作者：徐进

   大数据经过几年的发展，已经正式进入到了价值变现的阶段。大数据时代，企业生存发展面对的两个关键是流量入口和场景应用，而流量入口的最终目的一定是数据。

　　人们常说这是一个“数据为王”的时代，但服装智能制造精英俱乐部认为称王的不是数据本身，而是数据的价值转换率。Hartman Executive Advisors总裁Dave Hartman,表示：目前很多企业的数据量已经足够了，但是数据的利用率实在太低了，大部分的数据还处于原始转态。
　　数据孤岛是导致企业决策失误、错失机会的罪魁祸首，企业要想更好的服务客户、提升竞争力，必须对数据进行全面的分析。但是想要综合多种数据源刻画完整的客户行为画像并不是一件容易的事，它要求企业内部拥有一套统一的系统，同时还要必须考虑外部数据源，比如社会媒体、天气数据等等。
　　Constellation Research 副总裁兼首席分析师Doug Henschen表示，企业没有完全利用的数据，通常分为两类数据废气和黑暗数据。数据废气是指被丢弃的数据，黑暗数据是指用完就被归档闲置、未能充分利用的数据。根据以往的经验，一般企业只会保存最近一两年的数据，因为保存的成本太高了，但是有很多商品是属于耐用型商品，比如床品家具的使用寿命基本为5年，所以如果商家只存一两年的数据是无法对其进行深度分析，从而做出有针对性的营销活动的。黑暗数据主要包括难以计算的半结构化和非结构化数据，它需要人工去挖掘其价值，但是随着现代检索、自然语言处理、语义分析、情感分析，机器学习这些技术的发展，黑暗数据的可计算性正一步一步变得可能。另外，CRM的文本数据可以分析整个客户群，而不是把目光聚焦在在一个客户身上，社交媒体对品牌和产品的评论也值得企业关注。

　　缩小企业差距的方法只有一个那就是提高企业KPI。如果你的目标是提高客户满意度，那么了解客户不满的原因是很重要的，因为只有这样才能对症下药。Synchrony Financial副总裁Sanjay Sidwani表示：顾客满意度低的原因一般是产品功能不完善、用户体验差或者是因为价格。如果想要获得准确的原因，那么就需要收集大量的数据，并把数据分类，然后进行深度分析。
　　下面就来介绍12种企业数据分析必备的数据类型，大家一起来看看，你的企业遗漏了哪些数据呢?

客户数据

　　企业客户数据收集的难点是在获取渠道上，目前大多数的客户数据都存在应用程序上和第三方平台上。旅游业大数据公司Boxever对500个消费者进行了调查，调查发现千禧一代的消费者中有70%的人愿意在Email上向旅游品牌提供个人信息，19%的人是在移动端提供个人信息，32%的人愿意在社交媒体上提供个人信息。
　　报告显示：千禧一代和其他年代的人相比更乐于提供个人信息，他们获取信息的渠道也很多元化。虽然这个报告只是针对于旅游行业，但是窥一斑而知全豹，其它行业其实也是类似的。
　　企业发展难以满足用户的期待，是因为它们的企业文化和技术都不过关，多元化的客户数据让众多企业都不堪重负。

CRM数据

　　CRM数据包含着企业各个部门的数据，例如销售，市场营销，产品开发，财务，客户服务等等。但是，数据跨部门使用也会带来数据所有权混乱的问题。
　　服装智能制造精英俱乐部认为：CRM作为一个营销自动化工具，它所产生的作用应该超越传统营销方式，它应该全面集成企业的所有信息，为公司的各个业务开放相应的端口，帮助销售人员更加高效的工作。信息集成应该包括库存、财务、订单等等诸多信息。

Email数据

　　企业存档的电子邮件主要是用于监管，大致有电子档案、内部人员调查资料和内部传阅的产品资料。过去因为存储成本较高，很多企业的电子邮件过了时效期就会被删除销毁。但是随着数字化和保存成本的下降，邮件归档已经变得更加经济实惠、易于操作，电子邮件长期存档应该不再成为企业的痛点。
　　专注于云归档和搜索服务的Sonian公司的CTO Greg Arnette表示：数据超载的现象比较普遍，也有越来越多的企业看中了这一市场，企业的IT部门也开始意识到必须通过原数据的处理来改造当前数据。Email数据的作用比较隐晦，例如通过分析通信模式发现一些不为人知的部门，通过通信记录查找违规行为，调查工作满意度，甚至还可以了解员工对企业公告和重要事件的所持态度。

商务文件

　　公司的商务文件都有哪些?一般来说，企业的商务文件一般都有即时消息、Office文档以及一些非结构化的文本。但是，一般公司的业务流程是围绕传统业务系统的，无法应用非结构化数据，因此也就无法实现其价值。除此之外，企业数据治理也多是集中于结构化数据，所以非结构化数据的筛选和分类也存在着很大的问题。
　　Fujitsu America首席创新官Robert Ryan表示：分析师和分析机构多是从结构化数据中挖掘数据价值，他们都忽略了非结构化数据的价值，其实，业务决策和大多数业务流程在很大程度上都依赖于非结构化数据。利用非结构化数据的公司可以做其他公司做不了的事情，例如真正分析现实世界的业务流程模式，明确企业系统中存在的差距，量化的端到端的销售成本。通过挖掘真实订单的非结构化存储文本数据，公司可以识别出异常的维修周期和有缺陷的零件，及时作出维修方案，提高维修效率。
Cross-Device 数据

　　我们经常听到全渠道体验，那么什么样的体验才能称得上是全渠道体验?全渠道体验是指超越渠道限制，为用户提供跨设备的体验。全渠道体验简单来说，很像我们现在今天观看电视节目的体验。假设，我们周末在电视机上观看了一部电视连续剧，但是周一上班我们无法继续在电视上观看，那么怎么办呢?很简单，我们只需要将电视剧下载到平板或者手机等移动端上，就可以随时观看了。目前，众多企业都提供了全渠道的体验，航班预定、产品购买都可以享受这种体验。
　　Boxever的 Dominik Dahlem 认为：虽然现在移动端的需求不断上升，但是只有移动端的体验是无法满足客户需求的，事实上，移动端还在探索阶段，很多客户还是习惯通过传统渠道来预定产品，所以，要想更有效的利用数据，全渠道与客户互动，必须分析整体数据。

位置数据

　　市面上有很多软件都是利用位置数据，比如外卖软件就是获取到用户的位置信息，然后向用户推荐附近的餐厅。位置数据能够增加用户相关性，提高在线、离线营销工作的效率。
　　Boxever的Dominik Dahlem 认为：位置数据给企业提供了一种了解客户的方式，企业可以根据位置数据为客户定制个性化服务，提供一些更有针对性的推荐，提高销售成交率。
　　很多实体店也开始采用数据分析的方式去发掘潜在客户，通过相关性和用户行为分析进行客户画像，从而更有针对性的向客户提供服务。
在线评论

　　评论和点击量是电子商务公司的生命线。虽然评论数据全世界的公司都可以获取的到，但是真正能够利用评论数据产生价值的公司并不多。一般的公司都只是通过消费者生成内容来做一些购买动机的分析，但是很少有公司仔细分析这些数据去做一些营销活动。
　　用户点评及社交商务平台供应商Bazaarvoice副总裁David Moon表示：有92%的消费者会关注商品评论，并且会选择好评率高的产品进行购买。如果一个公司不能充分利用CGC，那么这将成为它极大的失误。可以这么说，CGC是网络唯一的资产。

性别数据

　　Nethone数据反欺诈副总裁Aleksander Kijet表示：女性授权成功率要比男性高出8%。但是，性别只是一种支持性的因素，并不是决定性因素。通过先进的机器学习、广泛的数据挖掘以及数据驱动技术的使用，防欺诈是完全有可能实现的。虽然，性别并不是特别相关的变量，但是在一定的场景下，性别数据和其它变量以及一些分析工具的搭配使用，也能够体现出显著的价值。
In-Store 数据

　　很多大牌企业的零售商已经采用各种各样的方法来量化和跟踪实体店客户行为，有些零售店还采用了一些新科技，例如 smart mirrors，但是这样的卖场毕竟还是少数。
　　Waterstone Management Group的John Parkinson表示：并不是所有的数据都会被捕获到，只有在寄存器中的数据才会被捕获到。我们只利用捕获到的数据是无法获知事件发生的全过程，如果贸然决策就很容易导致虚假预测，造成企业损失。

人口数据

　　人口普查是一项费时费力的工作，所以大多数情况下，我们都会采取人口采样的方法。随着Hadoop这类技术的发展，人口数据整体分析不再是一件特别艰难的事情，但是，有些专家认为，就算难度降低，整体人口数据的分析也是没有必要的。
　　Adobe Analytics产品营销负责人Nate Smith表示：企业基于采样数据的重大决策存在着很大的隐患，随着新技术的发展，我们没有理由不去采用全部的人口数据。

用户习惯

　　医疗服务实现了从纸质流程向数字化的转型，转型过程催生了电子健康记录(EHR)的产生。之前，医生只能通过和患者交流的方式来获取患者的病情、之前的就诊记录、病史以及过敏源等等的情况，但是，无法获得患者的日常生活情况，比如是否患者抽烟喝酒，饮食习惯、运动情况，甚至是一些更隐私的情况。但是这些日常生活的信息都会多多少少的影响到诊断和治疗的准确性。
　　个人健康管理云平台Welltok CTO Brian Garcia表示：生活方式和习惯在一个人的健康状况中发挥着巨大的作用。收入、地理位置、购买习惯相对于单纯的临床数据，能够更好的反应一个人的健康状况。相比于传统的医疗保健系统，对这些数据的分析可以为用户提供更贴近生活的健康建议。EHR并不是基于所有数据设计的，有很多系统是基于合规管理和计费而设计的。

生产数据

　　MacLean Fogg工程师Scott Masker表示：自从有了工作损耗审查数据库，制造业也变得轻松了，它可以提前预测设备的损耗情况，对设备进行预防性维护，既降低了成本也提高了效率。
　　很多制造商都在使用预测分析来确定定期维护的时间，例如通过产品数量来预测设备的健康情况，通过这种方式能够有效避免停机情况的出现。