《数字化转型之路》 —2.2.3　数据驱动的业务应用

2.2.3　数据驱动的业务应用

当数据体量和类型都得到极大扩展后，数据分析的目标便不仅是探索和研究出所有数据之间的严格逻辑，还包括发现数据之间的强相关性，从而满足对数据价值的主要诉求。例如，人们从20世纪80年代就开始探索通过计算机来实现机器翻译，但进展不尽如人意，而Google在2005年却直接让机器翻译的成绩超过所有当时业界的已有成绩。Google所采用的方法本身并没有新意，而是利用自身的强大数据平台把单词的关联性分析从其他团队还在研究的3个词扩展到了6个词。而更多词之间的强相关分析，使机器翻译能够很好地实现复杂长句的翻译，并且准确率也不错。

大数据时代由于数据越来越多，自然量变会导致质变，人们在面对数据时的思维也要发生改变。在企业的业务运营中，相比于以结构化数据为基础的商业智能（Business Intelligent，BI），大数据对半结构化数据的处理能力为业务决策带来了更大的空间。以文本为代表的半结构化数据，更加直接地承载了客户的感受、个人喜好、购买倾向、情绪状态等信息。对这些信息的分析，让企业不仅能够更好地为客户推荐商品和改进产品，也可以及时发现客户对服务和产品的感受，从而有针对性地采取措施以避免客户流失。

电商与零售行业作为大数据应用最早的行业，基于用户的购买历史、搜索信息等多维度数据，最早实现了基于标签的用户画像和用户分群。基于用户画像的不断完善，电商平台利用流式计算可以实现在用户的点击流中精确推荐客户可能购买的商品。由于转化率明显高于传统纸媒、电视广告、广告位等手段，使得广告收入成为电商巨头的重要营收来源。用户画像也在其他行业作为客户关系管理的重要手段广泛应用，例如，通过用户画像实现对个人的信用评级、信贷额度评估等。

汽车在为人们提供出行便利的同时，也成了数据的重要生产者和消费者。随着车的智能化功能越来越丰富，对保险行业而言，车载信息服务数据的价值也越来越大。根据驾驶者的驾驶风格等信息，保险公司可以对风险状况进行更准确的评估，从而可以制定更合理的优惠费率，以防止客户流失并争取新的客户。而且这些信息也可以降低保险公司的理赔概率，从而提升保险公司的营收。

基于LBS的导航服务，在为人们出行规划路线的同时还能及时反馈路况信息：一方面可以让驾驶者提前避开拥堵，另一方面也为交通管理部门提供了关键信息。也正是地图、导航的成熟，导致了自动驾驶这种人工智能应用的蓬勃兴起。

金融行业对于风险管控的要求远高于其他行业，因此金融行业的门槛与其他行业相比是比较高的。但作为中国第一家互联网银行，微众银行2017年的数据显示不良贷款率仅为0.64%，远低于行业平均水平。微众银行的目标客户是传统金融行业不太关注的中小业主，由于他们的体量很小，因而传统金融行业往往认为他们的风险很高。但借助腾讯的TDBank大数据平台，微众银行实现了多维度的数据汇集，包括即时通信、SNS、电商交易、虚拟消费、关系链、游戏行为、媒体行为和基础画像等。基于这些丰富数据的分析，微众银行就能够给每一个贷款人快速进行信用评级，从而降低了不良贷款的发放可能性。

大数据与物联网的结合，为企业扩展了更多的数据服务。通过物联网的数据采集与控制途径，大数据平台能够对传感器数据进行分析，从而及时了解设备状态并提前对故障进行预警。这种数据服务使设备的预防性维护更加准确，从而极大地保障了设备的在产率。以航空业为例，通过对飞机各个传感器数据的及时处理，并且在机场地勤支持系统的大力配合下，可以使飞机的地面维护时间缩短，从而为航空公司创造更多的利润。

企业需要结合业务战略的需求，相应地建立大数据专业团队，并培养相关角色的专业能力。通过对业界的企业实践进行梳理，可以看到与大数据相关的角色如下：

数据平台架构开发工程师：负责大数据运行各级平台的搭建、运营和维护，包括但不限于数据接入工具、Hadoop平台（或Oracle等数据库运维）、数据可视化系统等。

数据开发工程师：负责运用SQL或HSQL、Python、R等语言来进行数据的开发工作，包括数据源收集，数据的清洗、转换、加载（俗称ETL），以及数据的各种维度的统计加工。

数据分析师：负责通过SPSS、SAS、R、MATLAB、SQL、Python

等工具与语言来实现数据化运营支持和数据分析，包括：

数据运营指标体系（各级运营指标，如用户生命周期指标集合、用户健康度指标集合等）的建立、实现、运营和维护，输出结果为可视化的业务指标结果，用于领导层或业务人员进行实时及非实时数据查看。比如，给管理层看的企业运营指标分析，或者给业务部门看的相关业务运营指标等。

基于数据并结合业务需要，进行各级数据统计、解读和深度分析，给出专项课题研究，问题分析（问题深度分析，查漏补缺），以及周期性的报告——月报、日报或某新业务现状分析。

数据挖掘工程师：负责利用深度学习、机器学习等知识，运用神经网络等算法进行潜在用户精准推荐、用户留存预测以及事件传播预测等。

大数据产品经理：负责基于用户体验和感知，针对不同对象来打包数据分析挖掘结果并设计出人性化的交互界面，再将其封装成具体产品，以方便用户使用大数据。

数据科学家：总领大数据总体方向、解决方案以及落地实施的监督推进；负责大数据整体流程（包括平台规划选择、数据源接入、数据存储框架、数据处理流程以及数据应用结果输出）的全面把控，以及数据整体的架构搭建和落地实施。