經常聽到很多大數據的概念和趨勢，但是落地而務實的介紹相對較少。筆者根據在互聯網和數據領域的實際從業經驗，總結出數據價值金字塔在企業運營中的應用模型。該模型對應的是企業運營中的不同層面的數據需求，下文講逐層介紹。

數據基礎平臺層，金字塔的最底層也是整個金字塔的基礎層，如果基礎層搭建不好，上面的應用層也很難在企業運營中發揮效果。沒有數據或者沒有高質量的數據，所有的分析都是誤導，所有的數據挖掘都是錯誤的引導。

這一層的目標是把企業的所有用戶(客戶)數據用唯一的ID串起來，包括用戶(客戶)的畫像(如性別、年齡等)、行為以及興趣愛好等，以達到全面的了解用戶(客戶)的目的。要做好有三個關鍵：1.企業需要確定打通數據的唯一ID，有的企業是用會員注冊號，有的是手機號或者身份證號等等。2.跨部門整合數據的問題。有大數據的企業通常部門都比較多，用戶(客戶)的各種行為和興趣愛好數據散落在不同部門，需要企業有意識強有力的去整合;3.通過技術手段和規范手段把數據管理起來，這里解決的問題是存在數據倉庫里面的數據具體的含義是什么，以及如何高效的存儲和計算，涉及到數據接入系統、元數據管理系統和計算任務調度等系統。

業務運營監控層。這一層首要的是搭建業務運營的關鍵數據體系，在此基礎上通過智能化模型開發出來的數據產品，監控關鍵數據的異動，并可以快速定位數據異動的原因，輔助運營決策，如果企業構建了實時計算的能力，那么很多業務運營中問題就能過及時的發現。

用戶/客戶體驗優化層。這一層面主要是通過數據來監控和優化用戶/客戶的體驗問題。這里面既運用了結構化的數據來監控，也運用非結構化的數據(如文本)來監控體驗的問題。前者更多的是應用各種用戶(客戶)體驗監測的模型或者工具來實現，后者更多的是通過監測微博、論壇和企業內部的客戶反饋系統的文本來發現負面的口碑，以及時的優化產品或服務。

業務運營監控層和用戶/客戶體驗優化層最終希望實現企業運營的智能化醫生。這兩層面做出的工具好比是體溫計、血壓計、B超、CT等工具，我們用這些工具就能快速透視企業運營中那一模塊產生問題。

精細化運營和精細化營銷層。這層面有四方面事情：1.構建基于用戶的數據提取和運營工具。運營和營銷人員通過簡單的條件配置(如選擇男性、18-24歲以及特定興趣愛好)，便可把數據(用戶/客戶)提取出來，對數據背后的用戶/客戶進行營銷或運營活動;2.通過數據挖掘的手段提升客戶對活動的響應(如點擊率)，常見的算法有決策樹、邏輯回歸等等;3.通過數據挖掘的手段進行客戶生命周期管理。區別于傳統的客戶生命周期管理，大數據是可做到實時對不同生命周期的客戶進行實時標記和預警，并把有效的活動當成商品一樣及時的推送給不同生命周期階段的客戶;4.客戶個性化推薦。主要是用個性化推薦算法實現根據用戶不同的興趣和需求推薦不同的商品或者產品，以實現推廣資源效率和效果最大化。

數據輔助市場傳播。這一層面要做到通過“性感”的數據分析和挖掘來輔助產品進行傳播，主要有兩種實現方式：一種是好玩的數據信息圖譜，相信大家都不喜歡看產品的公關軟文，而更喜歡看好玩的內容。尤其是在網絡上傳播，10-29歲的網民占所有中國網民的一半多(55%，CNNIC 2013年數據)，而這些用戶偏年輕、偏“屌絲”，所以這些受眾更喜歡“性感”的內容。

淘寶曾經通過統計其購買胸罩C-Cup以上的用戶地區分布，發現西安的網民相對比例最多，并發布了這個數據，說西安女生胸部最大，引起不少“屌絲”網民傳播。而騰訊在今年3月份則基于8億多活躍用戶首次披露“逃離北上廣”數據圖，發現11%的用戶在春節后逃離了北上廣。

數據輔助市場傳播的另外一種方式是直接做成數據產品對外使用。比如，百度指數或百度過年期間做的遷徙地圖。百度東莞8小時遷徙圖的數據中可以看到，離開東莞后，去香港的人最多。那我們是不是可以簡單地得到一個信息，從香港去東莞的人最多……

業務經營分析和戰略分析層。這兩個層面在這里就不多說了，因為這兩個層面更多的是跟很多傳統的戰略分析、經營分析層面的方法論相似，最大的差異是數據來自于大數據。但這里面有兩方面需要注意：

1.有很多企業錯誤的把“業務運營監控層”和“用戶/客戶體驗優化層”做的事情放在經營分析或者戰略分析層來做。我認為“業務運營監控層”和“用戶/客戶體驗優化層”更多的是通過機器、算法和數據產品來實現的，“戰略分析”、“經營分析”更多的是人來實現。很多企業把機器能做的事情交給了人來做，這樣導致發現問題的效率較低。我的建議是，能用機器做的事情盡量用機器來做好“業務運營監控層”和“用戶/客戶體驗優化層”，在此基礎上讓人來做人類更擅長的經驗分析和戰略判斷;

2. 在變化極快的互聯網領域，在業務的戰略方向選擇上，數據很難預測業務的大發展方向，如果有人說微信這個大方向是通過數據挖掘和分析研究出來，估計產品經理們會笑了。從本質上來說，數據在精細化營銷和運營中能起到比較好的作用，但在產品策劃、廣告創意等創意性的事情上，起到的作用較小。但一旦產品創意出來，就可以通過灰度測試，數據驗證效果了。

我認為，如果能利用數據通過機器、算法、或者人工的手段，把現狀和問題及原因洞悉的特別清楚已經很不錯了，這樣決策層就可以基于這些情況進行更好的“拍腦袋”決策了。

總之，本文只是提綱挈領的介紹了大數據在企業的落地方案。還有更多的細節和方法論未能展示出來。另外，大數據在不同行業的落地也許有較大的差異。因此，歡迎各行業同仁與我交流探討。