•客户关系管理维护

•用户流失分析预测

研发

•用户功能偏好洞察

•行业研发趋势洞察

供应链

•供应链运营优化

•产品复杂度降低

人力资源

•人才识别与招聘

•人才培养与保留

在确定可能的大数据应用之后，可通过价值创造与业务成熟度两个维度对大数据应用进行评估和优先级排序，以按顺序推动相关大数据应用的落地实施。对于价值创造维度，可以用创造价值的多少(如提升运营效率、提升投资回报等)作为评估标准;对于业务成熟度维度，可以将所需数据资产的可获得性以及所需资源投入和大数据能力支撑(如资金、人才和跨部门合作等)等标准用于评估。

图2：大数据应用优先级评估与排序框架

关键成功因素4：数据→分析→洞察→决策支撑的产品化、常态化。

为将大数据高效应用于企业的日常运营，需要不断将数据分析能力转化为内部应用产品，并将数据分析工作常态化。对于数据分析产品化，可通过大数据应用战略规划、大数据应用场景设计、分析大数据以获取洞察这一过程的牵引，不断推动大数据应用产品的设计、开发与应用，最终实现数据分析产品的可持续运营。而对于分析工作常态化，需要持续维护数据分析产品并监测实际使用效果，为业务与职能部门提供数据分析支持，并对其日常使用中的问题及时进行解答。

以某家电公司为例，其借助于收集存储了上亿用户数据的大数据平台，建立了需求预测和用户活跃度等数据模型。以此为基础，该公司为营销及销售人员开发了具有精准营销功能的应用软件，可辅助其面向区域、社区和用户个体开展精准营销;此外，还为研发人员开发了具有用户交互功能的应用软件，可帮助研发人员更全面地了解用户痛点、受欢迎的产品特征、用户兴趣分布与可参与交互的活跃用户。这些大数据产品在日常应用中取得了巨大的成效，在系统运营的近一年里，该公司开展了数百场基于数据挖掘和需求预测的精准营销活动，转化的销售额达60亿元。

关键成功因素5：通过组织、人才与IT，为大数据提供强力保障与支撑。

大数据战略的落地离不开组织、人才与IT能力的支持，而这些关键要素与能力的建设，需要既能贴近业务一线、又能与战略保持一致。

对于大数据组织运作方式，由于大数据核心分析能力、工具投资等在各业务部门之间协同效应突出，企业(尤其是大型企业)一般采用集中化运营中心模式。同时，与业务决策、应用相关的权利被授予前线部门，以确保数据分析与业务决策的无缝衔接。无论如何设计大数据组织运作模式，核心原则是根据公司自身情况与需要，确保大数据分析能力能够最有效地支持一线决策。

此外，大数据组织需要多种具备关键能力的人才队伍，来共同支持大数据组织架构的运营。其需要的人才团队包括大数据应用业务经理团队、大数据分析团队、数据资产管理团队、技术开发与维护团队以及风险管理团队等等。

除了组织与人才之外，大数据的落地还需要强大的IT系统架构作为支撑。企业需要建立强大的大数据分析平台系统，从不同数据源调取并分析数据，拉通数据基础分析，以统一服务各部门的大数据应用场景。同时，该数据平台还需具备对跨数据源数据进行统一清洗和存储，以确保数据可用性与一致性的能力。除此之外，企业可以建立或优化主数据管理系统，为大数据分析平台以及各业务大数据应用提供统一、便捷的数据联机交易服务，以支撑企业大数据运营。

关键成功因素6：通过大数据隐私和安全管理，消除法律及消费者认知风险。

大数据带来机遇与价值的同时，也带来了一定的商业风险，特别是涉及法律(例如某社交网络平台由于违反其隐私政策，遭到美国贸易委员会起诉)与消费者认知的风险(例如某互联网公司街景项目由于拍摄的很多照片涉及当地居民隐私，遭到后者大规模抗议)。为此，可按数据类型及从数据收集到分析使用各环节来识别不同类型、地域的法规与认知风险，并予以及时应对。

以隐私风险程度较高的数据收集环节为例：对于个人可识别数据(如身份号等)，由于法律规定最高级别保护，故若无明确用途不建议采集;对于敏感数据(如交易和信用信息等)，数据采集需明确告知用户并获得其同意;对于非敏感数据(如产品数据等)可按需采集。

此外，企业应建立统一的国际政策法规团队，通过基于全球标准的数据流程来管理数据隐私，并在此基础上根据各国不同法规进行合法的数据隐私本土化管理。同时，还可通过主动披露客户隐私政策以获取数据使用分析授权、向用户提供自身隐私信息控制与删除权限或将个人隐私数据整合为群体匿名数据进行分析以及获取第三方隐私风险管理认证等方式，来降低用户的担忧。

企业在建立大数据能力过程中，需要专业公司的帮助和支持。贝恩公司的完整大数据方法论可助力企业建立制胜的大数据战略和能力。

图3：贝恩可提供的大数据战略制定、能力建设及决策支持与分析外包服务

大数据的快速发展对于企业既是挑战，更是机会。企业必须及时抓住大数据带来的战略机遇，制定明确的大数据战略、建立强大的大数据决策支持体系与各方面能力，以充分挖掘大数据时代蕴含的巨大商业价值。

大数据的六种典型应用

1、个性化营销

《一对一的未来》一书的作者罗杰斯和派柏斯在该书中曾这样表示，“我们正经历从工业时代到信息时代史诗般宏伟的转型。我们也随之目睹了大众营业员销的衰亡，一对一营销的兴起。”事实上，在这场营销革.命的背后，大数据的应用恰恰是始作俑者。这也是大数据在当前商业方面最典型的一项应用。可以说，由数据驱动的个性化营销正成为任何企业不容回避的重要趋势。

伴随信息过载与消费者异质化，一方面是海量数据和海量信息导致用户信息饥饿感，用户对非关联信息的容忍度与日俱减。同时，用户兴趣数据与日俱增，但用户甄别信息能力占比与日俱减，消费者呈现长尾化趋势，这一切，导致了个性化成为大数据的应用方向。

由此个性化的技术被关注和应用，并进而推动企业在生产领域由单纯追求成本最优的规模化生产向客户化定制方向转变。同时，个性化推荐、移动跨屏推荐成为典型应用。而这些应用的背后，是计算机学、统计学、营销学的集成。

2、对客户价值的识别和挖掘

按照科特勒在1995年对客户终身价值的定义，客户终身价值是“从一个客户身上所得到的其生命周期中全部销售额减少公司用来获取该客户和销售与服务于该客户所花费的总成本的净值。”就是公司将从该客户身上所得到的未来所有现金流的净现值。

这意味着，以数据为支撑的客户终身价值的评价和分析将有助于公司建立市场细分的策略，确认哪一类客户才是值得花费成本来建立客户关系的，并最终找到自己真正的目标客户群。同时，它将帮助企业更好地推进客户关系管理，比如通过数据的挖掘和分析，可以知道究竟百分之多少的销售额分别来自于现有客户和新客户。当然，它还会影响到企业的定价行为，比如降价可以迅速提升老客户保留比率和新客户获取比率，但同时也会降低利润率。涨价将提高利润率，但同时也会降低老客户保留比率和新客户获取比率，这意味着企业需要用数据支持决策，最终获得一个最优化的平衡。

3、客户流失预警

在用户即资产的时代，客户流失预警对企业的战略制定有着重要意义，流失的是否是目标客户，这些客户流失是否代表进攻者的强势进攻，还是自然选择的一个过程，哪一类型的客户，或者满足哪些条件的用户更容易流失，而满足哪些条件的用户则不易流失等等，通过不同的算法，可以发现最终客户流失的特殊及其原因，最终帮助企业决定是否需要挽留这些用户。

4、数据驱动的精准广告

值得注意的是，在大数据时代，营销理论正在经历重要演变，在历史上，包括产品、价格、渠道、促销在内的4P理论，由于科特勒的创新变为了6P，加上了权力和公共关系。1990年，美国营销专家罗伯特·劳特朋教授提出了4G理论，以消费者需求为导向，重新设定了市场营销组合的四个基本要素，即消费者、成本、便利和沟通。但是大数据出现，尤其是由因果关系向相关关系的转变，4R理论正变得越来越适时，即关联、反应、关系和回报。

营销理论的变迁背后，恰恰是数据驱动的精准广告时代的来临，它要求广告主在投放广告前要识别目标消费者，在投放中要实现精准定位，投放后要用一系列的数据工具进行广告效果监控。

5、企业商业决策

如前所述，企业的诸多重要的商业决策已经变得与数据密不可分，在很多企业里，用数据说话，拿数据指路已经成为企业运营过程的必备准则。同样以苏宁为例子，其数据部门需要为业务部门提供多重服务。首先就是报表服务，即通过Adhoc的技术，为运营部门提供实时的、丰富的、准确的数据支持，帮助所有的运营部门拿数据说话的问题。比如说你今天做一个活动，你需要直接把流量的数据拿出来。其次，就是引擎服务，引擎的意思就是说，它能够应用大数据的技术去驱动前台的业务，它与报表报务的差别在于它已经直接嵌入到企业的生产经营活动中，出来的数据会直接影响到企业的整个业务。

6、库存管理和物流配送

对于很多电商公司，或者是O2O公司来说，库存管理和物流配送正成为企业重要的竞争力，它不仅直接关系到企业的成本、利润，同时还直接关系到用户体验。由此，通过数据的分析和挖掘，可以精准测算出不同品类不同规格段商品的库存水平，同时获取物流配送的时间效率、最佳用户体验与物流整体配送效益的平衡。