电影***
新浪微博
微信
当前位置:电影***网 » 管理

大数据运营丨企业大数据自主实施思路四: 明确组织规划

         


      企业大数据建立和项目实施时的组织结构设计,是通过对人力资源的整合和优化,确立企业大数据自主实施和后续运营阶段最合理的管控模式,实现组织资源价值最大化和组织绩效最大化。狭义地、通俗地说,就是在人员有限的情况下通过组织结构设计提高组织的执行力和战斗力。组织结构设计的主要工作为:在大数据实施团队中,对构成组织的各要素进行排列、组合,明确管理层次,分清各部门、各岗位之间的职责和相互协作关系,并使其在大数据的实施战略目标过程中,获得最佳的工作业绩。从最新的观念来看,组织结构设计实质上是一个组织变革的过程,它是把大数据项目实施的任务、流程、权力和责任重新进行有效组合和协调的一种活动。根据时代和市场的变化,基于大数据的组织结构设计或组织结构变革的结果会大幅度地提高企业的运行效率和经济效益。


1 .组织结构设计的作用


      建立良好的组织规划,能动态地反映内、外部环境的变化要求,并能明确并协调组织中部门与部门之间的关系,人员与任务间的关系,使员工明确自己在组织中应有的权力和承担的责任,有效地保证组织活动的开展。它具有4方面的意义。


(1)促进内部优化


❑公司各部门数据标准优化。
❑数据OLAP应用优化。
❑数据挖掘应用流程优化。
❑数据产品优化。


(2)加强产业链上下游整合


❑会员需求与包销定制深度整合。
❑供应链预测与预警机制整合。
❑宏观战略与机会捕捉机制整合。
❑基于企业内部的云平台服务模式,包括数据分析类系统和数据应用类系统。


(3)满足市场化导向和客户需要


❑实时获取和应用来自于顾客的数据信息。
❑通过数据体系发展满足于顾客需要的战略。
❑实施大数据战略对顾客的需求做出更好的预测。
❑针对外部合作伙伴的数据服务。


(4)奠定企业高效运营基础


❑以数据为驱动,运营调节具有较强的针对性和快速灵活性,可根据需要快速调整生产和人员安排、改变生产计划。
❑有利于内部形成小型的高质量的专业化的团体(组),以及最优化的团体组合。
❑交易过程具有高度的透明性和开放性。
❑需求具有单向性(不可选择性)和相互依赖性。
❑客户进入线下店面的应用,基于用户入店后可识别标识有针对性地推送活动、商品和劵等。
❑客户进入线上平台的应用,基于用户上线Web/Wap/App后识别唯一标识进行信息推送。


2. 组织结构设立的导向


      要确定大数据的组织职能,首先需要了解大数据都要做什么,都会做什么,以此为基础进行相应职能的设置和安排。从大数据的实施和应用上来看,大数据的工作架构可以分为四个层次,即源数据存储、数据整合、数据清洗和数据使用(如图3所示)。


 
图3 大数据运转流程


      源数据指企业所拥有的数据,可以是企业内部数据和外部数据,其中内部数据包括本地数据(例如FTP文件、本地的XLS、CSV、TXT、DAT、SAV、SAS、音频、图片和视频等格式数据)和各个应用系统数据(例如ERP系统、财务系统、物流系统、CRM系统、网站页面和App等)。外部数据包含网络数据、合作伙伴数据和其他数据。巧妇难为无米之炊,企业拥有了数据源,才能正常开展大数据的实施和应用。


      数据整合指将多数据源、多数据库、多数据表进行统一的规整,对应的数据源、库或表可以是结构化数据或非结构化数据,也可以称为关系型数据或非关系型数据。通过数据的整合,将原本分散在企业各个系统各个角落的数据,按照一定的格式或规则将其进行统一规范,并可随时进行查询、分析和调用。从整合的原理上看,整合包括数据合并、数据追加、数据汇总和数据排序等步骤。


      数据清洗指按照一定的规则和使用系统的办法,将数据进行抽样、填补、删除、转换、筛选和计算的过程,令处理后的数据具备表达真实业务情况,并可以应用于日常分析、经营决策及战略方向的指导作用,同时形成既定标准的数据模型。清洗最重要的原则是清理规则和目标的制定,即在实际业务情景的指导下,为实现既定业务目的而开展的数据清理。因为只有在业务情景下的数据清理,最终才能与大数据的结果目标相吻合,才能使大数据被实际业务所应用,否则只是空中楼阁,中看不中用。


      数据使用是大数据最顶层也是最终一层的目标,是将大数据的结果应用到企业生产或服务之中。从表现形式上看,包含数据的可视化和数据的非可视化;从数据的应用形式上看,包含数据分析、数据模型、数据展示和数据智能;从数据的场景用途上看,包含智慧交通、智慧社区、智慧物流、智慧医疗、智慧企业、智慧银行、智慧政府、智慧家庭、智慧学校、智慧食品系统、智慧药品系统、智慧环保、智慧水资源管理、智慧气象、智慧企业、智慧建筑、智能楼宇、智慧农业等诸多方面;而若我们站在企业的角度考虑大数据的使用,则包含智能营销、智能财务、智能物流、智能客服、智能人力资源等方面。


3 .组织结构的最终设立


鉴于大数据的工作架构,企业级大数据组织职能的理想结构如图4所示。


 
图4 大数据组织架构


      大数据规划管理办公室(PMO),负责协调所有与大数据项目相关的事务,包括大数据整体战略规划、产品的定位和输出、产品的应用价值评估及产品服务对象等内容。PMO除负责整体的规划、监督和战略方向把控之外,还需要平衡资源分配以及对产品的最终价值负责,在企业里,所有不以商业目的为导向的行为都是没有价值和意义的,所有部门职能如此,PMO也是如此。


      另外,还要注意PMO不是业务线或IT线的一部分,而是凌驾于两者之上的机构。这种大数据组织必须由企业高层直接建立或采用自上而下的方式来部署。大部分国内企业在规划和实施项目时,都是从各个部门抽调人员,组成项目小组,而在项目结束时,各个部门的人员又回到各自岗位上,从而造成整个企业没有一个主动的项目推动点来推动围绕项目的闭环协作,而且没有持续的规划和执行。大数据的规划和实施同样也会遇到这样的问题,因此需要建立持续而稳定的大数据组织结构PMO,才能督促其有效落地,同时针对企业的大部分情况,需要避免的是PMO只成为IT部门的事情。


      除了PMO之外,还要建立以下工作团队:业务规划、产品规划、技术开发和数据分析,这四个团队是大数据的具体执行层面,对应大数据工作架构的四个层次,它们之间的工作关系如图5所示。


 
图5 大数据组织工作关系


      需求部门包含客服、采购、销售、财务、物流、运营、营销、行政人事、合作伙伴、高层管理甚至更多的其他职能,职能部门的需求只有熟悉职能业务的人才可以理解,因此需要将职能需求传递给业务规划人员进行评估。所谓的业务规划人员就是我们所说的业务专家,所谓的业务专家首选并不是从外部聘请或者从咨询公司受雇而来,业务专家都是从企业内部成长起来的,他们最了解行业,了解实际的业务内容、流程和规范,同时了解企业的过去、现状和未来,只有因地制宜的业务战略战术才最适合企业本身,才最有可能帮助企业快速发展和腾飞。如果企业规模较小或者没有培养自己的业务专家,此时可以聘请外部的行业专家结合公司内部业务领域的员工一同进行需求评估。


      业务规划评估的角度主要是在体验、业务逻辑和销售帮助上。体验包括客户部分,同时也包含内部员工,也就是在进行需求评估时,需要考虑客户体验,以及内部员工及所对应的企业利益问题,只有这两方面都满足了才是最优的需求,但实际上不可能所有的需求都是最优的,因此我们在进行评估时一定要规避最差需求,尽量将次优和不提倡需求向最优需求进行优化和升级(如图6所示)。而业务逻辑则是保证是否能够顺利进行销售,降低错误率,提升销售效率,保证客户在购买商品或享受服务过程中能够更加舒适和自然,应该摒弃通过数据洞察发现客户的相关偏好和规律后,在提供销售或服务时使客户感觉被监视的错误应用。有了这些评估之后,还要考虑真正给销售带来的帮助到底有多大,如果逻辑过于复杂,造成体验降低,同时换取的销售额却很小,这样的需求可立即枪毙。
 


图6 大数据矩阵图


      业务规划评估完成后,将需求信息向下传递给产品规划,产品规划则是从产品的系统性、逻辑交互、开发成本及周期的角度考虑。业务部门提交的需求与目前系统的兼容性如何;需要输入和输出哪些参数,参数是目前已经拥有,还是需要单独从哪些地方获取和计算;中间数据的计算和交互逻辑分别是什么,这个逻辑是否符合目前的数据标准规范,如果不符合规范,那么新的内容应该如何输出和使用;同时,还要评估需要占用的开发资源以及开发周期,督促产品的测试直到最后应用上线,并通过客户使用过程收集相应的意见和建议,进行功能逻辑优化和升级。这个过程还需要引入数据分析师和开发人员,因为数据分析师需要了解产品的商业目的以及最终呈现的结果,只有全程参与到实际的商业活动中,才能根据业务情况建立相应的数据模型,提升产品的使用和客户体验。而开发人员则辅助进行产品开发资源及周期的评估,并给出具体的技术实施方案及工作计划。


      在产品规划评估完成后,技术已经参与到了评估过程中,经过需求的详细了解后,给出对应的工作计划表,根据当前任务的排期开始具体的开发工作。其中包含数据挖掘及产品平台或应用开发的部分,鉴于本书主要讨论企业大数据的整体内容,因此重点给出数据挖掘的工作流程,如图7所示为根据CRISP-DM(跨行业通用数据挖掘标准流程)的建模过程整理。


 
图7 大数据挖掘流程图


      其中,商业理解的部分就是上述业务规划评估和产品规划评估的过程,同时也是PMO对整体需求把控最核心和最重要的部分,因为只要把产品目标和价值确定好之后,后续基本都是根据标准流程来进行工作,无非就是在执行过程中,加入任务进度管理和结果质量的监管控制。


      数据分析的工作在大数据概念产生之前,往往都是被忽视的部分,主要原因是大家容易把数据分析部门定位成非重要部门,仅仅是帮助做一些数据的统计工作而已,也是因为这个原因,很多数据分析岗位人员没有经过系统的培训,导致看待问题太片面,不能从全局的角度考虑和分析,出具的报告或者数据自然是可有可无或者起不到真正的商业价值,没有价值的工作当然就容易被边缘化。其实在大数据中数据分析的职能定位是输入输出,输入包括:数据内容输入、业务规则输入、数据方法输入、数据产品输入;输出包括:数据报告输出、数据价值输出、数据标准输出。


数据输入


❑数据内容输入:指数据分析师需要处理的对象,包括数值数据和文本数据,数据来源可以是内部系统导出、自己记录、部门间传递的数据等,还可以是外部第三方提供的数据、网络抓取的数据或其他公开的数据。


❑业务规则输入:单纯的数据处理不能得出任何有价值的报告或内容,需要有业务规则的数据,没有业务规则会导致统计指标的名称一致,但是结果却千差万别,因此需要确定清楚业务规则和目的才能确保指标的可用性。比如,用户的复购率这一指标,首先需要业务定义什么是复购,多长时间的购买算作复购,什么样的用户购买才计入复购,复购的是金额、件数还是订单数,复购对应的分母是什么。


❑数据方法输入:有了数据和规则,还需要选择正确的数据统计方法,否则也会导致出具错误或有偏差的结论,常用的数据统计方法包括:对比分析、分组分析、交叉分析、杜邦分析、漏斗分析、矩阵关联分析、回归分析、聚类分析、决策树分析等初级和中高级方法。


❑数据产品输入:指使用什么工具进行处理,可以是市场提供的通用工具,例如Excel、SPSS、SAS等,也可以是企业购买的工具,例如BI、BO、BW等,甚至可以根据企业需求自行开发的工具,例如数据加工工具、数据透视工具
和数据可视化工具等。


数据输出


❑数据报告输出:数据报告是数据分析输出的成果,是通过数据内容、业务规则、数据方法和数据产品整合加工的结果,主要的报告类型包括:日常分析用于对人、商品(服务)和经营环境的日常跟踪和分析,从中找到波动甚至异常点;经营分析通过对各经营环节进行对应的数据分析来达到制定或修改策略的目的;专题分析是对特定的业务环节搭建模型和管理,从而达到提升单一环节销售规模的目的;战略分析是通过内外部数据,制定企业中长远规划的过程。


❑数据价值输出:通过数据报告的输出,对具体的业务环节、业务链条、企业生态,乃至行业的发展制定明确的道路,并将报告结果应用至上述环节后产生了实际可量化的经济效益。


❑数据标准输出:数据分析部门不仅是数据的加工、处理和报告的输出,更重要的是为企业制定和留存具体的数据标准,包括数据指标的定义,报告数据的来源,处理方法和标准,数据输出规则和报告模板规范,通过多次的沉淀和修正后形成既定的标准方法,在提升数据分析效率的同时快速地为企业带来可用和可量化的商业价值。


      为方便读者理解,表1列出了数据分析与烹饪的项目对比。


表1 数据分析与烹饪的对比

 
      上述为企业大数据应该具备的基本职能和工作内容,由于各个企业的情况不同,需要按照企业的实际情况,在此基础上进行调整和细化,令每一个版块充分发挥其作用,实现统一目标下的企业大数据。





相关报道