决策不仅仅限于商业领域。
奥巴马竞选
2012年，参与竞选的奥巴马团队确定了三个最根本的目标：让更多的人掏更多的钱，让更多的选民投票给奥巴马，让更多的人参与进来! 这就需要对选民的认知达到“微观”层面：每个选民最有可能被什么因素说服？每个选民在什么情况下最有可能掏腰包？什么样的广告投放渠道能够最高效获取目标选民？如何实现“微观层面”的认知？竞选总指挥吉姆•梅西纳（Jim Messina）说道，在整个竞选中，没有数据做支撑的假设很少存在。
为了筹到10亿美元的竞选款，奥巴马的数据挖掘团队利用两年的时间搜集、存储和分析了大量数据。他们注意到，影星乔治•克鲁尼（George Clooney）对美国西海岸40岁至49岁的女性具有非常大的吸引力：她们无疑是最有可能为了在好莱坞与克鲁尼和奥巴马共进晚餐而不惜自掏腰包的一个群体。克鲁尼在自家豪宅举办的筹款宴会上，为奥巴马筹集到数百万美元的竞选资金。在此之后，当奥巴马团队决定在东海岸物色一位对于这个女性群体具有相同号召力的影星时，数据团队发现莎拉•杰西卡•帕克（Sarah Jessica Parker，《欲望都市》的女主角）的粉丝们也同样喜欢竞赛、小型宴会和名人，于是，一个与奥巴马共进晚餐的“竞争”便诞生了，那就是争夺在杰西卡•帕克的纽约West Village豪宅美餐的机会。“克鲁尼效应”被成功复制到了东海岸。通过对粉丝们的信息分析，奥巴马团队成功地满足了她们与钟爱的明星共进晚餐的愿望，也成功地让她们争先恐后地打开钱包。
在整个竞选中，奥巴马团队的广告费用花了不到3亿美元，而罗姆尼团队花了近4亿美元却落败，这也是因为奥巴马的数据团队对于广告购买的决策是经过缜密的数据分析之后才制定的。一名官员表示：“我们可以通过复杂的建模来找到目标选民。例如，如果迈阿密戴德郡的35岁以下女性是我们的目标，那么这里有哪些覆盖她们的方式。”因此，奥巴马竞选团队在一些非传统节目中购买了广告，例如4月23日的电视剧《混乱之子》、《行尸走肉》和《23号公寓的坏女孩》。芝加哥总部称，在电视平台上，2012年的广告购买效率较2008年提升14%。
一项民调显示，80%的美国选民认为奥巴马比罗姆尼让他们感觉更加重视自己。结果是，奥巴马团队筹得的第一个1亿美元中，98%来自于小于250美元的小额捐款，而罗姆尼团队在筹得相同数额捐款的情况下，这一比例仅为31%。总之，奥巴马团队运用数据挖掘技术在美国政坛上取得了竞选的最后胜利。
这就是典型的开拓型决策，奥巴马利用大数据分析，不仅最终击败竞争对手赢得了竞选，并且实现了其最初的目标：让更多的人掏更多的钱，让更多的选民投票给奥巴马，让更多的人参与进来。开拓型决策处于数据驱动的四型决策的最高层，是最为复杂和综合的决策类型，不仅需要企业整合数据、信息、知识，更需要通过对知识的选择形成智慧。只有完成了价值的提炼、信息的总结和知识的选择，才能够形成正确和客观的开拓型决策，从而达到预期的良好效果。
数据飞轮的四型决策
数据飞轮中的主体部分包含四个轮子，分别是平台、产品、客户和盈利模式。而处于数据时代并与数据息息相关，数据飞轮的转动也决定着企业运营决策。DT时代对于数据、信息、知识和智慧的整合决定了企业不同层级的四型决策，而企业如何实现数据驱动的四型决策就需要数据飞轮的支撑。
图10-1飞轮、四要素和四型决策
平台是支撑企业实现数据驱动的第一步，它是企业数据的来源和企业运营的基础设施。首先利用平台产生数据，实现企业的判断型决策。之后产品的数据飞轮中则需要对数据的价值挖掘和价值提炼，从而将数据形成信息，并帮助企业做出生产型决策。实现了数据的积累和数据价值的提炼，需要对提炼出的信息做出规律的总结，也就是为生产出来的产品找客户，或为客户提供产品。而对于客户数据飞轮的支撑则需要在信息的基础上将信息形成知识，形成对客户认知的知识，对与自己争抢客户的竞争对手的知识，从而在知识的支撑上做出竞争型决策。最后在平台、产品和客户飞轮的基础之上，将数据形成的信息、信息总结的知识进行选择，形成企业的智慧，并决定企业的开拓型决策：盈利模型的选择。
决策在前，运营在后
决策就是利用已知信息进行方案或方法确定，从而达到一定目的的过程。而大数据使决策变得智能化。企业战略决策将从业务驱动转向数据驱动。过去很多企业对自身经营发展的分析只停留在数据和信息的简单汇总层面，缺乏对客户、业务、营销、竞争等方面的深入分析。在大数据时代，企业通过挖掘大量内部和外部数据中所蕴含的信息，可以预测市场需求，进行智能化决策分析，从而制定更加行之有效的战略。深度分析挖掘大数据的价值，推动企业决策机制从业务驱动向数据驱动转变，能够提高企业竞争力。根据预测，大数据挖掘和应用可以创造出超万亿美元的价值，数据将成为企业的利润之源，掌握了数据也就掌握了竞争力。企业必须更加注重数据的收集、整理、提取与分析。
信息、决策、运营
自20世纪末以来，信息变革一直在发生，但此前都集中在技术上，而大数据时代的到来让我们开始关注信息本身。按照技术发展逻辑，大数据是信息通信技术发展积累至今，从提高生产效率向更高级智能阶段的自然生长。无处不在的信息感知和采集终端为我们收集了海量的数据，而以云计算为代表的计算技术的不断进步，为我们提供了强大的计算能力。这种对信息的分析和存储能力、依据信息进行预测的能力，成为企业竞争优势的来源。互联网时代的决策是复合性和不断迭代的。
互联网的群蜂意志拥有自我调节机制。人类群体思维模式称之为群蜂意志，你可以想象一个人类群体大脑记忆库的建立：最初的时候各个神经记忆节点的搜索路径尚未建立，当我们需要反复使用的时候就慢慢形成强的连接，在互联网诞生之前这些连接记忆节点的路径是微弱的，强连接是极少的，但是互联网出现之后这些路径瞬间全部亮起，所有记忆节点都可以在瞬间连接。这就给了人类做整体的未来决策提供了体系支撑，基于这样的记忆模式，人类将重新改写各个行业，以及人类的未来。而互联网是将所有信息汇聚起来，它本身拥有自我修复机制，能够解构与瓦解各种极端，这是人类的群蜂意志。我们会有错误，但是错误过后必将会修复。由互联网的群蜂智慧来将其透明化并进行更公正的解读，大幅度降低个人判断的精力与误判的可能性，使得基于大数据分析的企业高层决策更加准确和精准化。
数据驱动的运营金字塔
基于数据驱动的企业运营可以大致分为三个阶段：自动化的生产、数据驱动的流程、数据驱动的决策。
从图10-2的金字塔结构可以清晰地看到，企业运营的数据驱动首先作用于自动化生产。企业的自动化生产加入数据驱动，实现全生产线SMART生产，提高生产效率。接着利用数据驱动企业的运营流程，使企业运营的各个流程在数据驱动和平台支持的基础上实现各流程的通畅连接，从而提高企业运营的效率和速度。最后企业数据驱动企业的决策，在生产和流程完成之后，有了数据驱动的企业决策将更加精准化、适时化。这些能够被企业随时获取的数据，可以帮助和知道企业全业务流程的任何一个环节，并进行有效运营和优化，帮助企业做出最明智的决策。
图10-2数据运营的“金字塔”
自动化的生产。回溯至20世纪80年代，当时美国汽车制造业正担忧会被日本竞争者超越，在底特律很多人展望以“熄灯式”生产打垮对手。意思是工厂高度自动化，灯关着，机器人自己在制造汽车。这种想法如空中楼阁。事实上，日本的优势不在于自动化生产，而在于精益生产技术，而精益生产在大多数情况下依赖人力。
然而，在大数据时代，这种超越成为可能。数据驱动的自动化生产得以实现，自动化的生产配合大数据的整合，整条工作生产线自动而精准的完成，实现了自动化和定制化的整合。
数据驱动的流程。在数据驱动下，企业的运营形成了一种闭环战略，营销的关键在于销售漏斗最大限度的转化。闭环这一概念最早应用在自动控制理论中，其核心意义为在输入与输出之间构建一个反馈环节，将对输出有影响的“执行”与“扰动”两个因素通过反馈环节进行反馈分析，并依据分析结果对输入进行调节，进而确保输出结果与预期结果的最小差异；而营销管理中的四要素“计划、分析、执行与控制”也是同样的思路。
鉴于互联网、移动互联网对购物中心的巨大影响，大悦城早在2007年底开业之后就开始做大数据的积累。大悦城以大数据为基础打造O2O闭环，提高大悦城线上曝光度并实现线下引流，从而提高提袋率，打通线上线下支付，再让更多人去分享这种便捷。这些环节形成了大悦城在O2O模式上的良性循环。大悦城将线上流量有效地导入线下，同时通过线下资源的逆向匹配，或者更多线上的轨迹，做好服务。包括通过与阿里巴巴合作，借助阿里巴巴的庞大点击量给大悦城带来客流；强化与微信等社交类软件的黏合度，与消费者共同搭建平台；和垂直类品牌合作引来客流。
尚品宅配：O2O信息闭环运营
大数据的应用同样也帮助维尚成功通过大数据打通整个线上线下链条中的信息闭环。这种信息闭环的形成，首先源于维尚每一步“别有用心”的信息采集方式。按维尚的模式，以旗下品牌尚品宅配为例，客户在登录进入尚品宅配新居网后，几乎每一个无意识的行为，都在为尚品宅配沉淀数据。比如说，当客户在网站上填写出自己的楼盘位置，所选户型的方向、面积等，维尚家具的后台就能依据这些信息测算客户的基本购买力。而结合客户填写的喜好情况，维尚家具还会根据客户的数据库，找到与这位客户喜好相似的其他客户，参考他们对于家居设计的想法，以及过去哪一位设计师可能更受他们喜欢，以此来推送更符合客户需求的设计方案。而一旦初步的设计方案出来后，利用免费提供设计方案的方法，维尚家具又把客户从线上引流到了线下。
数据驱动的决策。大数据预测有很多行业应用，以企业方面的预测最为成熟。很多领先的企业已经采用一系列的管理流程、技术手段去挖掘这些数据所带来的价值，从大量的客户交互数据、网站访问的行为中去辨识客户访问数据的模式，并从中获取更为精确的客户洞察力，以制定精确的行动纲领，去为服务的对象设置更好的产品和服务，从而能够获得更高的业务收益。
不同的学派和实践者对于“管理”的本质可能有着完全迥异的理解，但是他们都认可：决策是管理的本质，而管理最核心的要素就是信息的收集与传递。决策产生价值，决策的精确性来自信息的对称程度，信息的对称程度则来自数据挖掘和数据梳理。大数据可以映射用户现实生活中的行为，从而可以发掘经济生活中的趋势和规律。
利用大数据进行预测的案例举不胜举，最早最著名的是Google流感预测。
被封为“堵车预言家”的交通流量数据公司Inrix依靠分析历史和实时路况数据，能给出及时的路况报告，以帮助司机避开正在堵车的路段，并且帮他们提前规划好行程。
PredPol公司通过与洛杉矶和圣克鲁斯的警方以及一群研究人员合作，基于地震预测算法的变体和犯罪数据来预测犯罪发生的几率，可以精确到500平方英尺的范围内。在洛杉矶运用该算法的地区，盗窃罪和暴力犯罪分布下降了33%和21%。
Tipp24 AG针对欧洲博彩业构建的下注和预测平台，该公司用KXEN软件来分析数十亿计的交易以及客户的特性，然后通过预测模型对特定用户进行动态的营销活动，这项举措减少了90%的预测模型构建时间。
最近刚刚结束的世界杯还历历在目，世界杯期间，一位85后东北女孩凭借奇迹般的预测准确率，累计中奖300多万，成为网友追随的“彩神”。而这背后的秘密，除懂足球、会分析外，互联网大数据是她的一大法宝。
从庞杂的海量数据中分析出重要的信息，并据此做出正确决策，是如今企业维持自身竞争力的关键所在。2014年5月IDC发布的一项针对亚太地区的报告中指出，目前有近七成的高管承认复杂的数据管理和数据储存是他们目前工作中遇到的瓶颈和难点。而据统计，在整个亚太地区的所有交易数据中，只有约73%得到了有效的分析。Qlik公司产品管理副总裁唐纳德•法梅尔（Donald Farmer）也认为，企业需要一个智能化的平台，来快速整合手中的数据资源，从而优化企业的决策过程。
数据支持，运营简化
大数据的应用已经深入到企业运营流程和决策中，在企业的日常运营中起到了举足轻重的作用。企业通过将大数据融入到自动化smart生产中，进而融入到运营流程中，并最终实现运用大数据进行运营决策，从而使企业实现了从生产到流程到决策的数据化和平台化。毋庸置疑，大数据对于企业运营的流程起到了支持及简化的作用。
流程支持
现在，不论主动还是被动，越来越多的企业加入到大数据的浪潮中。大数据对于运营流程的支持也使很多企业尝到了甜头，比如大数据的加入使得企业的流程更加清晰，运营的每一个环节都变得数据化、可视化。
数据对天然大数据公司的流程支持。纯电商企业可谓是天然的大数据公司，他们通过对用户信息的大数据分析解决自己公司的精准营销和个性化广告推介等问题，基本上做到了以数据驱动的运营（date-driven processes），利用自己手中积累的大量用户数据来帮助企业优化流程、优化决策。没有数据分析支撑的决定将越来越不具有可靠性，而靠市场调研或拍脑门做决策的公司也正在改变管理理念和策略制定方式。在用户分析和精准营销数据模型基础上，随时改进自己产品和服务。另外部分公司实现了以数据驱动的产品（date-driven products），利用数据分析消费者产品需求或情感需求，从而生产出消费者最需要也最接受的产品，当然这也需要产品的迭代式创新能力。
亚马逊、Facebook、Linkedln、阿里、腾讯等天然大数据公司都在致力于发展横向的大数据解决方案。这些方案将改变营销学的基础，它们将有针对性地找到用户开展精准营销和个性化营销，多重营销手段也将逐渐消失。此外，很多传统企业也是天然的大数据公司，比如沃尔玛、中国移动等，它们也在追赶大数据前进的步伐，在挖掘数据价值方面，尽力修炼自己的独门绝技。
纵观这些天然的大数据公司，他们都拥有自己庞大的平台基础设施，用来抓取和存储呈爆炸式增长的数据。面对这庞大的数据源，这些公司除了直接用于企业自身的运营和管理外，还可以考虑如何将手中的大数据变成资产，如何从数据中获取价值，提高自身运营能力和战略能力。而事实也证明，这些企业在大数据时代首当其冲，走在了最前面，也尝到了大数据带来的甘甜果实。例如，自2007年以来，通过运用大数据优化广告投放，eBay产品销售的广告费降低了99%，顶级卖家占总销售额的百分比却上升至32%；Tesco依赖扎实的数据分析来定向发放优惠券的，使Tesco维持了每年超过1亿英镑的销售额增长。
1号店：天然大数据公司的数据驱动运营
对1号店来说，大数据完全可以成为运营的核心驱动力。1号店网站作为企业和消费者互动的门户，每天承载着上千万的商品点击、浏览和购买，汇集成了海量的数据。对于1号店，这是改进运营的依据。对于纯电商企业，如何从互联网上引入流量到自己网站，是运营的起点。首先是顾客从哪里来，关键在于三个维度：一是顾客从哪些渠道来;二是顾客从哪些地区来;三是顾客来自哪些用户群，新用户还是老用户。这三个维度的分析直接决定着1号店后续引流资源投入，而这都植根于1号店对于顾客行为的大数据分析。
顾客进入1号店后，就进入引导顾客的购买阶段。这个阶段，如何提升每个顾客的购买金额，并在此过程中，实现商品和各种资源的最优配置，是运营的关键。大数据又一次成了1号店的抓手。像一些商场的导购员一样，消费者浏览网站商品过程中，1号店会给消费者一些提示推荐，根据消费者之前的浏览和购买行为，1号店的系统能判断出消费者可能喜欢什么商品，给以相应的提示。再如，根据消费者是搜索商品，还是浏览商品，1号店可以初步判断出他是目的性很强、时间有限的购买者，还是时间充裕、目的性不强的购买者，对于前者会直接推荐商品，对于后者，则不断刺激其购买行为。
顾客购买商品后，进入了后续物流和配送服务。在这个阶段，如何实现最佳的供应链效率，减少仓储和配送成本，提升配送速度，是电子商务企业运营的命脉。如何实现更高效的拣货，是影响物流效率关键的一环。1号店创造了一种高效的拣货方法——拨次拣货。
在配送的环节上，1号店最新的配送服务“一日四送，一日六送”，可以让消费者指定专门的配送时间。而消费者是否喜欢这样的配送服务，会不会用，完全依靠对消费者的大数据分析。1号店会看点击这个选项的消费者有多少人，用这个服务的有多少人，点击和最后实际使用的比例。
对于企业而言，消费者购买行为结束并不意味着终结，还希望将消费者变为自己的忠实顾客。在这个阶段，1号店也在充分释放大数据的威力。1号店发现，购买三四单以后，消费者的忠诚度变得相当高。为此，它需要不断推动顾客跨越这个门槛，但首先要找出哪些顾客最有可能性。1号店用大数据分析筛选出这样的消费者，相应地通过一些优惠和积分换购，刺激这些消费的购买欲望，推动其购买第三单、第四单。
1号店的数据驱动运营流程图
从1号店这个案例中可以清晰地看到它如何将大数据在企业运营中发挥最大的作用，将自己手中的数据最大地变为销售额和盈利，如何将销售漏斗最大化。而这些数据驱动的运营模式，是所有天然的大数据公司，尤其是纯电商企业，都可以使用的。
数据对O2O公司的流程支持。其实O2O模式，早在团购网站兴起时就已经开始出现，只不过消费者更熟知团购的概念。团购商品都是临时性的促销，而在O2O网站上，只要网站与商家持续合作，商家的商品就会一直“促销”下去，O2O的商家都是具有线下实体店的，而团购模式中的商家则不一定。O2O商务模式的关键是：在网上寻找消费者，然后将他们带到现实的商店中。它是支付模式和为店主创造客流量的一种结合（对消费者来说，也是一种“发现”机制），实现了线下的购买。它本质上是可计量的，因为每一笔交易（或者是预约）都发生在网上。这种模式应该说更偏向于线下，更利于消费者，让消费者感觉消费得较踏实。
在大数据时代，线上产生数据，然后利用这些数据分析客户并进行精准营销，再利用线上线下的闭环战略，将线上线下营销相结合，形成O2O企业的数据驱动下的运营模式。
一嗨租车：O2O闭环运营
2006年成立的一嗨租车作为95%的业务都来自于线上的“轻门店、重网络”的租车企业，将传统的租车行业与电商模式相融合，走了一条不一样的租车O2O之路。而在这家O2O企业中，大数据也发挥了重要的作用。他们着重建设一嗨的后台系统，这不仅成为一嗨的标签，也为一嗨实现复杂的车辆调度和出租率、周转率等关键数据统计提供了有力的技术支持。系统可以动态监控库存，根据这些数据我们的系统也就能及时地自动调整每个地区、每种车型的即时价格。假设杭州要增加一个门店，一嗨就会抽取之前所有的数据来综合分析这个地区，根据该地区人员的租车特性来筛选优先配给的车型、品牌，甚至是颜色等。然后根据实际运营的数据，再来决定车辆、车型的配给调整，以及是否在周边发展虚拟网点。譬如在哪个区域设点合理、在实体店的多少公里内适合设置虚拟店等等。所谓虚拟店是指服务网点，客户在网上订车，可就近选择提车网点，工作人员会在规定时间把车送达该网点，如地铁口、小区门口。并且实体门店与虚拟店之间并非一成不变的关系，如果有越来越多的人选择在这个区域订车，那么这个虚拟网点就有可能升级为门店，而一旦它成了门店，实体门店业务量不断下降的话，就会被撤掉而变为虚拟店。这两者之间的转化就是基于功能强大的数据库支持，好处是避免了盲目扩张实体店而投入大量的资金，能逐步地发展和扩张直接渠道。
佐卡伊：数据驱动的珠宝商
珠宝行业是一个注重情感价值的行业，人们买珠宝是需要有一种情感的表达，这个体验是非常重要的；再者，珠宝的这种高客单价和视觉化的产品特征，决定了线下体验的必要性。佐卡伊就是一家利用互联网信息技术优化钻石珠宝供应链、颠覆传统钻石销售模式、根植于安特卫普、引领电子商务珠宝设计品牌潮流的国际钻石直销机构。它利用线上管理模式管理线下，数据化运营，分析每天的客单价，进店人流量，来源渠道，整合化营销，打通线上一起来实现IMC（整合营销传播），用数据分析，以数据说话。在O2O模式中，通过线上的“O”积累口碑、提高品牌曝光并吸引精准客户群体的关注，最终为线下实体店导入客流；线下的“O”提供完善的售前售中和售后服务，大数据成为串联这两个“O”，实现O2O营销闭环的关键。佐卡伊通过ERP与CRM系统的深度融合，挖掘客户的深层需求、情感维系，配合销售员的移动端APP实现终端应用，相对于传统珠宝行业的“坐商”经营模式，能够得到更高的转化率及市场份额。
数据对创业公司的流程支持。创业型企业是指处于创业阶段，高成长性与高风险性并存的创新开拓型企业。这种企业规模不大，但是处于成长期，属于轻资产型企业。那么在这次“数据盛宴”中，是否只是大公司的狂欢？并非如此，从事大数据产业的创业型轻公司将无处不在。一般来说，新兴的创业公司则通过出售数据和服务更有针对性地提供单个解决方案，这些公司把大数据商业化、商品化。这类公司将大数据商品化，这将带来继门户网站、搜索引擎、社交媒体之后的新一波创业浪潮和产业革命，并会对传统的咨询公司产生强烈的冲击。
Vital Insights：大数据成就的汽车管理公司
Vital Insights公司创立于加拿大，是一家专门为汽车行业提供云端消费者体验管理解决方案的企业。成立四年以来该公司一直保持盈利和快速发展状态，因其优异的业绩，2012年获得来自BregalSagemount的2000万美元A轮融资。公司通过ForesighTM平台，实时跟踪汽车销售企业数据，并即时在线收集、管理消费者反馈。该平台的数据可以随时发送到销售人员的手机上，帮助销售人员随时随地向潜在消费者销售汽车。公司的服务在很大程度上改造了传统汽车销售管理模式，受到梅赛德斯奔驰、玛莎拉蒂、陆虎、大众、宝马、奥迪等著名汽车以及豪华车品牌的欢迎。目前有4000家汽车经销商的12.5万名企业员工正在使用该项服务。
NumberFire：大数据体育也疯狂
总部位于纽约的NumberFire公司将自身定位于下一代体育分析平台，致力于在体育领域非机构化和杂乱的数据中掘金，通过一系列数学模型更准确地预测选手与队伍在赛场上的表现。公司的核心产品是依据体育真实数据为基准的体育数据游戏，玩家可以参考现实比赛的数据来选择自己的队伍。公司还推出了预测体育赛事的相关应用。公司的发展基础就好比电影《点球成金》中沉迷于球员数据分析的比利•比恩和他的助手，只不过是把这两个电影角色的专长变成了真正具有很强盈利能力的企业。在2013年的足球赛级，该公司收入增长8倍，用户数量以每年300%的速度在增长。
Predilytics：电子医疗
如今，已经有不少嗅觉灵敏的企业跨进医疗大数据领域，Predilytics是一个典型代表。公司在该行业率先采用机器学习技术，运用大数据分析出透明、公正且受业务驱动的结果。其所使用的数据源包括管理数据（如索赔、处方、试验数据、合格证明）、服务操作（如呼叫中心）、护理管理操作（HRA，即健康注册授权）以及电子医疗记录。其工具具备自然语言数据分析能力，所以可以处理结构性和非结构性的数据。
这些初创型企业更多专注于为重要垂直业务提供应用程序，简称为BDA公司（大数据应用Big Data Applications，简称BDA）。在新兴的大数据创业公司方面，有提供工具系统的，有提供数据存储和销售的，有提供信息咨询算法的，有些提供电影票房预测技术，有些提供产品优化销售效率，有些产品通过将不同渠道的营销业绩与实际的产品使用数据相关联，为未来营销活动提供建议。在技术之外，这些小企业还会开发一些产品，追踪记录与健康相关的指标并据此提出改善人们行为的建议。诸如此类的产品有望减少肥胖，提高生活质量，同时降低医疗成本。这类业务令人着迷之处在于，如果没有大量的数据，缺乏有效的数据分析技术，这些公司的业务难以有效开展。与此同时，云计算技术的普及，意味着小公司不必在内部开发或配备所有大数据技术，在很多情况下，它们可以利用基于云端的服务来满足数据分析需求。
流程简化
IBM公司一直致力于为企业提供数据的支持和服务，并开发了一系列的相关软件和平台来支持企业利用数据运营和简化流程。2011年IBM公司发布IMF信息管理咨询服务和集成解决方案，帮助行业层面客户利用IBM公司的软件、硬件和服务整合优势，简化业务数据管理，对客户进行精准定位并分析数据环境，使IBM公司的客户得以捕捉关键的业务信息，从而有效规避风险。这套简化、高效、低成本的IMF已经在很多行业投入使用并积累了丰富的经验，帮助企业有效整合资源、管理数据和信息并实现分析，将大量企业带入了利用数据分析达到运营优化的世界。大数据对于企业运营流程不光提供了各个方位和流程的支持，也在很大程度上对运营流程的各个环节进行了简化，使得企业的运营流程更加清晰也更加简洁。
速度为王。数据驱动的企业运营，最终归结到结果上，就是运营速度的提升和盈利能力的增强。而大数据时代企业的运营竞争战略，就是速度为王。大数据时代是速度竞争时代。其实，比尔•盖茨上世纪末在其《未来时速》一书中已经做出了预言：“在未来的10年中，企业的变化会超过它在过去50年的总变化。如果说80年代是注重质量的年代，90年代是注重再设计的年代，那么21世纪的头10年就是注重速度的时代，是企业本身迅速改造的年代，是信息渠道改变消费者的生活方式和企业期望的年代”。如今，他的预言正在变成现实。
ZARA的时尚速度
众所周知，时尚的最大的特点就是多变。而ZARA就是以快速反应著称于流行服饰业界，快才是ZARA最根本的也是最重要的制胜法宝。ZARA比同样以出货速度著称的H&M（ZARA与美国的休闲时装GAP、瑞典的时装 H&M、日本的休闲服装优衣库UNIQLO并列为国际四大时装巨头）快了5天。在2003年的时候，ZARA公司就是全球唯一的一家可以在15天内将生产好的服装配送到全球40个国家的736家连锁店的时装公司。
一款服装从设计到上市中国服装业一般需要6～9个月，国际名牌一般可到120天，而ZARA最短只有7天，一般为12天。ZARA使得有“世界工厂”之称的中国相形见绌。一些国际服装品牌巨头明知ZARA厉害，就是学不来，模仿不了，秘诀就在于ZARA的大数据运营。
ZARA的数据管理基础架构不是一年两年就建好的，是多年来不断投资建设的组合，是一个功能领域一个功能领域逐渐完善的效果，这些卓越成果的取得是业务需求与IT有效结合、积累的产物。信息系统平台的应用将ZARA的产品设计、生产、配送和销售迅速融为一体，正是因为在信息应用方面表现卓越，才使得ZARA拥有如此惊人的速度。它的卓越性主要表现在四个方面。
（1）在新产品设计过程中，密切关注潮流和消费者的购买行为，收集顾客需求的信息并汇总到西班牙总部的信息库中，为设计师设计新款式提供依据，以快速响应市场需求。关于时尚潮流趋势的各种信息每天源源不断地从各个ZARA专卖店进入总部办公室的数据库。设计师们一边核对当天的发货数量和每天的销售数量，一边利用新信息来产生新的想法以及改进现有的服装款式，再与生产、运营团队一起决定，一个具体的款式用什么布料、如何剪裁以及如何定价，设计师必须首先访问数据库中的实时信息。
（2）在信息收集过程中，ZARA的信息系统更强调服装信息的标准化，为新产品设计和生产提供决策支持。对一个典型的服装零售商来讲，不同的或不完全的尺寸规格，不同产品的有效信息通常需要几个星期，才能被添加到它们的产品设计和批准程序中。但是在ZARA的仓库中，产品信息都是通用的、标准化的，这使得ZARA能快速、准确地准备设计，对裁剪给出清晰生产指令。
（3）在ZARA的供应链上，ZARA借助自主开发的信息系统对产品信息和库存信息进行管理，控制原材料的库存，并为产品设计提供决策信息。卓越的产品信息和库存管理系统，使得ZARA的团队能够管理数以千计的布料，各种规格的装饰品，设计清单和库存商品。ZARA的团队也能通过这个系统提供的信息，以现存的库存来设计一款服装，而不必去订购原料再等待它的到来。
（4）ZARA信息系统对分销过程中的物流配送进行跟踪管理。ZARA的分销设施非常先进，运行时需要的人数非常少。大约20公里的地下传送带将商品从ZARA的工厂运到位于西班牙ZARA总部的货物配送中心。为了确保每一笔订单准时到达它的目的地，ZARA没有采取浪费时间的人工分检方法而是借用了光学读取工具，这种工具每小时能挑选并分捡超过60000件的衣服。在ZARA总部还设有双车道的高速公路直通配送中心。由于其快速、高效的运作，这个货物配送中心实际上只是一个服装的周转地，而不是仓库。
ZARA利用数据和信息管理将一款服装从设计到上市的时间控制在12天以内，这是具有决定意义的12天。经济学家Little的研究表明，一种新品推向市场晚6个月将导致其整个生命周期内利润下降15%～35%，而且随着产品生命周期缩短，损失会进一步加大。而B.C. Cole的研究表明，早进入市场6个月可增加销售收入11.9%，如果延迟6个月则会下降33%。这些数据驱动的速度提升背后是滚滚而来的利润，是企业生命线的维持。
现代竞争的核心：速度。时间是世界上最稀缺的资源，时间没有任何替代品，也没有任何弹性。以大数据为核心的数字经济的实质就是速度经济。未来的竞争是节约经营循环时间的竞争，是最先到达顾客并满足顾客的速度竞争。速度可以在顾客心目中建立“第一”的品牌先机；速度可以领先半步创新产品和服务，从而掌握控制目标市场；速度可以最先达到顾客并建立顾客忠诚；速度可以规避和降低商业风险；速度可以威慑对手，筑起竞争壁垒而赢得竞争优势。而赢得速度的关键是有效的时间管理。企业必须具有基于时间的竞争策略和基于时间的管理能力。
周鸿祎讲体验，雷军讲速度，后者更胜一筹。就是建立最快的反馈通道，快速根据用户的反馈和骂声改良产品。对体验的理解一样，出错的概率一样，但是对用户的反馈反应速度比对手更快，这就需要建立一套不一样的从反馈到生产再到反馈的快速响应机制。从速度上打败对手，从而达到更好的体验。
大数据应用到企业运营中，帮助企业进行决策和流程优化，从而最终体现到速度之上。传统的企业竞争战略在大数据时代受到挑战，一切都要给速度让位了。
意大利帕马森雷佳诺干酪公会的任务是监控干酪质量。过去，判断干酪真伪极为复杂并耗时，需手动抽查600多家乳品店。而现在，IBM大数据分析提供的条码标签和传感器功能，能有效监控日常生产与产品，从而准确判断和追溯每批产品是否纯正。
运用大数据平台运营的典范红领借助自主研发的大型供应商平台RCMTM可以年定制服装100万套，制作时间只需7个工作日，且都是一次性制作完成。
时间是金钱，股票交易就是快鱼吃慢鱼，用免费股票交易软件有几秒的延迟，而占美国交易量60~70%的高频程序化交易则要发现毫秒级、低至1美分的交易机会。时间又是生命，美国国家大气与海洋管理局的超级计算机在日本311地震后9分钟发出海啸预警，已经太晚。时间还是机会。现在所谓的购物篮分析用的其实并不是真正的购物篮，而是结账完的小票，真正有价值的是当顾客还拎着购物篮，在浏览、试用、选择商品的时候，在每一个触点影响他/她的选择。数据价值具有半衰期，最新鲜的时候个性化价值最大，随后渐渐退化到只有集合价值。当下的智慧是从刻舟求剑到见时知几，原来10年一次的人口普查就是刻舟求剑，而现在东莞一出事百度迁徙图就反映出来了。当然，当下并不一定是完全准确的，其实如果没有更多、更久的数据，匆忙对百度迁徙图解读是可能陷入误区的。
数据SWAT框架及数据再挖掘
数据的SWAT框架
拥有了大数据，也知道大数据对于企业运营（包括自动化生产、流程和决策）的重要性，那么接下来的问题就是如何提高大数据成果在各相关部门的分享程度，如何提高整个管理链条和产业链条的投入回报率。SWAT框架给出了企业运用大数据进行优化运营的框架。
图10-3数据的SWAT框架
提出战略性业务问题。数据驱动的企业运营的第一步就是要确定战略性业务问题。提出问题是解决问题的先决条件，大数据研究是根据经济社会发展中提出的问题来有目的地建立数据库，而最终分析得到的大数据结果正是为解决经济社会中提出的问题（也可称为客户）服务的。
通过将内部数据分析平台开放给所有跟自己公司相关的分析师、管理者和执行者，Google、Facebook等公司已经让组织中的所有成员都能向数据提出跟商业有关的问题、获得答案并迅速行动。以Facebook为例，它将大数据推广成为内部的服务，这意味着该服务不仅是为工程师设计的，也是为终端用户——生产线管理人员设计的，他们需要运用查询来找出有效的方案。因此，管理者们不需要等待几天或是几周的时间来找出网站的哪些改变最有效，或者哪些广告方式效果最好，他们可以使用内部的大数据服务，而该服务就是为了满足其需求而设计的，这使得数据分析的结果很容易就可以在员工之间被分享。
驾驭数据。问题提出后要获得高质量的见解，就必须收集高质量的数据。一家企业拥有大数据，就像拥有一座金矿。这座金矿含金量高不高，直接影响到能提炼出黄金的多少。同样，大数据的质量好不好，也直接决定了后续能利用的数据多不多。不要试图搜集所有数据，而是要把重点放在紧要事情上，数据的收集质量直接影响到后面的运营和营销结果。
此外，首先收集到的这些数据并不存在于一个组织的同一个部门内，所以需要跨部门合作，比如，市场部、销售部、内部支持部、IT部，甚至更多。我们看到很多公司已经在内部创造出“特种部队”，这要求来自不同职能部门的员工能够打破官僚僵局，通力合作。
形成可视化答案。完成了收集数据的任务之后就是要将收集到的数据进行挖掘处理并分析，然后形成可视化的答案，“一图胜千言”，借助Qlikview等分析工具，管理者能够很方便地制作简洁的管理仪表板和报告。在使用工具的过程中，一定要同公司相关人员定期召开设计会议。
做出决策、采取行动。最后一步就是根据数据分析和处理的结果采取行动，展开营销。至此，企业就可以较为顺畅地将大数据运用融入到企业的运营中，从而优化企业运营，使企业营销更加精准化、决策更加精确化、流程更加精细化。
数据的再挖掘
企业在利用数据建立SWAT框架，利用数据简化和优化企业运营的基础之上，还可以进一步利用数据，创建数据的再挖掘以及对数据废气的利用。
数据分析。除了互联网公司期望或已通过大数据实现更好的商业模式之外，传统运营商也正在加入到大数据队列之中。中国移动通信研究院“大云”项目负责人介绍说，运营商手里的数据规模，远超过移动互联网应用上的数据规模。在此背景下，运营商完全可以利用大数据赚钱。如何把采集的数据变成服务，正是运营商应该好好考虑的。
事实上，运用大数据成功盈利的例子不胜枚举。从早期的Google、亚马逊到如今的阿里巴巴，他们均将大数据发挥得淋漓精致：Google基于搜索数据盈利模式，每年财源滚滚；亚马逊通过云技术、大数据构建了强大的电商帝国。国务院《关于促进信息消费扩大内需的若干意见》中提出：到2015年，信息消费规模超过3.2万亿元，年均增长20%以上，带动相关行业新增产出超过1.2万亿元。如此庞大的信息消费量，必将建立在云技术、大数据之上。
像IBM、Oracle、EMC、惠普这类大型技术公司纷纷投身大数据，通过整合大数据的信息和应用，给其他公司提供“硬件+软件+数据”的整体解决方案。这种是大数据带给这些企业的另外一种额外收入——通过数据分析盈利。
IBM：大数据分析帝国
IBM将在2015年之前斥资160亿美元开发商业数据分析技术。这位蓝色巨人已经在这个领域花了大笔钱，过去5年内就收购了23家分析技术公司。
2014年3月在IBM 2014非结构化数据管理用户大会上，IBM宣布与美亚柏科进行合作，发布大数据智能应用中心。新的大数据智能应用中心，运用IBM在企业内容管理领域领先的技术优势，并整合美亚柏科在公共事业、金融服务等领域丰富的行业实践经验，将帮助企业在关键业务决策中协调知识、沟通、内容和资源，从而获得来自内容的大数据洞察。
企业每天都会产生大量的数据，其中大量的非结构化数据来自办公文件、交易记录或社交网络，如何高效地从复杂的数据中获取有价值的洞察，是企业制定正确决策的关键。IBM公司发布的大数据智能应用中心，通过从信息采集、大数据分析到案例处理的过程，为企业提供全面的内容管理解决方案。该解决方案支持各种数据来源的信息采集，并可以对数据来源实行定制化的智能分析，获得有价值的洞察。灵活性和便捷性是大数据智慧中心解决方案的重要特征之一，从检测、分析到处理的全过程都可以通过友好的用户界面进行实时的观察。
此次合作中，IBM合作伙伴美亚柏科为解决方案提供了强大的数据资源支持。美亚柏科是全球仅有的两家电子数据取证上市企业之一，拥有国内领先的电子数据取证和安全产品技术，并且美亚柏科拥有海西地区规模最大的计算平台——厦门超级计算中心，为企业提供“随需应变”数据资源与服务。大数据智能应用中心项目中，美亚柏科在企业内容管理的信息采集阶段起到了重要的作用，实现日均600万实时数据更新，所提供的数据平台已有高达70亿的基础数据。
大数据的4V特性为分析提供了不同的维度，全新的IBM ECM可以通从六个方面为企业提供洞察，包括搜索、商情监测、市场分析和投诉问题管理、反诈骗及风险评估、舆情监控、案件分析以及知识产权分析。
今年IBM正式宣布推出强大的大数据与分析平台Watson Foundations。Watson Foundations在云能力、移动性、快速发掘洞察等方面对原有的IBM大数据平台进行了提升。并且IBM与苹果公司合作，将把IBM强大的大数据与分析能力带入iPhone与iPad，重新定义人们工作的方式。
数据资产化。数据除了可以作为工具对客户行为进行挖掘之外，大数据时代还为一些企业带来资产型收入。其中卖数据和数据分析是最为典型的，在这里加以分析。
微博：数据带来新的盈利点
2014年4月18日新浪微博上市首日收盘价20.24美元，涨幅达19.06%，成为当天纳斯达克最大的亮点，表明投资者对微博价值的认可。在年初的分析师电话会议上，一项“数据授权服务”首次被新浪官方提及。新浪微博通过对微博用户历史数据的分析和抓取，微博平台合作伙伴将能在很大程度上提高信息分享的精准度。新浪微博为广告商提供微博用户的登录和使用记录，帮助广告商实现精准营销。数据服务是微博的非广告营收的重要部分。通过几亿个注册用户的信息，在微博中的动态等等，新浪微博积累了大量的数据，而利用数据这座金矿挣钱也成为了新浪微博的盈利模式的一部分。
互联网时代很多天然的大数据公司都拥有这种利用卖数据盈利的资格。他们一方面可以通过对用户信息的大数据分析，基本解决自己公司的精准营销和个性化广告推介等问题，基本上做到了以数据驱动的运营（data-driven processes）。Google、亚马逊、Facebook、LinkedIn，阿里、百度、腾讯，因拥有大量的用户注册和运营信息，都是天然的大数据公司，而他们利用大数据成功营销盈利的案例也成为经典。
数据废气的利用。数据废气可以化废为宝，数据不是用完就被舍弃，它的再利用价值也许你现在不清楚，但在未来的某一刻，它会迸发出来。例如物流公司的数据原来只服务于运营需要（例如内部车队的优化调度），但一经再利用，物流公司就华丽转身为金融公司，数据用以评估客户的信用，提供无抵押贷款，或者拿运送途中的货品作为抵押提供贷款；物流公司甚至可以转变为金融信息服务公司来判断各个细分经济领域的运行和走势。
大数据成为有些公司了解客户的“上帝之眼”。美国洛杉矶就有企业宣称，他们将全球夜景的历史数据建立模型，在过滤掉波动之后，做出了投资房地产和消费的研究报告。
另外一家全球500强企业麦当劳，通过外送服务，在售卖汉堡的同时获得用户的精准地址，这些地址数据汇集之后，就变成了一份绝妙的房地产内部数据。
有团队曾经使用来自手机的位置数据推测，美国圣诞节购物季开始那一天有多少人在梅西百货公司（Macy's）的停车场停车，这远早于梅西百货自己统计出的销售记录。无论是华尔街的分析师或者传统产业的高管，都会因这种敏锐的洞察力获得极大的竞争优势。
管理框架迎来变革
马云提到“现在人类正从IT（Informationtechnology）时代走向DT（Data technology）时代，IT时代是以自我控制、自我管理为主，而DT时代是以服务大众、激发生产力为主的技术。”DT时代需要数据资源、需要处理数据的技术资源和人力资源，而最终将这一切资源进行整合并实现企业运营的，就是企业组织管理。
传统企业管理：上下层级
管理组织架构是企业的流程运转、部门设置及职能规划等最基本的结构依据。现代企业的管理方式来源于对军队的模仿，依赖于层层级级的组织和严格的流程，依赖信息的层层汇集、收敛来制定正确的决策，再通过决策在组织的传递与分解，以及流程的规范，确保决策得到贯彻，确保每一次经营活动都有质量保证，也确保一定程度上对风险的规避。
一般来说，组织架构形式包括金字塔型和扁平型。其中金字塔型又包括直线制、职能制、直线-职能制、事业部制和矩阵制。
直线制。是一种最早也是最简单的组织形式。它的特点是企业各级行政单位从上到下实行垂直领导，下属部门只接受一个上级的指令，各级主管负责人对所属单位的一切问题负责。直线制组织结构比较简单，责任分明，命令统一。然而在业务比较复杂、企业规模比较大的情况下，把所有管理职能都集中到最高主管一人身上，显然是不切实际的。直线制往往只适用于规模较小，生产技术比较简单的企业，对生产技术和经营管理比较复杂的企业并不适宜。
职能制。是各级行政单位除主管负责人外，还相应地设立一些职能机构。这种结构要求行政主管把相应的管理职责和权力交给相关的职能机构，各职能机构就有权在自己业务范围内向下级行政单位发号施令。故下级行政负责人除了接受上级行政主管人指挥外，还必须接受上级各职能机构的领导。
直线-职能制。乐百氏从1989年创业到2001年一直都采取直线-职能制的组织结构，按产、供、销分成几大部门，再由全国各分公司负责销售。这种管理组织架构是结合直线制和职能制的基础上而建立起来的。目前，绝大多数企业都采用这种组织结构。这种管理架构既保证了企业管理体系的集中统一，又在各级行政负责人的领导下，充分发挥了各专业管理机构的作用。然而这种组织结构存在着职能部门之间的协作和配合性较差的问题，职能部门的许多工作要直接向上层领导报告请示后才能处理，在加重了上层领导的工作负担的同时也致使办事效率低下。
事业部制。从2001年8月到2002年3月，乐百氏实施了产品事业部制。虽然实施的时间很短，但为现在实施的区域事业部制奠定了基础，实现了组织结构变革中的平稳过渡。这种模式最早是由美国通用汽车公司总裁斯隆于1924年提出，故有“斯隆模型”之称，也叫“联邦分权化”，是一种高度（层）集权下的分权管理体制。它适用于规模庞大，品种繁多，技术复杂的大型企业，是国外较大的联合公司所采用的一种组织形式，近几年我国一些大型企业集团或公司也引进了这种组织结构形式。
矩阵制。矩阵制在组织结构上，既有按职能划分的垂直领导系统，又有按产品（项目）划分的横向领导关系的结构。矩阵制的特点表现在围绕某项专门任务成立跨职能部门的专门机构上。这种组织结构形式是固定的，人员却是变动的，需要谁，谁就来，任务完成后就可以离开。项目小组和负责人也是临时组织和委任的。任务完成后就解散，有关人员回原单位工作。因此，这种组织结构非常适用于横向协作和攻关项目。
数据运营企业管理：架构变革
传统企业组织结构从亚当•斯密的分工理论开始，是工业经济的产物，是一种以权利为中心的严格的等级制度。企业内部劳动分工精细、专业化程度高，职能部门众多，在此基础上形成了“科层制”的“金字塔”型结构。这种组织结构简单，指挥命令系统单一，容易迅速做出决策，贯彻到底的责任和权限明确，每个人都知道自己应该接受谁的命令，应该向谁汇报等；横向间的联系较少，因而相互间的摩擦和冲突现象少；易维持组织的活动秩序；便于对人力物力统一调度，集中管理。
大数据在一定程度上将改变甚至颠覆企业的传统管理架构。现代管理诞生于传统工业时代，生产的效率在于机器的精密、庞大程度以及组织的能力。过去传统的管理架构是一种有用而笨拙的方式，而今天信息时代机器的性能，更多决定于芯片，大脑的存储和处理能力，程序的有效性。因而管理从注重系统大小、完善和配合，到注重人，或者脑力的运用，信息流程和创造性，也就不足为怪了。
流程驱动到结果驱动。传统企业管理结构以直线型和金字塔型为主。企业整个管理架构的层级是以流程为导向的，自下而上或自上而下地受到信息流和业务流的导向，企业管理架构的各个组织、各个部门之间的协调和联系也是为了企业运营流程的顺畅完成。这种直线型和金字塔型结构可以很好地完成各环节的连接和传递，各司其责、保证流程的无缝隙链接，最终实现企业运营的高速运转。
然而这种传统时代十分受用和高效的管理架构，在信息时代和大数据时代却遭遇尴尬。数据对人力的替代导致企业组织中出现了管理架构中空的问题。信息技术的发展和数据的应用及挖掘，管理组织架构的中间环节和部门被数字化机器和平台所取代。更重要的一点就是，企业运营的驱动力由原来的流程驱动变为结果驱动，变成了一切都是以结果为导向的组织运营。
组织结构的动态能力增强。结果驱动的企业运营也相应增加了企业组织架构的动态能力。面对外部环境的复杂多变，企业组织结构必须更加具有灵活性，即加强组织柔性。在现有组织结构基础上根据结果随时调整组织结构，建立临时的以任务为导向的团队式组织。这种团队根据所面临的问题和挑战而临时组建，并随着事件的消失而自动解散。这种团队还具有很强的自治能力、自组织和自适应能力，能很好地适应环境变化，并在动态中寻求最优。团队成员来自不同的部门、具有不同的技能，一旦进入团队就不再受原来的部门约束，同时团队成员仍然和专业职能部门保持着密切的联系，可以充分得到职能部门的有效支持。
美国霍尼韦尔公司为巩固客户关系，组建了由销售、设计和制造等部门参加的“突击队”，这个临时机构按照公司的要求，把产品的开发时间由4年缩短为1年，把即将离去的客户拉了回来。很显然，柔性化的组织结构强化了部门间的交流合作，让不同方面的知识共享后形成合力，有利于知识技术的创新。知识经济时代创新是企业的灵魂和精神内核，智能技术和专业技术知识的发挥在很大程度上依赖于员工的创造力，民主、宽松、诱导方式可调动人的积极性，使其主动发挥其潜能，有利于创造性思考的团队管理。
数据驱动的管理架构选择。企业该如何处理数据驱动对企业管理架构的影响？是在原有直线型或金字塔型管理架构基础上进行改建还是重新组建新环境、新问题下的革命式重建？企业的管理架构是与企业决策和运营分不开的，企业的决策性质、决策类型和运营环境需要企业管理架构的支撑和协助。
数据驱动的企业运营金字塔分为自动化生产、大数据流程和大数据决策三个不同的阶段，而数据驱动的企业决策则可以分为投资型决策、生产型决策、竞争型决策和战略型决策。不同的企业受到数据驱动的运营阶段不同，因此想匹配的企业管理架构亦不尽相同。若忽视了企业自身的情况和条件，只是简单机械地模仿并改变自身的企业架构，则会出现圆孔方木的尴尬情况。对于处于自动化生产阶段的数据驱动的企业，刚刚进入大数据的行列中来。他们的数据驱动仅开始应用于生产环节，而其他的环节仍沿用传统的管理和运营方式。而且这种企业的数据信息尚为有限，中间部门的信息和数据化处理尚不能完全覆盖企业运营和决策，因此这种企业较适合在传统的管理架构基础上适当调整部门结构。
处于大数据流程阶段的数据驱动的企业，进一步利用数据和信息来驱动企业的运营流程，更多的部门变得智能化和数字化，数据对人力的代替效果更明显。这类企业需要根据流程需要，将管理架构的中间环节用信息化部门代替，企业的金字塔型管理架构相应压缩。
处于大数据决策阶段的数据驱动的企业，已经到达了数据驱动运营的顶层，企业的信息量足够大、处理数据的能力足够强，以至于企业的运营灵活性和动态性大大增加。企业的管理架构相当灵活，不仅在传统的基础上抽空中间部门，并且设立灵活机动的队伍来随机变动，以适应动态的运营情况。企业会有一只“预备队”，来自于各个部门，他们平时在各自的部门中，一旦出现需要和情况，会随时准备转入其他部门和数据替代的部门进行“替补”。
数据运营的队伍培养
首席数据官。大数据时代，任何组织结构的改变和重建都离不开最关键的一个要素——人才。袁卫在“如何拥抱大数据时代”的报告中表示应注重大数据人才的培养和引进。基于大数据时代的发展背景，大数据人才的适用领域非常广泛，有着巨大的社会需求。他们的就业，遍及生物、医学、经济、社会、媒体、金融、教育、政府各个方面，只要有数据的地方，他们都可以施展才华。现在全国有78所高校开办应用统计专业硕士，他们绝大多数都有条件开展类似的人才培养，都可以进行积极探索，相关企业参加的积极性也非常高。因此，企业在强化大数据应用的过程中，还需重视数据挖掘人才的培养与引进，商业智能是由数据仓库、联机分析处理以及数据挖掘等组成，这三方面都需要大量的数据挖掘的人才。
花旗的CDO。花旗集团旗下的企业与投资银行公司（CIB）曾任命JohnBottega为公司历史上第一位首席数据官（CDO）。John Bottega曾在多家企业负责数据管理方面的工作并有20年的工作经验。在花旗银行中John Bottega主要负责的工作包括：规划和管理CIB数据的发展策略、相关政策、部属职能及投资方向等。同时，John Bottega还将会更紧密地与花旗集团GICAP小组、CIB技术部与CIB数据理事会合作，共同优化花旗集团的数据管理结构。CIB首席数据官的角色定位，在于实现其数据策略以及明确清晰的数据所有权，这将会推动对跨越前台管理、行政、财政、服务以及风险保障等部门之间的数据流改进工作有很大的帮助。
从花旗John Bottega职责中可以看出企业拥有首席数据官能帮助企业更好地有规划地使用大数据，并且根据大数据应用计划合理调配企业资源，避免出现企业耗用大量人、物、财力发现的大数据结果无法应用到企业业务中、为企业带来价值的情况。
2013年，全球营销机构奥美（Ogilvy）正式宣布任命托德•卡伦（Todd Cullen）担任全球CDO，主管拓展全球数据与分析业务。事实上，截至2013年，全球有超过100多位首席数据官服务于大企业，比2012年多两倍多。这一数据也表明首席数据官越来越重要，而且企业们也越来越重视大数据的应用管理。
CDO弥补企业管理缺洞。事实上，随着互联网技术的发展和数据重要性的凸显，传统企业中往往会出现三种很明显的不足：1）在进行数据建模等工作时，与业务的需求联系不紧密，很难准确地进行相关的数据挖掘等；2）数据结果被分析出来，却没能将数据结果落地至实际企业业务操作中；3）企业的数据工作是按照项目走，而并非根据业务的需求和战略方向进行有计划地数据挖掘，从而造成数据孤岛。此时，数据管理的重要性变得越来越明显。在这样的情况下，CDO应运而生，需要承担起全面发挥数据价值的重任。结合花旗首席数据官的职责，CDO的职责主要是根据企业的业务需求、选择数据库以及数据抽取、转换和分析等工具，进行相关的数据挖掘、数据处理和分析，并且根据数据分析的结果战略性地对企业未来的业务发展和运营提供相应的建议和意见。
本文摘自《数据驱动的企业》
数据强则企业强！
《飞轮效应：数据驱动的企业》是企业互联网转型与大数据应用的落地之作，通过对亚马逊、ZARA、红领服饰、尚品宅配等国内外百余个典型前卫案例的观察和总结，《飞轮效应：数据驱动的企业》提炼出了企业数据化转型的“数据飞轮”理论。
数据飞轮实现了商业模式的嬗变，改变了客户、产品、基础设施、盈利模式四个模块的运营方式：渠道商角色被弱化，由客户到粉丝、由客户直连品牌成为运营重心；产品创新更注重非标产品的设计生产和信息部分的价值提升；基础设施实现内外部资源的平台化；盈利模式要协调好免费与增值、一次收费和多次收费的平衡关系。
数据驱动是企业转型的本质和灵魂。数据资源成为企业发展的新型动力源，数据分析系统是企业腾飞的动力系统，决定了企业运行的速度与高度。
数据时代，判断一个企业成功与否的重要标准之一，就是看它的运行是不是形成了“数据飞轮”，即企业运行的各个环节是不是有数据的支撑。“数据飞轮”这个词将成为检验企业运营水平的标配，只有形成飞轮的数据才是有价值的、能够真正支撑和驱动业务发展的数据财富，才能够推动企业效率和效益的增长。