大数据思维与价值核心：数据驱动和业务场景化

篇首语

看了许多解读大数据逻辑思维的文章内容，文章的一些见解可以带来我许多的启迪，很有见地也很使用。在跟一些企业的责任人聊到大数据项目规划和修建的情况下，发觉大伙儿对大数据并不缺乏自身的了解和观点，仅仅这种了解和观点沒有被系统化的安排起來，产生一个较为有深度的独立思考、解决困难的招数。

这篇文章融合我还在和一些好朋友沟通交流环节中见到的一些问题，将大数据逻辑思维和价值干了一些对焦和溶解。我开诚布公，期待这篇文章可以让我们从另一个的一个方向去掌握和考虑一下究竟什么叫大数据逻辑思维和价值。

这篇文章合适企业高层住宅、将要或是已经整体规划大数据新项目、思索怎样对大数据开展文化建设、大数据项目风险管理工作人员一读。做为填补，我还在此也强烈推荐2~3篇文章内容以丰富多彩大伙儿独立思考的层面（视角）：

【实例篇】深层次讲解平安银行阿拉丁大数据生态链怎样培养

【实例篇】大数据怎样对焦业务流程价值，美丽的大数据基本建设的启迪

文中创作者：吕品 天善智能创始人，文中梳理自 2017年3月3日 美云智数新产品发布会 - 数据云社区论坛吕品的演说

每个人必谈大数据

说到大数据，大伙儿不陌生，从各种各样自媒体、线上与线下沙龙活动，包含生活中大伙儿常常提到。早在 2010 年以前，中国的许多互联网公司都早已在解决 “大数据”，只不过是那时候对大数据都还没一个明确的界定。2013 年起，大家注意到在中国大数据这个词逐渐爆火，火到啥子水平？ 举例说明：我每一次回家了，家中的亲属好朋友都会跟我说是干什么的，我讲我们都是搞商务智能 BI 的，大部分听不明白。哪些把数据变成信息内容、信息造成管理决策，哪些 ETL、表格，几乎是一脸懵逼的。之后提了一句，大家有一个技术性网站，里边全是玩数据的，例如大数据、数据剖析、数据发掘...。“大数据啊！大数据我明白！”，我询问什么叫大数据，回应很简约索性：“大数据便是数据大呗！”。

实际上这类了解不可以讲错，只有说不全方位，可是从某些方面上而言大数据或是较为深得人心的，“大数据”这三个字具有了一个有效的专有名词普及化功效，最少不容易像商务智能 BI 那般难以用一句或是两三句让我们有一个就算是很基本的定义。

大数据 4V

大家常常提起的大数据四大特点：4个V

Volume 数据容积大：数据量从 GB 到 TB 到 PB 或以上的等级。

Variety 数据种类多：企业在处理好内部结构数据以后，逐渐向外界数据扩大。与此同时，从过去解决结构型的数据到现在必须解决很多非结构性的数据。社交媒体数据收集剖析、各种各样系统日志文字、视频照片这些。

Value 价值高，相对密度低：数据总产量非常大，但真真正正有价值的数据很有可能仅有那一部分，有价值的数据所占比率不大。就要经过从很多不相应的、多种类型的数据中去发掘对未来发展趋势和模型预测剖析有价值的数据，发觉新的周期性和新的价值。

Velocity 快速化：数据必须迅速解决和剖析。2010年前后左右做了一个美国医疗保险的数据转移新项目，有一个 ETL 必须解决该企业几十年的历史时间文档和历史时间数据，文档数据量非常大，而且逻辑性比较复杂，一个步骤几十个包，一趟出来 35 个钟头实行结束。这类情况假如放到如今的互联网技术例如电子商务平台很明显是不允许的。例如像电子商务营销、或是要打营销价格竞争，并行处理传统式的 BI 是没法进行的。对有这类并行处理即时剖析规定的企业而言，数据便是钱财，时间就是生命。

我坚信上边提及的大数据的四个 V、关键特点或是很容易了解的。如果我们并不是立在技术性方面去聊得话，大伙儿对大数据多多少少都是会有一些较为贴近和相近的观点，而且在了解和认知上基本上也不会有很大的误差。

可是每当我们提到大数据，大伙儿真真正正在意的问题在哪儿呢？ 从工艺视角大伙儿很有可能关注的是大数据的构架、大数据解决使用了怎样的技术性。可是处于一个企业方面，城市广场下手调查或是整体规划大数据建设项目的责任人、企业高层住宅而言，大量关注的应该是下边这一些问题：

1. 大数据究竟能帮大家企业干什么，换句话说可以给大家企业哪些转变。上大数据对大家有什么作用，会出现怎样的更改，是运营成本降低、或是帮大家把商品卖的大量？

2. 大家的企业如今能否上个数据？假如不可以上个数据，为什么，那又必须如何做？

3. 大家企业也想跟着时尚潮流上个数据，问题是要怎么做。必须筹备哪些，有关资金投入、优秀人才、还缺啥、必须使用怎样的技术性？

4. 大家如何认证这一大数据新项目是顺利也是不成功，大家分辨的规范是啥？

我坚信这种问题全是大伙儿非常关心的一些点，包含自己。大家现阶段依然以 BI 剖析为主导，但咱们也会去爬一些外面的数据，后边也在整体规划大数据有关的一些项目和开发设计。

自然大数据这一议题是特别大的，大家难以从一个或 2个视角把这种问题答复的十分全方位。可是我认为有一点是人们的企业高层住宅或是领导者可以留意的：在计划和考虑到大数据的过程中必须具有一定的大数据逻辑思维，换句话说是应对大数据时大家所要具有的考量问题和看问题的视角。

大数据思维方式我简易归纳为2个层面：第一个是以数据为关键、数据推动的思维模式。第二个是业务流程关键，业务流程场景化的思维模式。

以数据为关键、数据推动的思维模式包括这一些层面：

1. 尽量完善自我的数据資源。大家手里掌有怎样的数据資源，大家数据資源的产品质量怎样？

企业必须关心和整理大家有怎样的数据，之前是关心企业的步骤，IT的流程、业务流程再造。如今大部分企业这种 IT 基本和运用的修建都早已完成了，更为关注的应该是在人们的企业里究竟掌有怎样的数据資源，在不一样的领域大家的数据主题风格是不一样的。

例如电子商务零售行业，大家考虑到大量的可能是交易数据、牵涉到客户、商品、消费记录。由于我们可以紧紧围绕这种数据例如做客户画像、大数据营销、订制化的商品、产品的产品定位剖析这些。

例如生产制造生产领域，大家涉及到大量的数据可能是商品自身、大家的生产工艺流程、经销商等。由于我们可以紧紧围绕这种数据例如做大家的生产制造质量检测、减少产品成本、生产流程重塑等。

仅有知道大家现阶段本身的数据資源，才可以明白大家还缺乏什么数据資源。而这种缺失的数据資源从哪里来，如何获得，便是我们在整体规划大数据新项目的过程中是要处理的。假如缺少这类观念，等在计划和上个数据新项目的情况下你的大数据資源十分不足的。

2. 提升数据接触点、尽量多的去搜集数据，提升数据搜集和收集方式。大数据的修建和大数据剖析它是一个梯度下降法的全过程，许多的剖析情景全是在不停的探寻中找出來的，它有一定的可变性。恰好是由于这类可变性因此才要大家尽量搜集大量的数据。

现在是互联网时期，每个人都是数据的经营者和制作者。例如每日的社交媒体数据、互联网技术点击网络的数据、刷卡的数据、电信网经营、互联网营销数据。像大家的生产和生产制造领域，有自动化技术的感应器、自动生产线、全自动设备的数据等。有一些数据放到之前很有可能一文不值，可是如今看呢？这种数据如今或是在未来的某一天便会显得很有价值。

例如像我最初提及的哪家美国医疗保险企业，我看了她们的 COBOL 代码注释都是有是七两年、八几年前的。她们累积了几十年的数据，忽然在 2010 年前后左右逐渐意识到数据的价值了，开始根据数据开展一些转现了。以前了解这种数据的价值吗？不清楚，可是试着到数据的滋味，例如做自己的数据剖析，咨询管理公司选购一些脱敏的数据，或是给咨询管理公司给予数据做市场调研主要用途。

因此大数据的搭建不容易是一天两天的，这一流程会不断较长的時间，大家必须为未来做准备。因此当你的企业连个比较简单的业务管理系统，IT 软件系统也没有，数据连储放的位置也没有，如何可以上个数据呢？不科学。

数据越多，数据类型越丰富多彩，大家观查数据的视角层面就越丰富多彩，大家使用大数据从这当中就可以挖掘出之前大量沒有看见的物品。

3. 数据对外开放和共享逻辑思维。这一点在咱们中国实际上说起来非常容易，可是事实上难以。

上年的情况下我要去看过一个刑侦大队的大数据新项目（可参考这篇文章 政府部门大数据遭遇的问题和摩擦阻力在哪儿？），她们有二点观念很好：

1）十分清晰的清楚自身有着什么数据資源。例如刑侦大队及其属下大队、每个大队每个软件系统的数据：基本的人口数量管理方法、 ** 、违法犯罪信息内容、情报信息。包含数据监管所涉及的铁路线、网咖、民用航空买票、ETC 接口等。

2）为了更好地列入越多的社会性数据資源、完成全领域的数据遮盖，她们提前准备连接交通出行、服务项目、高新科技信息化管理、文化教育、个人社保、民政部门等各种行业领域的数据。包含她们给下边的企业下了数据的指标值，每一个企业或是每一个警察都是有这类搜集数据的指标值，例如哪个企业今日提交了怎样的是多少数据，每个月哪个企业提交的较多，这全是不错的数据搜集的观念。

但问题在哪儿？问题取决于许多组织例如金融机构受国家新政策限定许多数据是没有办法共享的、也有像教育培训机构，我为何把数据让你，在行政部门上我们是并级的组织。

因此这个时候就必须考虑到数据对外开放和共享的逻辑思维，在达到数据安全系数的前提以上大家可以不可以考虑到数据交换共享的很有可能。派出所有的数据一定是教育培训机构沒有的数据，那麼相同的培训机构有的数据，公安机关组织也不一定有。假如二者数据在某种意义上产生共享，在确保数据安全性和不矛盾的情形下是可以创建出越多的社会发展价值的。例如派出所可以给予教育培训机构有关每个地域发案率的信息内容，包含交通安全事故高发区等，教育培训机构可以应对这种信息内容开展校园安全更新、院校附近道路交通事故比较多的地点需要要实现怎样的安全知识教育和保护等。

那麼做为大家的企业来讲，大家里面的数据连通当然是没有问题，可是外界数据就非常欠缺。大家能否考虑到大家企业的上中下游例如供应链管理、货运物流等合作方大家以前的数据本着公平和互惠的标准开展连通和共享，这里边一定会造就出许多有价值的情景。内部结构共享没有问题的情况下，大家能不能把构思越来越更为宽阔一些，让外界的数据尤其是上中下游协作的数据流动性起來去打造大量的价值 1 1>2。

数据仅有流动性才会出现越来越有价值，大数据逻辑思维下，数据商品流通和共享这要大家把逻辑思维放得更对外开放。

4. 根据数据转化成问题，发现问题，而不仅是解答问题。很多人都觉得我只想要上大数据就可以帮大家全自动寻找企业或是工作中全部存在的不足，实际上我认为大数据做不到。

大数据并不是用于解答问题的，也不是用于去得出结论的，大数据是依托于大量数据用于洞悉、预测分析和发现问题的，发现问题以后是要人们的剖析工作人员去开展解析得出以下结论：，以后再去提升大家的商品、步骤，随后再剖析再预测分析和再认证的一个全过程。

例如 Google Flu Trends Google 流行性感冒变化趋势 GFT，2008年11月 Google 运行的 GFT 新项目，现阶段是预测分析英国疾病控制中心 CDC 汇报的流行性感冒患病率。2009 年的情况下 GFT 发布的汇报对客户数十亿的检索中，类似 45 个跟流行性感冒有关的关键字做剖析，GFT 就比得上 CDC 提早两个星期气象预报 2007-2008 季流感病的患病率。

身后这也是套比较复杂的优化算法，是根据数据转化成问题，发现问题的一个全过程，大数据回答不了实际的真正意义上的患病率，可是它有很高的参考价值，这就是它的预测分析。

如同以前在美丽的大数据（请参照文章内容：大数据怎样对焦业务流程价值 | 全球500强美丽的大数据基本建设的启迪）里边看见的一个实例：有关一款商品在社交媒体投诉量的问题，例如遗失零配件，可是根据商品查验沒有这个问题。根据大数据剖析很有可能并无法立即得到到底是哪一个阶段发生了问题，它回答不了。可是却可以使我们发觉这个问题是存有，是必须后边大家人为因素去干预的。

因此我认为恰当的运用大数据的思维模式是，根据数据去看到越来越多的问题、数据洞悉。

5. 由工作经验分辨判断改成数据分辨。以前大家有一个好朋友她们是做医疗行业的 BI 项目实施，她们有一个顾客是一个药业连锁加盟店，经营规模也不是特别的大，业务管理系统也不是特别的多。她们和用户去聊的情况下，客户说大家不用这种物品，太虚。为什么？每日闭着眼睛就了解什么药是热销药，自身一个小系统软件就能算出库存量，一季度的热销药，沒有必需去上这种 BI 系统软件。这说的是一个客观事实，一年出来数据不上好几百兆内部结构的小数据用 EXCEL 就可以做一做平时剖析，这类便是工作经验分辨。规模过小、业务流程单一，上 BI 也没有必需，更何况大数据。

可是如果我们的业务流程规模上来了，例如大的电子商务平台，或是像上边提及的美丽的那样生产制造加工制造业，全国各地又有巨大的终端设备市场销售店面包含各种各样电子商务平台，这个时候只靠工作经验可以分辨出去销售市场上究竟什么是畅销商品，商品有哪些问题，用户满意度吗？分辨不出来。因此这个时候就必须靠数据推动，由之前的工作经验分辨变成数据推动、数据分辨。

因此归纳起來，数据推动的思维模式便是：掌握和了解大家已经有的数据資源、寻找我们没有的新的数据资源、尽可能多的收集与我们行业、业务、上下游相关的数据资源、数据开放和数据流通、通过数据发现问题定位问题、由以往的经验判断过渡到数据驱动数据判断。

以业务为核心，业务场景化的思维方式

首先需要大家能够清晰认识到的是：大数据在不同的行业中不具备可 ** 性，大数据是一个高度个性化与行业深度结合的技术加业务的综合体。如果我们在外面碰到有大数据公司说我什么行业都能做，这基本上就是忽悠。目前大数据做的比较深的行业主要还是集中在互联网、电商、金融、银行这些领域。包括我在美的大数据那篇文章中提到的美云智数主要还是聚焦在生产制造、泛电商行业，这种大数据才是靠谱的。

有很多朋友说，我们企业数据有很多、业务我们也非常熟悉，要上大数据怎么做？我实话实说，就这么问我也不知道。原因非常简单，我不熟悉这个行业、我不熟悉你们的业务也不熟悉你们的数据。

在以前有一个朋友公司要上大数据，找了一个大数据项目实施公司，但是过去一聊，聊的全是大数据架构应该怎么搭建、技术怎么选型怎么开发，采购什么样的产品。但是很显然，这家大数据实施公司弄错了方向。这家企业目前要的不是大数据技术选型，也不是大数据技术架构应该怎么去搭，它要的是大数据的一个顶层设计，需要的是一个个具体的业务场景，我们的大数据在这些业务场景里面能够解决哪些具体的问题。只有这些问题弄清楚了之后，再才是数据调研和技术架构选型到最终的实施。

业务场景化

那么什么叫业务场景化？ 举一个例子，比如我们天善智能在北京专门租了一个场地定名叫 xTechDay，4月份就会启动。

这个 xTechDay 专门用来主办大数据、人工智能、云计算相关的活动，主要是周末。周一到周五怎么办？ 就要租出去解决一个空置率的问题，那么就要考虑到如何定价的问题，这个实际上就是一个业务场景。

我们到各种场地出租的网站，包括各种发布这种线下活动的网站去爬数据，看看在北京每天有哪些是和我们相关的活动，活动地点分布在哪个城区，各种场地大小、现场可以容纳的人数、活动密度，基本上就可以看出来每个月每周这种活动的密度和各个场地的租金。我们再去比较我们的场地和这些场地的优点缺点，比如最后得出的结论就是我们的活动场地在 80-150 人之间，在北京的东边地段，我们的场地日租金定在 4000元左右有很大的优势。

当然我们也没有打算靠场地能赚什么钱，只是希望拥有一个自己的高质量的活动场地，想做活动的时候就可以随时做。

会有人问，这个业务场景跟大数据没有关系啊，一般的分析就可以做。没错，因为这个不需要大数据，就是一个小数据分析的业务场景。

那么我们把它拉大一些，比如在电商平台新推出了一个畅销品，我们需要 24 小时监控这个产品上线之后大家的反馈。这个时候小数据做的了吗？很显然做不了，这个业务场景需要对各种海量数据进行实时的快速处理与分析，这个就是大数据下的业务场景—— 海量、实时、快速、价值。

前面做了一些铺垫，让大家理解了什么是业务场景化，接着我们再来看大数据业务场景化的思维方式包括哪些？

1. 懂行业、深挖业务，业务边界要先聚焦再扩散。每一个行业都各不相同，即使是同一个行业不同的企业对于自身业务、IT 应用流程构建的深度和广度也都不同。但是有一点是需要我们特别注意的是，不管是大数据还是小数据，做好数据平台的前提就是懂自身的行业、懂自身的业务。离开业务谈数据平台的建设，特别是大数据平台的建设基本上就是一个空中楼阁。

我有朋友公司说 Simon 你过来帮我们规划一下我们的大数据要怎么搞，我说我做不了，因为我不懂这个行业。我可以帮你们梳理和看看整体的方向，我有我自己的一套方法，但前提是我需要花时间去深入了解你们的业务，做到业务真正弄清楚了才会有下一步的规划。所以，没有业务的指引，大数据的建设就失去了方向。

另外，大数据的建设要阶段性的出成果，不是一上来所有的业务就需要全面打通。首先聚焦的应该是核心业务，企业业务核心重点在哪里？比如生产制造行业业务流程重点在生产、电商平台的核心业务重点在交易。

先把最有价值的业务场景梳理清楚，在逐步扩散到其它的重点业务流程。

2. 通过业务找数据、通过问题找数据。有很多企业在规划大数据业务场景的时候会有这样的困惑，企业已经有了很多需要分析的业务场景了，但是缺少数据资源。比如像银行信用理财机构想做用户画像、做精准营销，这是一个很好的业务场景，但是每个银行只具备自己的用户开户资源，而这些用户在自己银行的标签属性价值很低。这个时候就需要借助第三方的数据资源来完成这个业务场景，这就是通过业务找数据、通过问题找数据。

比如，像电信运营商掌握着大家移动上网的信息，你近期有没有看过金融、理财相关的文章。比如，像大家上网的手机 APP，你看过哪些新闻和金融、理财相关的内容。这些相关的数据都会通过一些渠道拿到，银行理财的精准推荐就会通过各种方式推到你面前，国内有一些大数据公司就在做这些事情。

比如，像这篇文章中提到的民生银行阿拉丁大数据项目（【万字大数据 BI 案例|视频】民生银行十五年的数据体系建设，深入解读阿拉丁大数据生态圈、人人BI 是如何养成的？）民生银行如何去判断高价值的用户 – 开豪车、住豪宅、用好手机号码、出入高档消费场所。最终从几十万的潜在客户群体中挖掘出了几千位高价值用户，然后再去做精准营销。最后的效果是节约了 90% 的营销费用，同时这项营销给一个分行带来了高达 X 个多亿的金融资产提升。那么这里面就涉及到了 4S店的消费数据、全国小区和物业收费信息、联通移动电信运营商的数据、刷卡消费记录等等。

像美的大数据也会借助各种电商平台和社交资源，抓取用户对产品的评价反馈等做了很多的事情。

所以业务场景化，需要具备通过业务发现缺失的数据资源，同时也需要掌握这种找数据的能力。有自己通过技术手段解决的，也有通过与第三方公司合作完成的。

3. 通过数据找问题、通过数据找业务。比如还是民生银行的阿拉丁项目，一个分行的运营人员就是通过大数据平台上的数据花了半天时间发现了一个 ATM 机选址和优化的问题。通过对 ATM 机的交易活跃度、交易类型分析，比如查询交易、转账交易、取款交易分析，最后发现 ATM 机的布局不合理，有很多能存能取的 ATM 机利用率并不高。最后通过 ATM 选址优化、ATM 最优资源优化，一年为一个分行节省了几百万人民币。

这个分析是一个非常偶然的发现，通过数据偶然找到了以可以对运营业务优化的方式，这个发现后面就可以推广到更多的分行，一年可以节约的成本可想而知。

4. 丰富和创造各种业务场景。比如像我上面提到的民生银行阿拉丁项目还有像美的大数据项目，各种业务分析场景和案例至少是几百个。业务场景的丰富程度决定大数据利用价值的深度和广度，但凡是成功的大数据项目它的业务场景都是非常丰富的。我们也对照一下我们自身的大数据项目建设，这种已有的和被创造出来的业务场景有多少个，如果一双手就能够数出来，很明显是不够的，大数据的价值没有被充分的发挥出来。

所以在大数据项目的规划和落地的过程中，我们首先要去想想我们的业务场景有哪些？有哪些业务场景可以被创造出来，有哪些业务场景是我们之前一直想做但由于条件限制没有办法做的。如果是因为数据资源的问题，我认为是可以解决的，需要分清楚哪些数据资源是我们内部可以解决的，哪些数据资源是需要通过外部合作创造的，有哪些数据资源是我们现在没有但是通过增加自身数据获取的渠道来丰富的。

比如像生产行业，我们想在流程监控、品质监控上去创造一些业务场景，那么就要去想一想我们的数据够不够，我们各个环节的数据存储是否到位。所以，业务场景的丰富程度取决于数据的积累程度，数据的积累程度不够，就需要首先解决数据的问题。

站的高才能看得远，业务场景多了，就会有场景交叉，数据的关联性也上去了，数据的价值才会充分的被利用。

5. 关注新技术、新资源、新渠道。我们以前是 PC 互联网时代，现在已经进入到移动互联网时代，但是不久的将来我们将进入到物联网时代。我们的企业高层还有大数据建设团队需要去关注新的技术、新的资源和渠道，特别是对我们的行业有变革性影响的技术和资源。

新的技术和资源渠道会影响甚至变革我们自身的业务，也可能带来新的业务模式，我们需要不断的关注这些新的业务模式带来的新的业务场景。新的业务场景也可能需要新的数据资源、数据渠道，保持对行业对新技术的好奇心，丰富我们考虑问题的思维场景这一点也是非常有必要的。

6. 专业的业务分析人员培养，专业咨询和规划人才可遇而不可求。虽然我们在这里讲的是大数据思维方式，那么思维方式表示的是一种看问题和解决问题的角度。大数据思维方式不仅仅限定在数据和业务场景化本身，也需要考虑人的因素。

我碰到过一些公司在搭建不管是BI还是大数据分析平台的时候，经常听到 IT 部门说 “我们的业务人员不懂怎么提出需求”，“我们的业务人员有数据不知道怎么用”。同样的业务部门的反馈是：“我们的技术人员不懂业务，讲一遍讲两遍也听不懂”。这说明一个问题：我们企业内部的人才培养是有缺陷的，IT 人员只懂技术只懂架构不懂业务，我们的业务人员对数据缺乏好奇心、缺乏基本的数据意识。

所以站在一定的高度上来看，不管是数据的创造、业务场景化的创造，本质都是需要人来驱动的。如果我们在规划和建设大数据平台的时候，忽略了懂业务懂分析专业人才的培养，这样的大数据平台是不会创造持久的价值的。

专业的分析、技术、咨询和规划人才可遇而不可求，很多异想天开、脑洞大开的大数据场景化的想法都是靠人来想出来的，都是对数据有很强的嗅觉、有很强的数据意识这批人给创造出来的。

比如像上面提到的有关民生银行 ATM 机的案例就是靠一个运营人员拿着数据花了一下午时间给分析出来的，这种业务场景被验证了，一个分行一年节省了几百万人民币，这种业务价值想想有多大。

美的大数据也是一样的，企业高层高屋建瓴，下面的大数据技术人员深入业务，企业 IT Inside 意识这些都是企业对人才的高投入，对应也就是高回报。

前面讲到的这么多内容都是有关大数据思维，提到了数据驱动和业务场景，在整个的分享过程中我们已经看到了大数据的价值所在。

我和很多朋友经常在聊到传统行业大数据项目案例的时候，就推荐看两个大数据案例，一个就是民生银行阿拉丁大数据项目，另外一个就是美的大数据。为什么？ 因为我们去判断一个大数据项目建设是否成功是否落地的一个最核心的标准就是：大数据有没有实现业务价值！

文章链接：

深入解读民生银行阿拉丁大数据生态圈如何养成

大数据如何聚焦业务价值 | 世界500强美的大数据建设的启发

什么是业务价值？以业务驱动、数据驱动真正形成业务上的决策指导，让企业的业务决策、经营决策、生产决策、市场打法能够真正的落地，并产生实际看得见摸得着的实实在在的价值：比如利润的提升、市场产品的份额增长、经营成本的降低、发现新的商业模式等等。利润、份额、成本这些都是企业最为关注的地方，如果大数据实现不了，就不叫落地。

大数据思维与价值

最后我们来总结一下大数据思维的核心是什么？就是拼数据，拼业务场景，谁的数据多，数据辐射面广，就具备大数据时代数据探索的价值。谁创造的业务场景多，数据的价值就可以最大化的发挥作用，就可以改变或者推进提升业务的形态。

那么大数据价值是什么？就是大数据的实现最终一定要落地于业务场景，为业务创造价值！

本文作者天善智能联合创始人&运营总监吕品，转载请注明作者和文章来源。