[分享] 如何成為一家真正發揮大數據作用的「數據驅動型公司」？
概述：作者是業界資深的數據分析師，人工智慧投資人，他在文章里給我們介紹了什麼是大數據的來源，目前在數據領域的初創公司與現有巨頭的競爭現狀，各自在數據領域所採取的不同做法，數據分析工作的外包，為什麼有關大數據分析軟體的項目總是會失敗？
在本章節中，我想試著描述、分享一下大數據在公司商業運營情境當中所扮演的角色。
大數據的能力是從何處而來？
首先，我想先花一點時間來談談有關數據的價值，數據所發揮的作用，它是從何處而來的。
我認為「企業專家中心「（Centre Of Excellence) 這個部門非常之重要，它作為最前沿的公司職能部門，負責將數據的角色引入到公司，並將其功能放大化。它的主要職能就是對跨部門的工作進行協調，具體包括了下面這幾項內容：
1. 對企業的技術架構進行維護和升級
2. 決定應該收集什麼樣的數據，從哪個部門來收集這些數據
3. 推動人才招募計劃
4. 制定「關於從數據中獲取真相」的流程環節以及戰略，並制定有關隱私、合法合規性、以及行業道德規範標準的政策制度。
但是，除此之外還存在其他的管理架構和形式。也許對你現有的商業模式來說，還存在匹配程度更高的管理架構和形式，數據分析、組織結構模式。
其實，在商業模式和數據分析基礎的結合上，存在著好多種組合方式。商業單元（BU）各自獨立，各自為戰是一種法子，相互獨立的 BU 為了某些具體的項目相互協作也是一種法子，企業內部治理（公司治理的金字塔頂端）是一種途徑，外部中心（企業專家中心）也是一種途徑。
數據初創公司與數據壟斷型公司的對決
到底是數據初創公司勝出？還是數據壟斷型公司勝出？這個答案不可能清楚地給出，裡面有太多需要考慮到的變數，尤其跟公司本身所處的行業，還有所持有的競爭優勢有關。最重要的一點是，商業策略的制定，跟公司處於哪個成長階段有著莫大的關係。
儘管從歷史經驗上我們可以看出：很多小公司在結構上比大公司要有著明顯的優勢（就比如說一些初創公司在管理數據上面比大型藥品公司要做的出色的多），但是這並不能說：公司越是初期，在數據處理和應用上的成熟度更高。
更準確的說法是：因為小公司本身的靈活性，它們在這方面行動會非常迅速，而且因為本身基數小，所以很容易在增長比例上大幅超越大公司。
在這裡，我想要強調的重點是：初創公司和大公司，在面對數據問題，儘管目標一樣，但是採取的路徑和方式方法是截然不同的。這裡將這兩種方法分別稱之為：回溯型方式和前瞻型方式。
前瞻型方式：一般適用於小型初創公司，更準確的說，是那些剛剛進入行業不久，短期內還無法產出大量的數據，但是很快就會實現。正因為這一點，決定了它們從一開始就要制定一個高效實用數據的戰略。
回溯型方式：更適合於已經在行業里紮根多年的大公司，它手上握有海量數據，但是它們不知道怎麼使用，比如如何將數據向某個中心樞紐集中。
前瞻型方式
採取這種方式的初創公司不拘泥於過去既定的任何組織架構，而且從一開始，為了某種長期的願景，它就制定出非常嚴格的數據政策，以避免未來在數據領域出現任何的突髮狀況。而且，它一開始就投入大量的資源和時間，如果做對了的話，那麼它會繞開接下來運營發展中的種種不便。
一開始就制定好一個完善的數據政策，能夠很好地滿足初創公司在接下來發展中，處於各個不同發展階段時的需要。更重要的是，年輕的公司所受的約束較少，這種約束不僅體現在內部，比如官僚層級還沒有形成；更體現在外部，比如政策法規上面扶持鼓勵遠遠多過約束限制。而且它們往往對風險的接受度較高，使得它們願意去測試和應用很多前沿科技，它們更願意關注高質量的數據，而不是追求數據量的積累以便獲得研發的基礎。
回溯型方式（已有的大公司）
大公司往往會遇到下面的兩個問題：
1. 它擁有的數據量確實非常大，但是它們不知道該如何是好。
2. 它們手裡有數據，而且頭腦中已經存在著明確的目的，但是因為數據質量達不到標準，數據整合方式上面並不完善，以及配套技能上不過關，連啟動這個項目都做不到。
先說第一種情況。這樣的公司往往是剛試著轉型到數據驅動領域，它是有數據，但是不知道如何從中提取出有價值的東西出來。鑒於很多大公司的工作崗位要求都很明確，工作任務都被塞的很滿，要求也比較高，所以某些時候它是無法做到公司內部進行創新的，也就是說，它們太忙了，根本抽不出時間。有些行業，比如銀行業、金融科技行業，這個問題體現的尤其明顯。
關於這個問題，我認為一開始就要聘請一名專門在商業智慧想法、戰略上做創新的人進來。這個人富有經驗，能夠成為「數據驅動」理念的傳道者，哪怕他不具備非常強大的計算機技術背景，他也能夠為整個公司帶來非常寶貴的建議和想法。
有了這樣一個角色的存在之後，再去考慮找一名合格的數據分析師。
再來看第二種情況。他們手上有數據，也有明確的目的，但是不知道如何利用它們。我認為這存在著兩種解決方案：
1. 公司從「一張白紙」出發，建立某種全新的數據平台，團隊，以及以數據為核心的文化；
2. 公司直接將數據分析工作以及與數據有關的問題外包出去。
第一種方式如果一切進展如預期一樣，肯定會帶來更加穩健強勁的發展，但是成本也比較高。所以這個時候決策者是需要權衡成本收益誰大誰小的。
第二種方式是數據分析工作的外包。大公司一般傾向於選擇某些大學作為數據分析工作的外包方。理由很簡單：大學一般來說都比較缺錢，也需要數據來進行一些研究，從而方便最終形成論文報告。一般它們的報價也比專註於做數據分析的初創公司要低很多，更何況大學機構中不缺人才，不缺時間，不缺意願，有足夠多的理想條件來收拾整理一堆亂七八糟的數據。
相比之下，初創公司以盈利為目標，選擇它就意味著較高的成本，但是它也是有優勢的。往往這樣的公司里聚集著世界最頂尖的數據分析人才，而它本身就掌握著很多非常有價值的應用研究案例和資料庫，這些東西都是大學機構所比擬不了的。
但無論你是選擇大學機構還是初創公司，都存在著一個繞不開的問題：數據的隱私安全性。你需要問下面的這些問題：公司外包出去的數據都是什麼？第三方機構是如何保證這些數據的安全性的？它們是怎麼存儲數據，決策機制又是怎樣的？
除了這兩種辦法之外，其實還有一些「旁門左道」，能夠讓你近乎於免費的得到數據分析結構。這就是科技圈裡日趨流行起來的黑客馬拉松和某些行業內聚會。你在這其中可以看到很多人有數據分析的才能，也能通過公開自己的數據，免費地拿到數據分析結果。
為什麼大數據項目很容易失敗？
原因來自各個方面：
1、缺少商業目標和規劃；
2、無法正確的找出需要解決的問題，缺少解決方案規模化的路徑；
3、缺少 C 級管理人員或者高管的認可及支援；
4、過度投入大量時間和金錢，尤其是隊伍中人才組成不合理，這一點尤其常見；
5、不合理的預期；
6、公司內部的屏障：比如存在很多數據走不出來的 「深坑」，團隊內部糟糕的溝通機制，基礎設施問題等等；
7、將這項工作看作是一時的項目，而不是持續性的學習過程；
8、數據管理、保護、隱私方面做的不到位。
