传统行业 如何快速搭建大数据团队
在越来越多商城沦为“试衣间”、电器卖场沦为“产品体验店”、建材市场沦为“材料展示中心”的今天,越来越多的传统行业已经意识到他们需要变革,需要用大数据的手段来帮助他们突破重围。
大数据的起源要归功于互联网、电商、电信运营商、金融等行业,由于这些行业自身的特点,在生产运营过程中能够天然获取海量的数据,他们是大数据行业的先行者。
但可以断言,大数据更大的需求、有广泛的应用前景仍然在传统行业,大数据将会是传统行业适应互联网时代的最佳结合点。
著名服装品牌ZARA就是传统行业利用大数据为企业重新注入活力的例子。ZARA通过整合线下客户对衣服的体验信息与线上网民喜欢的产品或趋势信息,及时改进产品样式,在互联网时代实现了线下零售店销售成绩的完美逆袭。
那么,传统行业要做大数据团队,要做好2个准备。
1、具备大数据思维
能拿到什么数据?
这些数据有什么用?
怎样用这些数据?
许多餐厅都非常关注如何在空闲时刻的人气聚集问题,比如用优惠的下午茶吸引人气。为达到这个目的,我们可以获取客户的点餐内容、用餐时间、用餐人数,并由服务员顺便收集客户特征的情况(年龄范围,是否家庭聚餐,是否商务宴请等,客户的意见反馈等)。
这样,我们就可以通过大数据知道哪些菜式受欢迎?哪些菜式需要改进?喜欢某个菜式的人到底是什么人?
发现的有些结论会比较明显,是有经验的餐厅管理者能够通过某些传统方式得到的。但是,有一些发现必定是有经验的管理者都难以察觉的。而且,大数据的方式也能够让餐厅管理者的反应更加精准有效、更加迅速。
2、大数据团队,你准备好了吗?
提到大数据人才,往往大家想到的是具备大数据专业知识的专家,显然这个角色在传统行业以往的运作过程中是缺失的。所以,既然要构建大数据团队,必须要有大数据专业背景的人才。
某全球500强的通信运营商重金请国际知名咨询公司做大数据规划,然后压给IT部门按此方案执行,IT部门欲哭无泪,因为如果按这些专家做出的规划来做,公司全部系统、所有流程制度都要推倒重来,所以这个方案完全没法落地。
大数据不能脱离行业和企业本身去谈技术,那是空中楼阁;脱离大数据思维的分析,将导致数据的死应用。
所以,传统企业组件大数据团队,不仅需要大数据的技术人才,还需要有深厚的行业背景并具备大数据思维的勇于变革者。
传统企业在建设大数据团队时,容易陷入3个误区。
误区1:挖个大数据牛人,就能搞定
很多企业认为建设大数据团队,只要把牛逼的人才挖过来,就能够把公司的大数据做好。最终的结果往往是一流的人才来到企业后水土不服,并不能发挥出期望中的作用。
其实不难理解,同样是利用大数据进行客户画像、挖掘客户需求。对于电商而言,在电商平台建设之时,很多数据就已经相对规整的存储系统里了,只需要通过网站流量统计工具,分析用户流量来源和特点;然而,对于传统行业而言,先得搞清楚的是企业内部的运作流程和每个大大小小系统上能够提供什么数据,可能根本没有现成的数据给你。
虽然分析目标一样,但是数据获取方式、业务流程、分析重点、应用场景都截然不同,在电商方面牛逼的大数据人才,可能在某些行业知识上是缺失的,难以适应传统行业。因此,大数据人才的引进需要充分考虑人才和企业的适配性。
误区2:直接交给专业公司,坐等收获
传统企业认为,既然我缺乏大数据团队,那我直接请专业大数据公司、咨询公司搞定就好了,又专业,见效又快。
如果企业如此选择,自己的大数据团队就很难建起来了。专业团队干活时,企业人员参与不够;等专业团队撤离之后,自有团队接不上,原有的大数据成果也会在闲置中最终变得无用,企业在付出巨额酬劳后还是做不好大数据。
误区3:A公司做到很好,直接把经验搬过来
在ZARA建立大数据团队,收集并分析线下客户意见,从而改进产品款式大获成功后,H&M一直想跟上Zara的脚步,希望利用大数据改善产品流程,成效却不明显,两者差距愈拉愈大,这是为什么?
Zara用大数据最重要目的是缩短生产时间,让生产端依照顾客意见,能于第一时间迅速修正。但是,H&M内部的管理流程,根本无法支撑大数据提供的庞大资讯。H&M的供应链中,从打版到出货,需要三个月左右,完全不能与Zara两周相比。
很多企业没有大数据团队建设经验,看到别人的成功经验,就想直接照搬,却没有考虑到不同行业有不同特征,就算同一行业中的不同企业,其组织架构、管理方式、生产方式也有很大的区别,这很可能导致大数据团队建设走上失败。
我们认为,传统企业在搭建大数据团队时,要做到以下几点:
1、老大不参与?那可不行
中国有句老话叫做“屁股决定脑袋”,具体办事人员往往难以在全局和宏观的高度把握大数据对于一个企业的应用规划和价值。
企业推行大数据的最终目的,是要让它成为公司决策的“大脑”、市场销售的“指挥棒”,说到底,大数据要能够支撑方方面面的工作,是整个企业级别的大事。
所以,大数据战略的推进,需要企业领导者充分参与,才能保证不跑偏。否则,大数据项目只会沿袭旧有的运营模式或流于形式。
2、先内部“组队”,专家只能做“外援”
企业做大数据要先组队:除了“外援”,自己企业里搞IT建设的、做市场的、做销售的、做服务的、搞管理的都得配上。简单来说,就是这个队伍里,必须有“做数据”的人、“分析数据”的人和“用数据”的人。
“外援”总归是要离开的,只有通过大数据的前期实施,实现自己大数据团队的快速成长,最终才能达到自有团队独立、持续应用大数据的目标。
3、先尝尝大数据的“味道”,再谈怎么做
很多企业做大数据,一开始就大张旗鼓做建设。要知道大数据平台一旦建起来,若是不好用或是有问题,再来改,搞不好就是全盘颠覆。
所以,建议在建大数据平台之前,先花一点时间做大数据的尝试。比如,对于要开展的一个促销活动,给出大数据的支撑。即便是最简单的大数据尝试,也能让我们发现搭建大数据体系时可能存在的问题。
4、做大数据就得“私人定制”
数据拿不到?流程走不通?系统和系统之间无法交互?这些看似不大的问题,却是大数据在未来是否能够发挥效力的底层基础。把好企业的脉,发现潜在的问题,才能够最大程度的发挥大数据的效力。
结束语
互联网诞生时,有人说“在网上,没人知道你是一条狗”。大数据时代,我们不但知道你是一条狗,而且知道你是一只小资、很宅的金毛,知道你爱吃RoyalCanin的狗粮,还知道你喜欢红色。
任何时代的变革,一旦开始就不可逆。传统企业要做的,是顺应变革,快速组建自己的大数据团队,借以发现属于自己的机会。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 5 Pandas数学计算 importpandasaspdd=np.array([[81,&n ...
2024-11-23数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21