一、關于量化數據支撐價值的反思

    一個取數到底為 企業(yè) 創(chuàng)造了多少價值?一張報表帶來了什么改變?做數據挖掘專題到底值不值?

    這個問題很重要，如果沒有一種有效衡量數據產出的方式，數據支撐者就可能失去方向，進而喪失進步的動力，數據支撐者不能成為拉磨的驢子。

    取數者，取了1000個和10000個，到底有多大的區(qū)別?這個問題最好搞清楚，如果是10倍的關系，當然取得越多越好，但是，如果是2倍呢?是否有更重要的事情去做呢，比如研發(fā)一個自助取數工具?也許這個對于企業(yè)更有價值，但有時的確缺了這把客觀的尺子。

    在大多企業(yè)業(yè)務人員提取數需求是不需要付出成本的，沒有成本就意味著低質量的需求泛濫，這倒不是責任心的問題，有什么樣的機制就會孕育出什么樣的需求模式，怪不了提需求的人，比如不能怪業(yè)務人員催著你取數但實際上他在你完成后卻沒有去下載取數結果這種現(xiàn)象的發(fā)生。

    需要反思的是有沒有好的量化 評估 手段，很可惜，在大多數時候，在大多數企業(yè)內沒有，比如報表的價值大多跟決策有關，但決策是很難量化的東西，可以說領導看了你這張報表才有了正確的決策，也可以說跟這個報表毫無關系，可以說由于你的取數為公司成功營銷到了很多用戶，但要知道，公司為這次營銷投入了很多渠道成本，營銷成本及人力成本，取數的作用可能很小很小，至少比例不大。

    一種證明數據價值的方式是做AB測試，但高昂的實施成本在大多數傳統(tǒng)企業(yè)線下渠道為王的情況下是不現(xiàn)實的，而互聯(lián)網企業(yè)依賴其在線的優(yōu)勢讓很多建模師有了表現(xiàn)的舞臺，無論如何，數據建模師還是需要一把尺子，用靠譜的數據來證明自己工作的價值。

二、關于大數據帶來的評估方式的改變

    在進入大數據時代后，不再會有人由于大數據建模者做了報表的事而認可他了，因為大家的期待更高了，對于從BI邁入到大數據的支撐人士來說，絕不是簡單的換了個名頭，而是要直面最大的挑戰(zhàn)，為變現(xiàn)直接創(chuàng)造價值。

    要承認，傳統(tǒng)業(yè)務的核心競爭力大多還是停留在產品本身，雖然數據模型在產品分析，產品營銷等方面有價值，但在整個價值鏈中，數據建模起到的作用還是有限的，即使用AB測試證明了數據模型的價值，但占比往往偏小，導致其他環(huán)節(jié)的一個小波動就可以完全掩蓋了模型的那點提高，比如不計成本的營銷就讓任何建模都失去了意義。

    不是說數據模型對傳統(tǒng)業(yè)務無用，而是傳統(tǒng)業(yè)務的機制、流程可能限制了數據價值的發(fā)揮，傳統(tǒng)業(yè)務要用好數據首先得革自己做事方式的命，比如從線下走到線上，更多的關注投入產出比，更多的依賴機器而不是經驗決策，這些都涉及到企業(yè)數據文化的再造，無法一蹴而就。

    而大數據變現(xiàn)則是全新的、直接基于數據創(chuàng)造價值的業(yè)務，情形完全不同，比如客戶洞察和精準拓客，其核心的要求就是要標簽足夠準，覆蓋足夠廣， 現(xiàn)在大數據變現(xiàn)可是買方市場， 模型沒到一定的水平， 不刺刀見紅， 客戶是不會付費的，即使現(xiàn)在能賺錢的變現(xiàn)業(yè)務，也會由于大量同質化的競爭最后變成數據質量和模型高低之爭，在整個價值鏈條中，模型將超越營銷、渠道甚至產品成為最為核心的東西，一般的產品也許可以互相COPY，但基于企業(yè)特有數據創(chuàng)造的模型卻難以復制，這是最大的差異化，也事實上決定了企業(yè)大數據變現(xiàn)的潛力，這個時候，數據建模師成為了變現(xiàn)的焦點，評估的方式顯然是模型能直接能帶來多少收入了，模型師將被推到業(yè)務的最前端。

三、大數據建模者的巨大挑戰(zhàn)

    一般來講，企業(yè)的裸數據大多是無法直接創(chuàng)造價值的，即使有，也是極其有限的，必須通過加工處理才能發(fā)揮出最大的潛力，比如 運營商 的上網日志如果不經過內容解析就會一文不值，位置數據如果沒有了POI的配合就缺失了意義，位置數據跟用戶數據如果沒有有效結合就無法滿足大多數的應用場景。

    對于建模者來講，這是個最好的時代，也是最壞的時代，好的是給了大數據建模者獨立施展才華的舞臺，壞的是大數據建模者的價值變得可量化，很透明，各人能力高低，貢獻大小，高下立判。

    對于處于轉折期的傳統(tǒng)企業(yè)的建模者來講，建議做好以下一些準備，當然各個企業(yè)所處的階段不同，面臨的情況不同，不能一概而論。

1、角色的轉變

    甲方企業(yè)的建模師做變現(xiàn)第一要務就是拋棄固有的甲方思維，也許在企業(yè)內部做支撐時跟業(yè)務人員還是平的，但跟外部客戶做生意則成了徹底的乙方。

    碰到個金融客戶談合作，建模師抱怨對方需求都提不清楚，因此自己也無從下手，這是典型的傳統(tǒng)支撐者的形象，做事情務必要對方解釋清楚，但外部客戶對于企業(yè)的數據往往不了解，很多時候甚至不知道能得到什么，需要建模師在溝通中主動去捕捉需求，針對性提供解決方案。

    經常有這樣的案例，客戶提要什么標簽，建模師就機械的回答有還是無，事實上，擁有主動意識的建模師更應順藤摸瓜去理解客戶的真實意圖，而不是簡單的考慮標簽能否滿足，更深一層次講，即使很多標簽是現(xiàn)成的，建模師也應該努力去尋找更好的解決方案，因為現(xiàn)成的標簽可能質量不高，比如運營商以前靠揣測基于DPI打造的行業(yè)標簽往往經受不住現(xiàn)實的商業(yè)檢驗，辛苦談下來的合作往往由于數據初次體驗不好而中斷，數據建模師要為數據的最終品質負責，而不是簡單的為一次需求負責，這個要求還是很高的。

    “我們是在創(chuàng)業(yè)，而不是在應對需求，做大數據變現(xiàn)的，首先要完成這個角色的轉變。”

2、對精準的追求

    當投放成本成為了客戶付錢的依據時，精準就成了變現(xiàn)最核心的武器，客戶只會為精準買單，千分之一跟百分之十天壤之別，顯然需要建模師的鬼斧神工，點擊率10%高不高，20%呢，30%呢?建模師每提升一點，帶來的就是現(xiàn)實的收益，這個跟以前的情況完全不同。

    為什么有些建模師平時技術不錯，但當真的機會放在眼前時，往往發(fā)現(xiàn)技能不夠用了呢?答案可能在于精準是個綜合性問題，而不是簡單的技術問題，對于建模師的要求其實是全方面的。

    這讓我想起了運營商以前評估BOSS系統(tǒng)的可用性，往往用CPU、內存利用率等技術指標來衡量，但后來發(fā)現(xiàn)這些指標跟客戶的實際感知是有很大差異的，因此需要建立端到端的客戶感知指標體系，建立這套指標體系需要貫通整個業(yè)務流程，在每個節(jié)點上去優(yōu)化提升，而不是簡單的關注幾個純技術指標就可以了。

    數據建模師也一樣，擁有調參技能是遠遠不夠的，要能理解客戶的真正訴求，要能針對影響精準性的任何一個環(huán)節(jié)給出建議或解決方案，比如數據的選擇、渠道的選擇、推送的用語，時機的把握、產品的設計等等，建模師要充分利用建模技術，但不要拘泥于用單個技術解決問題， 外來的數據科學家撲街往往是被技術搞死的 ，沒人關注你用什么模型。

3、丟掉那個邊界

    心有多大，舞臺就有多大，企業(yè)的確要為建模師打造更加扁平化的環(huán)境，數據建模師則更不必拘泥于崗位限制，能往前走就往前走一步，越是以數據為賣點的大數據變現(xiàn)，越是要讓建模師沖鋒在前，全棧工程師有之，在大數據領域也需要全棧建模師，比如在某個垂直領域可以讓模型師端到端負責，沒有什么不可以。

    當以數據簡單組裝為賣點的諸如客流等產品喧囂之后，大數據深度變現(xiàn)必然是以拓客、風控等為核心的，數據建模的價值會越來越大，筆者以前提過運營商必須掌握五個核心建模能力，這些也許是運營商規(guī)模化變現(xiàn)的未來。

    賣產品的如果自己都不懂產品，估計也賣不好，賣“數據”的，如果沒有對數據的深度理解，也很難說服人，因此，提倡所有做數據變現(xiàn)的都經歷一下取數或建模的階段，用數據說服了自己，才能更好的說服客戶，這是同一般產品不一樣的地方。

    企業(yè)大數據變現(xiàn)的意義不僅僅是有了新的商業(yè)模式，可能也在改變著很多的東西，有對外變現(xiàn)機會的數據建模師是非常幸運的， 在感謝時代賦予機會的同時，自己也一定要加油。