数据战略 | 使用数据改善企业运营

数据真正的价值来自能收集优质的数据、自动分析数据并根据数据执行操作的机器。机器之间的通信是这个过程中的一个关键要素，它使得系统能在基本无须人为干预的情况下，通过协同运行对流程进行自动化改造和不断完善。

数据可以通过多种方式改善企业运营。这些方式总体上可以分为两大类：一是优化日常运营流程；二是通过新服务或增强型服务或者更优质的产品改善顾客供应。

基于数据的运营同样需要组织的业务目标联系在一起。因此，必须以系统方式考察运营过程的每个层面，以确定如何通过流程优化和效率最大化来帮助实现这些目标，并据此分析这些机会的轻重缓急。对大多数企业来说，运营过程的优先领域应包括制造（如监控设备，以识别磨损并减少停机时间）、仓储和配送（如自动库存控制）、业务流程（如监督欺诈行为）以及销售和营销（如预测客户流失）。

理解制造环节的绩效是以数据强化制造流程最常见的方法之一。通过在制造设备中嵌入传感器，我们就可以收集到有价值的机器数据，帮助我们监督和衡量这些机器运行状况及效率。嵌入机器内部的传感器，则直接与某个零部件或流程实现连接，实时测量温度、压力、运动、震动、近似度以及亮度等各种变量。随后， 再将这些数据反馈给监测机器性能的计算机，在零部件需要更换、机器运行处于次优状态或是需要维修时，计算机发出警报。对机器数的实时监控可以节省大量成本并提高产量使得维护团队能在机器瘫痪之前采取对策。

改进仓储和配送流程是数据最明显的用途之一。从库存控制到供应链管理再到配送路线（及更多环节），仓储和配送的每个环节几乎都可以通过数据实现优化，即使是高度传统的行业也可以把数据整合到运营中。超市也在使用相机和传感器自动监控新鲜农产品的质量，及时发现存货问题；使用图像数据，计算机可以学会识别开始变质的蔬菜、传感器可以收集腐烂水果释放的气体。零售商也已经开始使用数据预测产品需求，建立详细的顾客档案，管理库存水平，优化配送，并借助针对性的产品推荐增加销售额。

数据尤其适用于监测欺诈行为。例如，从欺诈性信用卡交易、员工欺诈到保险索赔等诸多方面。欺诈监测分析使用数据来鉴定欺诈活动模式，或是某些预示欺诈行为的信号，帮助企业预测并减少或阻止欺诈行为。最为关键是的，数据分析不仅有助于识别欺诈活动，还可以帮助我们防止未来出现的欺诈行为。一旦发现欺诈活动，就需要通过数据挖掘找出其中的规律。随后，可以使用这些信息设计预测模型，以便找出更有可能出现的欺诈行为。

风险评估是数据发挥特殊价值的另一个重要领域。以预测为目的的统计建模就是指通过尽可能地测量和理解过去发生的事件，以研究未来可能发生的事件。在此基础上，建立统计预测模型，根据从历史数据中得到的变量之间的关系，推断未来可能发生的事件。预测模型最重要的用途之一，就是为制定保单的保费提供依据。精确评估风险并发现欺诈行为的能力，有助于降低整个保险行业的成本并提高运营效率。

数据和分析还有助于对某些销售和营销流程进行自动化和优化处理，如为客户提供个性化的推荐和动态定价。大数据目前已被运用到零售过程中的每一个阶段：通过趋势预测确定最受欢迎的产品是什么，预测这些产品的需求在什么地方，通过优化定价以获得竞争优势，识别有可能对其产品感兴趣的客户，并采取最优策略接近他们，让他们掏出口袋里的钱，并最终识别可向他们出售的其他产品。

除了改善企业运营之外，数据还可以提供更好的服务或产品，从而改善顾客供应。

随着事物之间互联性的增加，智能家庭、智慧城市乃至智能国家都将逐渐成为常态。与此同时，随着互联网设备的数量迅速超过地球上的人类数量，机器之间的相互沟通、信息交换及实时分析能力将给我们带来名副其实的价值。而随着机器学习能力的提高，机器可以更好地从数据中学习并在无须任何人人为输入的情况下根据数据修正其操作，在不远的将来，我们有可能会看到某些非常有趣的发展动向。

摘自伯纳德﹒马尔著[鲍栋译]：《数据战略：如何从大数据、数据分析和万物互联中获利》.机器工业出版社，2021年7月第1版。

聚合数据资源  淬炼数据技术

挖掘数据价值  育化数据思维