想成为阿里腾讯那样的数字化公司，10年经验的我，教你要做什么

企业数据怎么搞？

目前来说国内企业把数据做的最好的是阿里腾讯，他们之所以厉害，就是因为无论是前期的规划还是后期的执行，都很不错，那我们应该能从什么方面学习到呢？

10年经验的我，总结了这4个方面，你肯定可以学到一些东西。

什么是企业级数据能力

数据能力的应用，往细了说，有四个阶段，分别是：描述阶段（报表〉、分析阶段、预测阶段（产品〉、分析阶段（平台〉。

信息时代，尽管数据被称之为”工业的血液”，但意识到企业数据的重要性，并付诸实践的公司，依然少之又少。最直接的例证，就是”数据科学家”人才的稀缺。

做企业级的数据，最重要的是”思维上的转变”，从可以用数据解决问题，向通过数据建立竞争优势的方向转换。大数据时代里，不论怎样强调企业级的数据能力，其重要性都不为过。

但有一点值得注意的是，企业数据天生就是一个面向分析场景的基础设施，因为只看商业智能所代表的报表体系，并没有很强烈的现实意义。

企业管理层所关心的，是企业运转的是否有隐患、应对竞争对手的打法进展如何、成本是不是得到了有效控制、团队协作的效率有没有提升等等。

通过企业级的数据能力，来驱动企业实现以数字化为支撑的核心竞争力，是一项需要企业高层、中层、一线员工共同参与的工作、这个过程中所沉淀的数据能力，需要长时间的打磨，才能形成企业独特的核心能力。

如何明确企业级数据建设目标

如何发现问题，如何衡量结果。

发现问题，通常是在提及数据部门的众多需求中提炼出来的，当某个需求包含三个必要的特征时，其发现问题的价值最大：具备完整、统一的数据基础。

如何理解数据的基础概念

关于数据分析和商业智能的区别，好像从来没有人能说清楚。

商业智能的重点，是使用相对简单的数学方法，来对历史数据进行展示和呈现，也就是”报表”；数据分析的重点，是采用更复杂的计算逻辑，并能够预测一些特定的问题、识别因果关系、确定最优解决方案的方法。

可以说，商业智能”更广”，数据分析”更深”。

企业级数据往往满足于拥有”商业智能”的部分，搭建报表产品来体现企业的”智能性”，但数据分析，也就是更加复杂的数学、统计、机器学习方法，才能够推动企业”数字化”的转型。

接下来便引出了更多的概念，包括大数据、数据科学与人工智能，这些学科在企业数据的建设中，扮演了重要的作用。

如何建立企业级的数据分析能力

四个支柱：

数据基础：重点强调数据的量与质，尽可能多的采集有用的数据，尽可能好的保障数据的质量。大多数时候，数据不准确，比没有数据，问题更加严重。

人才队伍：要从内部做起，培养”懂业务、懂数据、能分析”的人才，数据技术的积淀不能离业务太远，同时也要有足够多的项目来历练团队的能力。

业务流程：问题导向与价值导向同等重要，高水平的成果要能够推广开来，同时尽量避免做不成熟的业务，项目管理的方法，对于高层认可、应用推广、团队稳定性等要有适当的平衡。

技术支持：高性能的分析工具必不可少，这是”硬”实力；但同时，不同团队之间的研发协作、高难度业务问题的解决竞赛，诸如此类的软实力，同样非常重要。

一句话总结：企业数据分析能力，要从被动决策到主动决策。

最佳实践过程是什么样的

面向企业数据的产品，往往是数据分析型产品，并不仅是数据分析师参与其中就可以了，往往还需要产品经理、项目经理、架构师、技术开发人员的参与。以下提到的每个能力，都是数据产品生命周期的组成元素：

问题理解：明确阐述问题的每一个环节来支持构思，将问题转化为可以用数据来回答的方式；

数据探查：识别和获取回答问题所需的数据，包括整理、清洗和分析等步骤，以评估其在解决业务问题中的作用；

模型开发：使用包括数据建模、数据可视化、报表产品等技术，通过数据讲故事的方式，来解决现有问题，或预测未来问题；

成果应用：在分析和数据离开”实验室”之后，考虑如何应用分析结果，并推广到业务流程中；

产品管理：将分析模型视为数据产品，需要对产品的各个阶段，包括设计、实现、测试等各个环节，进行专业化的职责分工，并引入质量管理流程、项目执行管理等监督过程。

比如，目前市面上很流行的帆软公司的软件——finereport，功能算是前沿的，可做BI报表和大屏，包括数据整合、建模、分析、可视化制作图表，很适合企业使用。难度不算太大，而效果也不错。