作者：车品觉
出版社：浙江人民出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
决战大数据(升级版)：大数据的关键思考试读：
重磅赞誉
在我眼中，品觉一直是我非常尊敬的国内数据领域的大师级人物，这是他的第一本著作，也是汇聚了他十几年数据行业经验，呕心沥血的精髓之作。他一直强调数据是尊重人性的，只有有商业实效性的数据才是有质量的数据；一直强调不能只是纯粹地看数据，要用数据还原真实的现实与场景。这些见解不仅对每个企业的未来发展具有极大的指导意义，而且对每个普通人建立数据化思维和进行个人数据管理都有很好的启发作用。这本书贵在坦诚和实用，每个人都能从书中收获颇多。沈 亚唯品会创始人，董事长兼CEO
我跟品觉相识多年。在大数据还没有流行以前，他就开始关注这个趋势，研究数据应用的意义以及怎样真正读懂数据和利用数据。这本书深入浅出，把深奥的大数据讲得生动有趣，非常好读；书里面集中了品觉个人的很多真知灼见，非常值得一读。阅读此书是一种享受，正如我享受与品觉的友谊一样。林奕彰eBay大中华区CEO
在中国，可能没有人比品觉玩的数据多，更没有人像他一样玩转了大数据。在这本书里，品觉以他特有的通俗易懂的语言风格，讲活了大数据，并结合他在阿里巴巴的实践，揭示了数据化运营和运营大数据的实战秘笈，非常赞！刘 星红杉中国合伙人
作为一个企业经营者，说起大数据，最怕只见数据不见价值；作为一个互联网产品老兵，最焦虑于数据挖掘和分析脱离用户场景。本书好就好在实践了作者书中提出的观点，立足应用场景，聚焦如何让数据产生实际价值。因其实战性和创新的角度，值得所有关心大数据实战者认真一读。张 涛大众点评网创始人
大数据像铺天盖地的洪水一样涌来！由于近年来数字媒体、网络和移动技术的迅猛发展，数据的积累速度已对数据的存储、管理、分析和决策应用提出了前所未有的挑战。很多企业、政府机构、学校和研究机构为了能在大数据时代继续生存和发展，都在重新定位和寻找新的方向。让我们高兴的是，作为一个先行者，品觉在阿里巴巴已经走出了一条大数据运营的路，并又在运营大数据方面总结了很多成功经验。他的《决战大数据》一书尤其为读者提供了“数据化思考”的模式和框架。通过讲故事、作比喻，品觉打破了大数据的神秘，然而又能使读者产生丰富的联想，开动脑筋，真正理解大数据成功运用的要诀。感谢品觉为“大数据金矿”的探索开发作出的贡献。程 杰Acxiom（安客诚）前全球副总裁，数据科学家“大数据”和绝大多数“新概念”一样，已经成为许多闭门造车者宣扬的主题，而品觉——一个被我视为数据科学家的朋友，将他在eBay和阿里巴巴近十几年的实战经验进行梳理和总结，使“大数据”不再是一个人云亦云的概念，而是一个可以用心领会和使用的科学方法。吴 海桔子水晶酒店集团创始人
品觉的书主要讲的是决战！那么咱们就从兵法的角度来看大数据！只讲三点：第一，对“道”的理解：即分析师对人和事物基本规律的诠释。分析问题千万不要从分析大数据开始，而是要从对人、世界、产品或者商业行为最基本的认知着手！第二，对“计”的理解：计就是计谋！交战之前用“商业智能”的一个重要作用就是要造成信息情报不对等，然后进一步造成了战略优势的不对称，从而造就取得优胜的“势态”。第三，对“胜”的理解：决战的目的是要胜利，兵法上取胜的一些基本的要领比如以快打慢、以少胜多、以众击寡，在大数据分析上完全适用，要做到分析得快速而精准、大规模部署以及产品化等。这次为品觉的新书做推荐，既感到非常感激和荣幸，又感到诚惶诚恐。我的水平非常有限，完全是抛砖引玉，希望读者们细细品味《决战大数据》！张溪梦GrowingIO联合创始人兼CEO
未来几年将是大数据技术及其应用发展的黄金时期，本书是车品觉老师根据自身在蚂蚁金服以及阿里集团的多年数据实践，并结合理论对数据产品规律进行了深入阐述。本书构思流畅，由术入道，深入浅出，既适合初学者以及业务人员了解大数据的相关知识，也适合专家级别的读者细细品味，无疑是大数据领域的必读书籍。崔晓波TalkingData创始人兼CEO
大数据领域一直以来都是理论和实作两大山头并立：如果说谈理论是文、卷起袖子实作是武，那品觉兄肯定是这个大数据时代文武兼备的一代宗师，因为他不但在实务界有着丰富的操盘经验与彪炳战功，又能透析数据核心、自创理论心法。最难得可贵的是，他一直以来都禀持着利他无我的气度，对提携数据后进始终不遗余力。听品觉谈大数据，除了“激动”与“热血沸腾”之外，我再想不到更确切的形容词了！陈杰豪MIGO集团CEO
老车是“手艺人”，数据时代解读数据世界奥秘的手艺人；对我来说，亦师亦友、亦火亦水。我们曾若干次品茗促膝、围炉夜话，人生的起起伏伏、数据的理解与应用、佛法修行，每个话题都始于数据终于数据，获益匪浅。难能可贵的是，我们对数据的理解与应用，观点出奇的一致，相互平添好感。老车是数据的修行者，我十分期待这位无疆行者的感悟与升华之作。一杯清茶、一本好书、一位知己好友，人生幸事。徐 雷京东集团高级副总裁前 言我在阿里的6年
回顾我在阿里的6年，从经历来说，是先负责支付宝，继而负责淘宝，最终负责整个阿里集团的数据工作。实际上，这个过程同样也是我对数据应用的一个历程：第一阶段用数据，第二阶段养数据，第三阶段从看数据到用数据。我在支付宝
加入支付宝之前，业内都认可我是一个比较懂得用数据去设计、优化、迭代产品的首席产品官。彼时我在支付宝，大胆地把产品与数据分析部门结合，积累了不少经验。● 数据产品化，这个理念随我加入支付宝
说起加入支付宝，其实有些偶然。当时，支付宝邀请我去分享如何用数据做产品。分享会之后，我去了华星大厦的一个会议室，里面坐着Lucy（彭蕾，时任支付宝CEO）、Eric（井贤栋，时任蚂蚁金融COO）。在那个会议室里，他们问了我几个如何能用好数据的问题。当时，我反问了Lucy一个问题：“你每天大概会看多少数据？”“大概几十个吧。”“不对，你不应该一天看几十个数据那么多，我觉得你应该只看几个数据就够了。”
或许，他们已经不记得我提出的这个问题了，但是我却记得非常清楚。因为在支付宝的两年里，这是我做数据产品时一直遵循的原则。
正式加入支付宝后，我面对的第一件事情就是着手组建数据分析师团队。2010年的支付宝，公司大部分业务团队对数据团队都不太满意，而且高层对数据能产生的价值也没有太多认识。而数据负责人的调职，也导致了支付宝的数据分析和数据技术部门被分开管理。
面对数据分析和数据技术团队的目标不一致，加上业务部门对为什么要使用数据及如何用好数据充满疑问，甚至有人认为数据分析仅仅是门面功夫，所以技术团队有时候会跟我的团队“对着干”，因为两个团队的老板不是同一个人，他们也没有义务一定要支持我，所以甚至有时候会撇开我们直接跟业务部门对接。
但是最后，我坚持的数据分析产品化路线最终得到了双方的认同，技术团队甚至还主动过来问我：“我们怎么合作比较好？”所以那时，双方的关系从“对着干”变成了“我们会全力支持你”。
终于有一天，Lucy走进我办公室跟我说：“你知道吗？你们做的产品让我觉得很爽，我很喜欢这个产品。”而当我在支付宝的第二个产品“地动仪”出来时，她对我说：“这就是我梦寐以求的数据产品。”
同事和老板对结果的支持，让我肯定自己在支付宝走的这条路是对的。如果让我总结这其中的精髓，我的秘诀就是：数据分析也要讲求用户体验。
简单来说就是，别说是数据产品，哪怕一个小小的数据报告，我们都必须要知道以下5个问题：
● 这是什么问题？
● 这是谁的问题？
● 这个问题现在必须马上解决吗？
● 这个问题我们能解决吗？
● 我们有足够的数据来解决吗？
当我“苛刻”地提出“把月度经营报告当成产品来做，目的是让这份报告像iPhone一样好用”的要求时，整个团队都傻了：报告怎么能像产品一样呢？！那么，为什么数据报告不可以做到行云流水，让人看起来很爽呢？
所以，我是这么要求的：首先，报告的前3页一定要吸引人，让人有欲望继续看下去；其次，当别人看到一个数据，心里在猜测数据背后的各种原因时，我的下一页报告就要解答他心中的疑问。
因此，如果要用产品管理的理念来运行分析团队的话，必须要问“问题是什么”，并以此作为切入点。接着，解决用户的问题，得到用户的信任，然后就可以做更多的好产品。这是一套做产品的理念，因为产品需要不断迭代，并非一劳永逸。
那么，我怎么评估报告是否获得成功呢？简单来说，如果一个月度经营报告仅仅5分钟就被pass掉了，那它肯定是不成功的。
我在支付宝，几乎每一个月度报告都会让管理层讨论三四个小时，一份数据报告居然会成为管理层讨论焦点，每次都会有很多高层管理者关注我讲什么，这时我就知道自己肯定成功了。
当然，我也同时会提醒分析师们，千万别以为靠一份报告就可以解决所有事情，你一定要让业务部门认为这份业务报告是大家一起探索的，这是我管理团队的一个基本理念。● 用产品化理念管理数据团队，这是推进的秘诀
总的来说，数据产品化的理念最终得到了Lucy及其他高层管理者，以及团队和同事们的认可。那么针对这个理念，我是如何在团队内一步步推动的呢？
首先，我让团队做好基础服务——“白米饭”。为什么叫白米饭？因为对人来说，如果“饭”不够就会出大问题。对于公司来说，如果数据基础服务满足不了我们的用户，那么他们就会跳起来，那时候再高大上的报告也没用。所以，我要求分析团队一定要跟业务部门达成一致，知道什么东西如果我们不提供给他们，结果会很严重。
但是，长期做“白米饭”的分析部门是没有前途的。所以其次，我抽出团队一部分人成立了“突击队”。每当我听到管理层对数据的需求时，就会把信息带到团队，让团队成立两三支“突击队”，让管理层用到有用的、合适的以及具有带探索性的内容。把自己最精锐的部队放在“突击队”里，这个决定非常重要。
但是值得注意的事，“突击队”有一个前提，必须要有人能接触到最高管理层的信息通道，否则无法得到高层的信息。而这个角色就是我，我接触最高管理团队，并且把信息输送给“突击队”。
基于“白米饭”和“突击队”，最后一步，我们开始沉淀数据分析的框架。为什么数据分析框架如此重要？因为它是数据产品的养分。我用建立数据产品为目标的理念来运营一个数据团队，所以数据分析框架才是给到数据产品养分的关键点。
在支付宝时，基于Lucy和Eric给我的支持，数据产品都是自上而下推行。我先做了“观星台”，这是一个高管的数据仪表盘工具；然后做了“地动仪”，一个给中层管理看的数据产品，接着还有客服360等。
所有这些数据产品，都是从数据分析框中提炼出来的。把分析的理念和框架变成数据产品，本质上是一个数据泛化的过程。这个过程非常重要，因为数据报告的需求会越来越多，如果没有泛化数据给使用数据的人，分析团队将永远被冗杂和重复的工作所困。
在这期间，我们也做过一个改变。因为“观星台”和“地动仪”还是传统的分析工具，只不过让你有更好的“眼睛”看到更好的数据，用我一直强调的理念来讲，这属于描述性的报告，用于描述一个公司今天做的怎么样。但由于我们有了分析框架，可能稍微会带一点诊断性。所以，这种产品主要是描述性产品，偶尔会做一些诊断，但还未达到探索预测的状态。
在这个看法的基础上我有了个新想法，想法的灵感源于Facebook。当时Facebook已经积极地开展探索性的数据产品，可视化及交互功能已经非常灵活。探索和静态报告的区别在于，用户可以选择自己的角度灵活地去看数据，真正做到“逛”数据。
因此，我们创造了一个产品叫“黄金策”。“黄金策”可以让用户很轻松地在3秒钟之内就看到不同标签下用户购物行为的异同。比如，30～35岁的上海女性，有一张信用卡和多张信用卡的两种不同群体，看她们的购买行为有什么不一样。或者，看广东和上海的女性在购物表现上有什么不一样。用户可以非常轻松地比较不同用户群的购物表现。所以，我认为好的数据产品应该是可以激发用户灵感的。
在做“黄金策”这个产品的过程中，我深有感触的是：数据行业的人会很容易让技术制约产品的发展。当时我提出做“黄金策”时，大部分技术工程师都断言，3秒钟出结果是不可能的。因为以前类似的灵活配置的报告，一般都不能做到即时查询，如果要快速产出的话只能找分析师。即便如此，也可能因为资源排期等原因等待很久。
当时只有一个人站出来说“我可以帮你搞定3秒钟”，这个人就是蒋杰（现任腾讯数据中心总经理）。于是很自然地，我就跟蒋杰一起合作了这个项目，并且成了好朋友。后来，蒋杰很出色地帮我完成了这个项目。所以，我觉得做技术的人不应该让当前的技术和思维限制未来的新产品。
就用户体验来说，用户之所以不用我们的产品，其中一个很重要的原因是，没有人愿意耗时太久等一个报告，因为当报告出来之后，他的问题可能早已经解决了。试想，我们拍下脑袋决定只需两分钟，但等一个报告要两个星期，而且报告的结果还不一定能帮上他，你说他会选拍脑袋还是等报告？所以，这也是我们产品人的理念：到底怎样才能解决用户的问题？这也是产品人和数据人不一样的地方。● 让用户喜欢数据，就会让团队喜欢自己
除了以上这些有关数据的工作外，那时我还做了另外一件事。我启动了一个项目叫“西湖品学”，每年请公司外的数据牛人来分享经验，这是数据人的一场盛会，当时很受欢迎。我做“西湖品学”有两个原因：首先，我认为人们不使用数据不是他真的不想使用；其次，没有人推广使用数据的好处。
那时，我常在支付宝说一个比喻：“我右手用得好好的，你突然让我用左手，那你就要告诉我用左手的好处，不然我无法改变我的习惯。”
用数据的习惯也是一样，当他知道数据好用的时候，就肯定会用。所以，每一年的“西湖品学”，我都请外面很多人来讲数据到底有什么好处，让公司内部的数据人知道数据应用的商业场景是怎样的，从而激起更多人对数据的渴望和期待。“西湖品学”就是这样一个全新的尝试。
在数据分析人员中，我们大部分分析员都被戏称为“表哥”“表弟”（因为他们每天都要做很多表）。但是，每天仅仅做表的人会有幸福感吗？每天做这么多表，也不知道别人怎么用，没有结果肯定就没有幸福感可言。而“西湖品学”让他们知道，他们的责任在哪里、怎样跟业务对接，他们不仅仅是“表哥”“表弟”。所以我的目的就是，不让他们抱怨自己的才华被埋没了，而让他们知道自己努力的价值所在。
当我的分析师看到管理层很激烈地讨论他们做出的报告时，我能看见他们脸上的笑容：“不枉我们两个星期不眠不休地把这个报告做出来。”其实，大多数据人都不怕辛苦，怕的就是做出来的东西没人看。
总的来说，我对分析师们要求有些不同。我要求他们对商业有一定理解，这个本身就是我在这本书中提到的“混、通、晒”——混在商业场景中，把数据与商业场景打通，将数据产品当成载体，把这个东西晒出来，让更多人使用。当你看到你的用户不能没有你，当你看到你的用户满意的时候，你自然就会感到兴奋，整个闭环就会让人感觉很兴奋。
总结起来，数据产品化的理念是我在支付宝对整个数据分析部门的顶层设计，我一直用这个理念去运行一个部门，决定资源如何配置。怎样让我的数据使用者喜欢用我的产品，取悦我们用户的办法就是帮他解决问题。
然后就是让数据更泛化。我们必须宣传数据的好处，要教育我们的用户如何使用数据。我们不能假定用户最终会知道数据的好处，而是要一边宣传理念，一边教授技巧，让用户知道怎么用数据、怎么用好数据，知道数据的价值。
最后一点就是：让我们部门的员工喜欢自己，喜欢自己的工作。
我在支付宝的成功，也离不开我的坚持。首先我得益于自己坚持的整个顶层设计的理念，我的老板Lucy和Eric也十分支持我，给我机会，对我很支持和包容；最后就是我有很棒的下属，能够把我的理念付诸实践。
记得当我晋升到副总裁，成了当时阿里巴巴数据领域职位最高的人的时候，Lucy曾经说：“在中国，品觉是数一数二的分析师。”这句话当然是对我个人的偏爱，但如果她指的是电商平台数一数二的最好的分析师，我觉得能勉强接受。
每每回想起我在支付宝的两年，甚至离开支付宝到了淘宝之后很久，公司内外依然有很多人对我说支付宝的数据分析团队是最棒的。每当遇到这样的赞美，我都觉得非常欣慰。所以，那段经历让我感觉非常幸福。我在淘宝
有一天，Lucy把我叫过去说：“现在淘宝很需要你，淘宝的数据体系需要你去整理。”那是2012年年底，也是我在支付宝的黄金时代，就这样我来到了淘宝，开始了我在阿里后4年的时期。
淘宝前两年的经历非常丰富，每每想起来都像过去了10年，我的白发基本上也都是在这段时间长出来的。● 一样的开始，不一样的数据分析框架
从支付宝来到淘宝，意味着我要重新打一仗。由于我已经在支付宝打了一场胜仗，所以可以照搬很多顶层设计到淘宝使用。但我也不能完全照搬，因为淘宝使用的顶层设计有些跟支付宝一样，有些却完全不一样。
淘宝跟支付宝其相比其实要复杂很多，淘宝本身是个自下而上的组织，是个极其复杂的生态圈。有趣的是，当我来到淘宝时，居然面对的情况恍如回到了入职支付宝时的情形：团队的人差不多都走光了，我感觉就像踏上了一块杳无人烟的新大陆——分析师只剩下几个人，而且我被告知这几个人还会陆续离开。
面对这一切，我做了一个今天想起来仍然感觉很勇敢的决定：我说我不会带支付宝的一兵一卒过来。所以说，我是在支付宝建了一个完整的团队，然后在淘宝又重新组建了一支全新的团队。这段经历其实让我很痛苦，但也是极为珍贵的人生经历。和支付宝时代面对的团队不一样的是，我需要同时管理分析及技术团队，所以在淘宝不用经历支付宝前期那段业务分析和数据技术目标不一致的痛苦。
当时，淘宝的数据技术团队很乱，而且是累积多年的乱，所以要整理淘宝的数据体系，只用顶层设计和数据产品的方法来做，肯定是行不通的。
但还好此时我已经有很多经验，加上当时的总裁三丰跟我的感情非常好，比起我在支付宝时，其实办事更容易。比如在支付宝我还不能直接问Lucy到底你要什么，但在淘宝我可以随时到三丰办公室问他要什么，在支付宝我只是一步步尝试满足Lucy的需求，而在淘宝我有管理层的绝对支持。所以，我遇到的问题都是来自内部，没有外在问题。
在淘宝的分析团队中，我也同样分别推出了“白米饭”“突击队”和分析框架。不一样的是，我们很难给淘宝定KPI去说达到某个程度就是做得好。如果你说这样就好了，你会发现另一个指标可能就不好了。
也正因如此，当我们要建数据产品的时候，我犯了一个错误，我想用一个自上而下的方法去做，最终发现这在淘宝行不通。尽管得益于我在eBay的经验，对淘宝这样的双边市场比较熟悉，但后来我依然觉得淘宝的生态圈非常复杂，其分析框架和支付宝非常不一样。
当我发现自上而下的方法不行之后，我就逐步去做更多能发现问题的数据产品，总体来说还是：坚持数据泛化的方向。在阿里淘系这样自下而上的组织来说，因为权力已经下放给每个“小二”。泛化一个产品相对来说比较容易，每个“小二”需要数据帮他们做决策的时候，如果让他们每个人都用数据产品，这相比在支付宝时期其实更容易。反而因为数据非常零散，我们要决定到底如何做好一个数据产品，知道如何化繁为简更重要，因为虽然有资源，但是要用资源的人也很多。
关于在淘宝所做的数据产品我这里不再一一赘述，值得一提的是，我们当时做了一个非常重要的决定，就是移动终端。那时候，很多淘宝的消费者都开始使用智能手机，我就决定我们一定要做移动版的阿里数据App。淘数据这个PC产品在我来淘宝之前已经存在，只是一直不温不火，不是没人去使用，而是产品的用户体验不好。因此，当我们用移动版取代PC版之后，发现很多高管及中层管理一下子变成了午夜常客，我就知道自己的决定是对的。
此外还有一件事就是数据服务，当时需求也已经显现出来。因为我们这个部门承担的责任不仅是数据分析，还有数据底层的搭建。虽然我的业务分析团队当时只服务淘宝，但是数据技术团队要服务天猫、淘宝、聚划算等多个业务部门。这需要我们在数据服务上分几个层面去做：一是除淘宝之外的天猫、聚划算事业部的数据产品我们也帮他们做了；二是我只建数据中间层，别的部门可以用我们的数据中间层来建他们的数据产品；三是提供数据服务，我用早期的数据服务方式把数据输出给其他部门使用。这就是我在淘宝的前半部分时间的情况，上半身（分析师）是淘宝，下半身（数据底层）是集团。● 建立数据公共层，是阿里大数据的开始
进入阿里集团的这几年里，大部分业务部门的分析师都归我管理，同时数据平台和技术底层也都在我这边，所以我的业务就演变成了集团数据技术及产品部，内部叫DT。
回想淘宝期间，我一直觉得如果我能早一点整合数据底层团队，收获会更大。整合数据要花的力气往往跟数据的离散、不规范、各自为政很有关系。有时白纸一张重新开始，比起消耗大量时间在处理老问题更简单得多。
而对于我们整个DT部门，这时候有两个新的使命：一是做对外的数据产品，即生意参谋，同时也逐步把集团中其他对外数据产品例如数据魔方及量子报告等综合到生意参谋上；二是建立数据公共层，数据公共层是结合了集团各业务群的共享资源而成的数据服务，希望可以成为内部的DaaS模型。
数据公共层的起缘是因为当时集团各个部门建了很多自己的数据“烟囱”，重复建设严重，导致数据的存储、加工等资源严重浪费。怎么把各个“烟囱”中的数据分为专有和公有，并且把公有的数据放在数据公共层，这是我在这段时间内耗费精力最多的事情。在我眼里，这个数据公共层也是我认为在大数据中最重要的东西，我也在其中学到了很多经验。
前面提到的那些应用，我们都可以称之为“数据”，而这时才是“大数据”。“大数据”的意义就在连结，数据公共层就是跨业务群的精华，让所有人能把其他人的数据冗余利用起来，这时“大数据”才算做了起来。
我这么说，不是说我们以前没有数据共享，而是从前都是零散和没有计划地分享及同步数据，有点小打小闹。到了正式建立数据公共层的时候，才有人去整合全集团的所有数据，把它当成一个数据资产共建来看待，所以数据公共层后来就被CEO定义为公司唯一的数据资产的收集与加工的部门。● “混、通、晒”和“存、管、用”，帮我打通数据闭环
在我淘宝的几年生涯里，一个非常重要的项目让我永远难忘。
有一年，马云让我们把聚划算自动化，在我眼里其实这就等同于商业版的无人驾驶技术——因为，要把聚划算这个部门的品类规划、选品、定价等流程自动化，让机器决定什么产品哪天上聚划算。它要求整个链条中的决策都要自动化，而没有人参与其中，这对我们数据的收集、加工、提炼等整个链条的能力都提出了非常大的考验。
而且，这个项目也是真正实验如何在业务运营中使数据技术成为主干的一步，数据能力、算法要完全融入到业务流程当中，每个环节中的数据回流等成为闭环的一部分。
好在这时我们的部门已经是一个具备全方位支持能力的，能够覆盖数据的准备、加工、收集、分析、整合到使用整个链条的部门了，而且我的数据科学团队也已经开始涵盖集团中很多不同业务的项目，甚至连交通这样的政府项目都有涵盖。
我这段时间的经历，我想说我很荣幸，能够用我的白头发换来亲自经历一场人机大战的故事，让我可以在过去3年中接触到这么多数据甚至整个数据链路，最终我实现了数据应用的闭环。要做好数据，我们首先要在数据使用的闭环中让数据越来越容易使用，同时在数据准备的闭环中，让制作数据的成本越来越低（见图0-1）。图0-1 数据化运营和运营数据的闭环系统
闭环系统中，虚线以上用户能很简单地使用，虚线以下是让数据制作变得更快更自动化。一个是使数据产生价值，如何让多种多样多变的数据原材料很快、很灵活地重组，并且使它相对稳定，这就是做数据基础建设天天要去想的问题。如何让而使用数据变得越简单越好用，这是两个闭环。
这就是我曾提到的“存、管、用”和“混、通、晒”。“存、管、用”就是用技术而不是人工的方法去做资产或材料管理。怎样评估是不是做的好呢？得看数据有没有、细不细、全不全、稳不稳、快不快。所以，一旦把数据管理好了，我们就会很灵活很快地做出数据，并且在使用的时候产生很大的价值，到底我们提炼到的是垃圾还是黄金就取决于此。
以往用数据要“混、通、晒”，养数据要“存、管、用”，经历了支付宝和阿里集团的6年后，我觉得以上每个环节都已经出现很多创新，比如感知（sense）技术的创新让数据收集层面多姿多彩；存储的格式会更适合于数据灵活掉动；人工智能除了直接服务于产品外还可以增加数据的识别度；大家都已经意识到数据的互联互通及质量保证是DT的基础……● 整合和配合，数据团队要学会取舍
在淘宝的几年，可以说是我在支付宝成功之后的收成期。得到领导的信任，拿到很多重要的项目，很多人都想加入我的团队，人才也不再是一个问题。
从我进来淘宝到现在，数据团队一直是急速奔跑的团队。我进淘宝时，团队仅仅7个人，如今已经发展到700多人，规模扩大了100多倍。与此同时，数据部门承载的管理层的期望也越来越高，也越来越在聚光灯下。
团队发展时，我一直比较纠结员工配合的问题，工程师和分析师的合作是数据部门的一个“死门”。因为分析师总是想把脏活给技术的人做，而技术的人觉得这是个苦差事，总是想做一些比较偏业务的事情。这两者之间常常都不满意各自所在的位置，想跳出自己的圈圈。此外，分析师也有一些配合的问题，比如决策分析和业务分析两种分析师到底该怎么区分，怎么让大家一起合作一直是个难题。
这样的配合我认为是数据和业务团队的整合。中央部门的数据团队一定要面对一个很残酷的问题：什么东西是我们该做的？什么又是当时机成熟之后要放手到业务部门的？
简单来说，就是谁做得好就应该谁来做。2014年时，我也曾想把商业分析团队放回到各个业务部门中，结果业务老大都不同意，认为我管更好，谁做得好归谁。
在很多项目中，我发现只要业务部门一旦看到数据能帮上他的忙，而且是非常重要的东西时，他们就会把应用的东西拿回去。所以中央部门不用强求，只能做小项目。在大项目中，大部分业务团队都有自己比较好的应用场景，都能更好地进行试验。所以，中央部门慢慢要形成好的数据中间层，这是关键。
中央部门很难做好应用，分析师也一样。应用和分析师都需要对业务场景非常理解才能做好。而底层的数据怎样更灵活、更快、更容易给用户使用，肯定是中央部门需要做的。
但划分不是完全绝对的，而是你中有我，我中有你。决策分析肯定最好放在中央，因为决策分析是服务整个公司的，帮助CEO来看大盘，肯定不能用业务部门的视角。
数据则分公有数据和专有数据，专有数据要回到离应用比较近的地方。公有数据是公司最有用的资产，在中央部门集中管理，让它成为很重要的材料以供别人使用。那么，边界怎么分？我只能说：只要大数据的情况越泛化，中央部门所需要承担的责任就越重，也越集中、越具体。
这些年来，我觉得现在阿里的数据依然没达到我理想中的蓝图，主要有两个原因：一是整个大环境还未形成，二是阿里的数据环境才刚开始，演变是循序渐进的过程。这个过程，是急不来的。我看数据科学
在2010年年底，我就意识到有大数据的出现，所以当时就跟Lucy提出，支付宝要有一些数据科学的人才储备，但可惜的是，我虽感觉到了新时代即将来临，却未能正确地指出机器学习的趋势，所以没有大力引进。
而到了淘宝后，我是第一个在管理层力推大量招聘数据科学家的，当时还有其他高管质疑我的做法。但在当时淘宝总裁的大力支持下，我终于如愿。记得我招到第一个数据科学家后，我们每周都会在我办公室约谈，用非技术的语言聊数据科学家是做什么的，以便很快加深我对数据科学的理解。
传统的数据科学家常常是博士或博士后，研究的方向是机器学习。数据科学家的出现其实是个演变的过程，几年前企业的数据应用都是看多用少，不够直接，也很少涉及机器学习、算法等领域。
从数据科学家进来的那天开始，我就认为他们是不可缺少的，他们的工作不是今天的数据分析师和数据挖掘工程师能做得了的，虽然数据分析团队中也有数据挖掘的人，但数据科学和数据挖掘是有所分别的。
我认为合格的数据科学家应该是有产品意识的，为了解决问题会更偏重于找到问题的原因，然后寻找最好的方法来解决它。所以可以说，区别就在“科学”这两个字。
数据科学是科学不是工程，工程追求效率，科学追求真理。如果数据科学家做得太实操，就会变成一个数据挖掘工程师。如果他“飘”在空中，便没办法在企业中生存。
企业想要找到既能上天也能落地的数据科学家很难。在我眼里，一个企业如果有这样的人，就像三国时期刘备有了关羽。但可惜的是，这世上的关羽少之又少。
在这种情况下，企业应该把事情分为长中短线来看。顶层设计要比较清楚，让数据科学家能做一些比较有难度的事情，让能落地打仗的工程师去做落地的事情。这两者如果没有好好区分，他们之间就会“打架”，这样企业耗不起。此外，从企业环境来说，一个公司到底有没有科学精神，也会非常影响数据科学人才的落地。
经历过对数据科学的理解后，回想我在支付宝做的最后一个“黄金策”，如果今天让我重新做这个产品，我不会用以前的方法，因为今天的技术和曾经的技术已经不一样了。“黄金策”给人的感觉是可以发现很多东西，但同时能发现的东西也是有局限的。虽然有600个或800个用户变量给你自己组合，但数量还是只有600个或800个，能不能有6 000个或8 000个呢？从今天的技术来讲，用深度学习的方法，有些环节机器会比人做得更好。
6年来我所做的工作都是人用经验提出一个假设，然后用数据来证明哪个假设更可能。到今天为止，让数据告诉我们新的发现，而不是人的经验，还是少数情况。但数据带来的这些新发现，是人类以前的逻辑中所没有的。换句话说，数据重组了这个世界的“可能”。
这是人类为什么要花很多资源去做大数据的原因所在，因为人类的思考本身是有局限性的，如果使用集体智能，用深度学习的方法来找出人都提不出来的假设，然后通过人机协作找出未来的新世界、新智慧，这就是数据科学要走的路。扫码关注“庐客汇”，回复“决战大数据”，观看车品觉最新演讲视频。
数据科学如果不是每天都在进步，每天不满于今天的状态去PK以前的理论，就不是数据科学，而是死工程。数据科学每天都在突破以前的理论，因为以前的理论只能解决某个点，以前的顶层设计只适合于以前的情况，未来的顶层设计怎么样，需要我们不断去探索，而科学就是探索。引 言忘掉大数据
我们正处在历史的转折点上，数据技术在快速变革。大数据成了人们竞相议论的热词，但鲜有人提及这场巨大变革中人们需要具备的能力。无数的企业及个人望“数”兴叹：“大数据与我何干？”未来是大数据的时代，未来的竞争就是数据的竞争。也许，我们早该忘掉那些华而不实的喧嚣，让大数据真正从“看”到“用”，真正“活”起来。
大数据的力量来自触类旁通的关联。我们以前总是用数据来证明或企图说服工作上的盲点，而如今的数据不再是一加一的依据，而是具备了预测和开创新机的能力。用数据找机会
我第一次见证大数据的魅力是在17年前，只是当时的我并不知道那就是“大数据”。20世纪90年代初，我结识了一些以博彩为生的朋友，这些人组成了一个团队，每年通过赛马就能盈利数亿港元。我非常惊讶，要知道很多人在赌马场上可是血本无归的，而他们却能把这种概率游戏变成稳定的盈利工具。原来，他们的秘密就是使用了一套“养数据”策略——将每一场赛马比赛的过程都录下来。当时我觉得这个做法很奇怪：“电视上已经在播放录像了啊，还另外录制比赛干什么？”后来我才得知，他们居然在每场比赛中都会录制赛马不同角度的录像。通过这些录像，他们会分析出骑师、马匹有哪些失误动作、这些动作会带来怎样的后果，然后再把这些数据“清洗”出一个更准确的数据（Smart Data）。赛马过程中有许多意外，而他们利用数据来还原——如果在没有意外发生的情况下，马匹在不同场地与不同骑师配合中的应有速度。就这样，他们可以更准确地判断出每匹马的实力和获胜的机会；通过悄无声息的数据收集，每年入账数亿港元。
令我最为震惊的是，他们竟然不看表面数据，而是从无限数据的机会中寻找核心数据。
这正体现了大数据与传统数据之间最大的不同。以前，我们是“有问题找数据”，而在大数据时代，其最核心的特质则是“用数据找机会”。我们做大数据，必须要有一个预判，那就是哪些数据是你必须要提炼出来以解决盲点的。赛马的结果其实充满了“意外”，新的数据角度帮助我们一窥真实的结果，那就是“用数据来还原真实”。只有实效的数据才是正道
现在，大数据的概念纷繁复杂，媒体上充斥了各种关于大数据的报道，但其中不乏牵强附会、滥竽充数的言论，某些媒体甚至把简单的统计也冠上了“大数据”的头衔。
作为一个跟数据打了十几年交道的人，我深深地知道从“看”到“用”，再从“用”到“养”的数据运营，本身就是一个复杂的过程，而我们目前最应该做的，就是暂且忘记大数据的概念。行胜于言，只有具备实效性的数据才是正道。我希望从实用的角度来拨开大数据的“面纱”，告诉每个人大数据的具体运作应该是什么样的。而且，数据量不是最重要的问题，我们要的不是数据的量，而是有“质”的量，这正是我写作本书的目的。数据，决胜未来的商业利器
在这个风云变幻的数据时代，只有让数据成为商业的利器才能决胜千里。
首先，我们需要拥有一套具有商业敏感度的数据决策框架，可以使企业“看”得更准，并能够对近期所做哪些是对的、哪些是错的进行判断。这样一来，快速的数据反馈可以让每个决策误差得到及时修正。其次，让数据真正从“看”到“用”，让用数据成为构建企业生产力的重要部分。再次，让DT战略深入到企业的每个角落，使数据从生产、收集、使用、分享到反馈变得简单易用。最后，让DT战略落地还要特别注意数据的稳定、准确、时效和有效实施。
在阿里巴巴，我学习到一个很重要的经验——人和事是分不开的。企业要想成为一家数据化的企业，文化的培养必不可少。“混、通、晒”及“存、管、用”两套内功是让企业的血液（数据）流动起来的关键。数据流动得宜，则神清气爽；相反，数据如果出现停滞或质量问题，企业则性命不保。锻造数据力和思考力的合力
大数据时代的到来，让我们第一次遭遇了数据化带来的机遇和滚滚红利，也让我们的思维方式出现了重大改变。很多时候，我们欠缺的不是解决问题的方式，而是定位问题的能力。我们应该思考，有没有数据可以改善我们的盲点；我们该如何学会用“假定数据是可获取的”来重新思考周围的一切。当数据化思维成为你的直觉式思考时，就能够把数据的力量和思考的力量融合在一起，产生新的无与伦比的合力了。到那时你会发现，周围的一切都将因此而焕发出新的生机。
最后，衷心感谢帮助我完成这个看似不可能完成的任务、写完这本看似不可能完成的书，并最终付诸实践的老师及朋友们：
感恩给予我写这本书勇气的雪谦寺拥珠扎西仁波切；
感谢一直帮助我推动这本书前期工作的林君君；
感谢用业余时间协助我完成写作及案例工作的赵军、李江、吴慧敏、欧吉良、张大红；
感谢湛庐文化专业的策划和编辑团队；
更感激家人一直容忍着我的忽视……
正如数据是一种信仰，万法唯心，每一刻的进步都来自真诚的对待！品觉于西子湖畔特别说明
1.本书观点乃作者十几年经验心得的分享，只代表个人立场。
2.本书所有版税收益作者将赠予上海美丽心灵社区公益基金会桑珠利民专项基金会作助学用途。第一部分从数据化运营到运营数据数据十诫
1 一切从定义问题开始，问题问好了，答案就在里面。
2 在万物皆数据的年代，要以“假设数据都能获取”为前提去思考问题。
3 数据助力企业的“四部曲”：描述现况、深入诊断、预测趋势、指挥行动。
4 “快+准”的数据，让我们可以从已知规律中寻找价值。
5 “广+乱”的数据，给予我们从发现中获取颠覆过去规律的能力。
6 大数据不是独奏，而是不断连接无处不在的数据。
7 数据技术就是加速和积累（数据、分析、服务）的能力。
8 大数据生态的连接需要建立标准与规范。
9 大数据是诸多小数据的组合。
10 数据是一种信仰。01大数据，为什么很多人只会谈、不会做
有人说，大数据就像国王的新衣，每个人都在国王面前说着动听的话，国王信以为真，其实他并不知道自己在裸奔。
的确，网络上有很多人在谈大数据，但是他们只会谈，不会做，因为他们根本就没有做过，包括那些所谓的“大数据专家”，他们真的做过吗？没有。事实上，这些人对大数据内在的问题一点儿都不了解，更别说知道大数据的水有多深了。
目前，在大数据方面，无法深入应用的原因在于，从收集到使用的大数据价值链出现了问题。从理论上来说，从收到用的螺旋式循环是一个巨大的涡轮，只有先数据化运营，然后才能运营数据。而现在的情况是，用数据的人不知道大数据从哪里来，做数据的人不知道大数据如何使用。想用的人不敢用，因为担心大数据的真实性；做的人不知道怎么用，因为大数据的复杂性。这一问题造成的结果就是，数据量变得越来越大，而且越来越无法有效地使用。大数据从来不是免费的午餐
大数据从来不是免费的午餐。大数据的来源是多渠道的，偏倚、随机的误差总是存在。
我先问一个数据管理上最现实的问题：“大数据如何备份？”毫不夸张地说，大数据已经这么庞大了，如果再备份一次，你的成本起码会增加一倍。
做大数据基本上都要从大量收集数据开始，因为这些数据在未来会大有用处。但是，你是不可能无止境地收集下去的。在这里，你已经看到了一个再清晰不过的伪命题：大数据的确能够备份，但是成本会增加两三倍。然而，“以前重要的数据肯定都需要备份啊，”你自然会问，“如果不能备份，我该怎么办？”而这就是大数据管理中必然会遇到的一个问题。
我再问一个问题，如果你在数据使用方面一直得心应手，整个商业链条和数据紧密相关、相辅相成。但是，现在数据链忽然断了，或者不再有效了，此时你该怎么办？
需要注意的是，这一问题说的不是你有没有使用好数据，而是说曾经你可以得到的数据现在无从获得了；或者说这些数据不能再在线上收集，只能从线下获取，成本也就相应升高了；抑或说，这些数据存储在其他地方，你不能使用了。在诸如此类的情况下，你该怎么办？
当然，如果你对数据的使用本来就很生疏，而且也觉得无关紧要，那么数据链消失了、断裂了、失效了，你也不会有太大烦恼。但假如正当你将数据使用得风生水起的时候，出现这样的问题，那你也只能束手无策，眼睁睁地看着机会溜走。
大数据从来不是免费的午餐。伴随着大数据热潮的到来，关于大数据的一些新问题层出不穷——大数据会夹杂着虚假信息；大数据的数据量很大，但有用的信息不一定多，甚至还会破坏核心信息；大数据的来源是多渠道的，偏倚、随机的误差总是存在。
但是，我们也需要客观地认识到，大数据现在面临的这些问题，其实就是把小数据中的一些问题放大了。小数据中难道就没有噪音会破坏我们的核心信息吗？当然也有，只不过当大数据把数据量放大和变多的时候，噪音的破坏性也会相应变大。小数据中难道就没有渠道偏倚和随机的问题吗？当然也有，但是在大数据的背景下，问题被更明显地放大了。人的断层
断层才是大数据所面临的最严重的问题。收集数据的人并不清楚未来使用数据的人要做什么，这是目前大数据运用的一大关键命门。
说了这么多，事实上还没有触碰到如今大数据面临的最大问题：人。
很多人都会问，大数据能带来什么价值？怎么衡量大数据创造的价值？事实上，最直接的衡量标准就是，在经营上它为你赚了多少钱，带来了多少实际的利润提升。
对于这一问题的解决，现在很多人倾向使用的方法是计算“在用了大数据之后，点击率提高了多少，转化率提高了多少”。但是要知道，转化率和点击率能提高的数据，可能根本不是投资人或公司最高管理者对大数据的期望。对于业务人员来说，转化率能提升5个百分点就已经非常好了，如果将转化率从2%提高到3%，简直就是奇迹了；但对于公司最高管理者来说，这并不是他想要的大数据。
你需要认识到，断层才是大数据所面临的最严重的问题。收集数据的人并不清楚未来使用数据的人要做什么，这是目前大数据运用的一大关键命门。
在使用大数据时，我们通常的做法是先把数据收集起来，因为我们知道在未来的某一时刻，这些数据对我们可能有用。不过，“未来可能有用”就注定会引发一个问题：收集数据的人不知道未来使用数据的人要做什么。这时候，如果你再问收集数据的人“如何才能更好地收集数据”，那么，数据的使用就会陷入一个死循环。
事实上，不仅是收集数据的人，就连使用数据建模的人，同样也不清楚当前的数据是如何获得的。数据建模是数据使用的关键环节，使用数据建模，就是根据以往的经验从中寻找到一些潜在的规则，然后把这些规则结合起来去解决问题。
举个例子来说，我现在身上只有10元钱，我可以用它买一本杂志，也可以用它坐几次公交车，或者可以用它来买方便面充饥，这三种选择在一般情况下都是可行的。但是，如果再加上一个“我没有吃早餐”的场景时，在以上三种可能性中，我选择去吃方便面的概率自然会比较大。这其实就是一个简单的模型——输入“拥有10元钱”和“没有吃早餐，肚子饿”这两个场景，输出“买方便面”这个结论，它帮助我们快速选择了一条解决之路。
选择“吃方便面”的这个场景虽然看上去很简单，但同样是一个经验的总结，这个经验就是“肚子饿了要吃饭”。把建模这个过程说得更加复杂或者专业一点，就是基于很多以往的经验，进行总结，或者是对旧有数据使用规则的发现，将经验和数据相结合，最后输出一个可以被套用的业务规则。
不过，此时使用数据建模的人并不一定完全清楚数据是如何产生的，这是一个客观存在的难题。因为就大数据研究来讲，我们很多时候使用的都是他人的数据，既然是他人的数据，你又怎么能够保证自己会完全弄清楚它们呢？
现在，在运用大数据时流行一个例子，比如我在搜索引擎里发现某个地方搜索“感冒药”的频率非常高，于是，我就断定这个地方可能出现了流行性感冒。而这个数据源是从何而来的？我虽然知道很多人搜索了“感冒药”这一词语，但是却完全不知道在搜索引擎里搜索这个词语的人到底是谁。而提供数据的人既没有责任要告诉我数据是怎么来的，也不必告诉我数据的质量如何，更不必告诉我数据到底会不会有偏差。这样的结果推及到大数据领域就是，研究数据的人完全不清楚数据是怎么来的。模型数据从何而来
创建模型的人不知道自己所采用的数据在未来是否稳定，使用模型的人不知道整个数据的来路或加工过程。
当使用模型的人不知道模型数据从何而来时，其使用角度就要发生改变，具体来说就是视场景而定。比如说，今天你要来杭州的淘宝城，有人告诉你“今天你应该从文一西路过来”。你问原因，他回答说：“因为模型是这样提供路线的。”他不会跟你解释，就说模型是这样的，因为下午2点钟到4点钟，从文一西路过来比较快。这个例子就是模型使用的一个场景，选择文一路则是模型的一个输出。那么，你要不要走其他的路？走文二路或者文三路？可是，这种选择的结果就是未知的了。
模型对于很多人来说是一个黑匣子，充满神秘性和未知性。所以，即便是模型创建者将模型公开，也会因为创建者和使用者专业能力和知识背景的不同，使两者之间出现信息不对称的情况，使用者自然也就不知道为什么会选用此种解决方法。也就是说，创建模型的人可能不知道此种模型效果好不好，而使用模型的人也不知道该怎么去反馈使用的结果。这样一来，这种信息不对称会越来越严重。
这一问题恰恰体现了大数据实践中非常严重的断层问题：收集数据的人不知道将来的人怎么使用数据，创建模型的人不知道自己所采用的数据在未来是否稳定，使用模型的人不知道整个数据的来路或加工过程。这些都是普遍存在且很现实的问题。
从公司管理层的角度来看，投资人了解数据的意义是什么？高层管理者对数据的期望和中层管理者之间又有什么不同？他们知道数据能帮助企业做什么吗？这些问题的答案完全会因立场不同而异。
中层管理者大都不知道数据能帮助他们做什么，他们没有管理者的视野，相比之下，你只需要告诉他们数据能解决什么问题即可。相反，数据分析师可能就会更加困惑不解：“我做了这么多东西，为什么你们不用？”
每个层级和功能部门都是一个断层，而且对数据价值的内在衡量都不一样。所以，当我们讲到数据价值时，没有人能对此给出一个合理的定位，原因就在于有几个关键问题没有区分清楚。一是要明确这是谁心里的数据价值，投资人、高层管理者、中层管理者、数据分析师各自心中对数据的价值自然不同；二是要明确数据的分类，不同类型的数据所产生的价值各不相同。为什么我们在大数据应用方面存在障碍？一个重要的原因在于，应用人员对于数据价值和数据分类没有明显的界定。对于这个话题的探讨，我们会在随后的章节中重点讲述。更主动的管理，更多的创新
这是一个“从用数据到养数据”的过程，一个“从数据化运营到运营数据”的过程，也是一个“从看到真用”的过程。
在当下的大数据环境里，数据其实与商业模式密不可分，每个人都认识到它的经济价值是巨大的，但今日的大数据发展趋势之快，对于很多公司来说，变得更加虚无缥缈，难以把控，让每个人抓狂，让每个人手足无措。
而在这一方面，阿里巴巴已经对数据化运营做了不少有益的尝试。淘宝一直致力于一件事：用数据来帮助企业运营和解决问题。但在不断使用数据的同时，也发现了数据本身的问题——大数据需要更主动的管理，也需要更多的创新。
数据化运营就是用数据去解决问题，但是如果我们想把数据做得更好，解决更多新的问题，就需要去做一件以前未曾做过的新事情——运营数据。对于阿里巴巴来说，这件事情是从2011年才有计划地进行的，企业主动收集数据，并且以此去创造更优质的新数据，让新数据更好地服务于企业的运营。这是一个“从用数据到养数据”的过程，一个“从数据化运营到运营数据”的过程，也是一个“从看到真用”的过程。
从数据化运营到运营数据是一个闭环，今天的电商企业正走到了其中的一个节点上。在经历了起初大数据的喧嚣之后，大家终于感受到，要使大数据产生真正的商业价值，我们要关注的内容并非4V[1]那么简单，而应该将焦点放在如何真正让数据落地之上，即从数据化运营到商业管理能力的提升。数据化思考问题就是答案大数据改变了人类学习、工作和生活的方式，更改变了人类的思维方式，而今天我所谈及的数据化思维正是在大数据的特色中产生的。西方式的思考着重于系统性分析，因此对一件事情的理解过程，大都是利用数据进行细分/归类、对比、溯源，以及从三者的动态趋势中去找出变化的规律。我们可以从以下几点着手：● P——目的。我们的目的是如何让自己更“好运”。● I——定义。我们要定义什么是“好运”，例如可以细分为：财运、健康或者人缘。● M——量化。如何量化“好运”？参照前面的定义寻找可量化的目标：工资增长率、体检中某项指标的高低等。量化了之后，我们可以从趋势中预判出做什么可以更“好运”。● A——评估。执行后，评估什么做对了、什么做错了。可见，西方式思考中的溯源，就是从事物中找出因果关系，寻找能够有效获得成功的驱动力；而东方式思考中的溯源则是从本质找出根源，例如，“好运”的本质可能在经过分析后会体现为“快乐”，但量化出来的结果却是“笑”。然而，不管是东方，还是西方，要溯源，一切答案都得从问题开始。因此，良好的提问技巧能使我们在寻找答案的道路上事半功倍，好问题（Deep Question）可以使我们离答案更近一步。一位知名CEO曾很得意地问了我老师一个问题：“你觉得到底是eBay的商业模式好，还是亚马逊的商业模式好？”其言外之意是，今天亚马逊比eBay做得好，是不是也就意味着它的商业模式比较好。我的老师并没有直接回答这位CEO的问题，而是反问了一个问题：“你的问题也许跟商业模式无关，产生这样的结果会不会只是因为亚马逊的CEO比eBay的CEO做得好呢？”无须多言，问题就是答案。所以，对一件事情的认知，要看你是否具备了用问题解决问题的能力。2011年的时候，阿里巴巴要从数据化运营开始转向运营数据。当时，我负责支付宝的运营数据工作，却很是苦恼，毫无头绪。我没有任何思路，于是我打电话求助我的老师，咨询他对于这个问题我应该如何思考。接下来发生的事情让我非常难忘，我的老师并没有直接回答我，而是问了我3个问题。现在你所在的公司，面对的3大问题是什么？公司未来3个月中，要解决的问题是什么？在过去的1个月中，你做对了什么，做错了什么？我现在给你5分钟时间，如果你说不出来公司目前面临的3大问题，而你作为商业智能部的负责人，就基本上不该继续坐在这个位置上了。当然，我明白这3个问题里面已经包含了答案。当你要做数据化运营或者运营数据的时候，你必须要问自己这些问题。如果你没有问自己这些问题就去想如何收集数据的话，那肯定会出问题，这是很关键的一点。所以，思维方法很重要，在有了数据、有了对商业的理解的前提下，思维方法是不可或缺的关键。思考的方法是无穷尽的，就像两个武林高手过招，假设一方面对的是功夫高手李小龙，作为局外人的我自然无法给出应该如何取胜的建议，而是需要他自己动态地去寻找答案。寻找答案的过程中，有一个很重要的衔接点。很多时候，我们会受一些固有问题的影响，如果不懂得变通、不懂得如何提炼核心的话，就会产生思考的盲点。如果你的思考出现了盲点，就注定问不出一些非常关键的问题，就好比，对方明明是男性，还问他是不是男性，就丝毫没有价值。有时，有些东西并非你认为的那样，所以，你才会连问问题都懒得思考，就问出像前面那位CEO的“eBay和亚马逊谁的商业模式更好”那样奇怪的问题。话说回来，在知道自己的思考有盲点的情况下，即便问题问得不好也并不丢人。但如果自视甚高，什么问题都不问，盲点注定会相伴一生。我曾经见识过一位顶级CEO，其厉害之处就是，凡事都说：“我不懂，麻烦你再解释一下。”最重要的是思考，尽管你懂，但如果在问问题、看问题的角度上没有拓宽视野的话，想解决问题依然很难。就好像咏春拳里的“问手”，它并不能用于过招，而是寻找答案的一种方式。你一碰，它就有答案。你不动，它不动，而且会避开，你只能寻找破绽再出击。“问题”是用数据来拿数据，而“问手”就是用一个问题引出另一个问题。在大数据的商业环境里，要既懂数据，又懂商业，还要拥有一套好的思维方法，而数据化思考正是这样一个崭新的事物。当我们想知道问题的答案时，就要首先学会如何问对问题，因为一个好问题会引发出很多答案，这是一门艺术。在我看来，人的思考方式在大数据时代尤为重要。在后面的“数据化思考”中我将谈到一些有关思考的例子，以供大家参考。答案不重要，思考的角度才重要。要习得一套巧妙的数据化思考方式，三分靠想法，七分靠实践。所以，切勿空谈。
试读结束[说明：试读内容隐藏了图片]