第10章 使組織更加靈活選擇正確的組織構架、流程和技術
智能數據：如何挖掘高價值數據 作者：比約恩·布勞卿 投票推薦 加入書簽 留言反饋
可以自由選擇工作崗位嗎？
自由選擇工作崗位是組織管理谘詢顧問近來常提到的一個概念，聲破天公司的運營經驗就是這方麵的一個成功案例。作為全球最大的正版流媒體音樂服務平台，聲破天將敏捷的團隊組建（例如組建scrum敏捷開發）、精益經營管理（例如豐田kanban看板管理）以及體現企業民主元素的自組織等應用於企業組織構架，並取得了令人印象深刻的效果。
聲破天的1400多名技術人員自由組成了十多個工作小組。每個小組都對最終產品的一部分負全責，並且他們可以在所轄範圍內自主地為產品研發新功能。為了最大限度地提升每個小組的發揮空間，團隊都是由跨學科人才組成的。每個小組都要摸索著去工作，就像在一個小型初創企業中一樣。小組內不設傳統意義上的負責人，而是實行產品經理製。團隊內設一個敏捷教練（agile coach），確保團隊執行原則紀律。每一個團隊成員都可能做出決策，隻要其他成員認同他的想法即可。
工作內容相同或者相近的小組，比如負責音樂播放器和負責後台設施的小組，又同屬於一個大組。根據鄧巴數字（亦稱150定律，即個人能夠維持穩定社會關係的理論人數上限值），每一個大組的人數最多不超過150人，否則將引起組織混亂。一個大組內的小組會定期開會，交流信息，並達成涉及每個小組的決策。1/10左右的工作時間將投入到跨小組的項目研究。
此外，各小組的專家也會定期坐下來交流探討，在企業經營或者某一產品層麵，研究課題和工作設想還是要具有一定程度的一致性的，比如在產品測試方麵。這些專家除了屬於某一小組外，還共同屬於公司內部另一個部門。這個部門負責大組間的聯動和指導，負責向各大組傳導公司的全麵信息。最高級別的組織者是係統管理人和總工程師，若小組要對係統進行較大幅度的修改，則需要經過他們的同意。有趣之處在於，擁有領導頭銜的組織者享有的主要是建議權，最終的決策還是由小組做出的，因此小組也需要最終對決策的成敗負責。
聲破天公司的成功證明了上述組織體係是具有合理性的。這家瑞典的初創企業為用戶提供了產品使用便利，全球有上千萬的用戶每月支付大約10歐元付費使用。聲破天公司優化客戶數字化體驗的速度之快，令同業競爭者歎為觀止。許多來自其他行業領域的初創企業仿照或者直接移植了聲破天公司的組織模式。我們對這方麵的研究具有極大興趣，我們將這個看作經營創新的源頭，同時也是思想靈感的源泉。
我們都明白，在可預見的時期內，大部分大企業不會采用這種組織體係。這種激進的自組織文化在西門子、大眾或者德意誌銀行這種規模的企業內部也不會掀起波瀾。但同時我們也認識到，在多數企業集團內部，現行的組織形式限製了創新思維的發揮空間，生產流程過於僵化，行政管理過於強硬，這導致了很多企業將主要精力耗費在內部，而忽略了市場研究。
在我們的印象中，在這方麵，前些年的大數據推動者似乎扮演了一個自相矛盾的角色。他們讓人們感覺似乎不用改變企業內部的組織構架和本來流程。而現在，我們已經掌握了最新的技術手段，它昭示了我們必須去做什麽——我們要去掌握技術，然後直接把數據扔進分析機器中，等待數據分析的結果。然後我們就可以利用這一結果去優化既存的組織構架和流程，優化中間產品和成品，完善物流、營銷、經營和客戶服務。
如果沒有組織結構的優化和良好的變革管理，大數據就是一紙空談。
情況有可能比空談還要糟糕。為什麽在過去幾年，那麽多打著大數據旗號的大項目以失敗告終，令很多人失望？這是有原因的，就是我們所謂的數據分析機器還沒有真正尋找到智慧之石。在這一點上，智能數據選擇了折中的路線。 智能數據的折中路線
要為示範性項目在組織架構和流程上鬆綁。一座燈塔如果沒有電、沒有燈就不可能發光。一個項目也是同樣的道理，如果沒有必要的資源，那麽從一開始就注定了失敗。
智能數據理論承認大型企業是需要組織構架和流程的，想要在一夜之間改變這點，既不現實也不值得期待。同時，高管層如果想提高企業的數據分析能力，那麽他們就需要為數字化項目提供足夠的施展空間。在實際操作中，這意味著要為示範性項目在組織架構和流程上鬆綁。一座燈塔如果沒有電、沒有燈就不可能發光。一個項目也是同樣的道理，如果沒有必要的資源，那麽從一開始就注定了失敗。
企業高管信服並關注這一點的必要性，我們認為再怎樣強調都不為過。事實上，企業高管層也有意願去探索新的道路，隻不過結果總是不理想。我們看過很多由高層推動的數字化項目，他們期待項目能夠有一個好的結果，但往往被以下情況所耽誤：
☆一個行動緩慢、人手不足的營銷團隊，滿足於完成基本任務；
☆一個主要由“白領”組成的外勤隊伍，對集中管理反應過度；
☆一個缺乏靈活性的it部門，負責運營老舊的客戶關係管理係統。
專業能力強、工作熱情高的項目經理都有過這樣的失意經曆。但是最終他們往往能夠獲得全新的認識，由於企業中不同的股東對成本籌劃的認知邏輯截然不同，他們很難具有統一的經營目標，此時客戶往往被置於邊緣地位。認識到這一點後，以後就能做得更好。 數字化變革中的“四步走”<h4>第一步：引入智能數據循環流程，開始進行變革管理</h4>
公司董事會或管理層必須建立一個清晰的認識，即通過利用數據分析，我們可以使業務發展得更好。數據分析本身並不是搖錢樹，它隻是整合了跨部門、複合化的團隊，並保障這個團隊擁有（本書第二部分提到的）智能數據流程順利運行的時間和資源，為團隊實行數據驅動下的市場營銷提供手段。高管層中至少有一位成員需要參與到團隊中，或者說，必須要有一位高管加入團隊。
在智能數據團隊中大家都清楚，在數字化變革過程中，團隊中是否有一個良好的變革管理，會影響團隊中關鍵成員邁出變革的第一步。一些企業的內部具備變革的良好條件。在促進變革措施落地時，外部因素也很重要。簡而言之就是，我們必須通過變革管理提前統一股東們的認識，尤其是對持懷疑態度的股東，不僅僅隻是告知他們，而是要為進行試驗流程奠定一個統一的思想基礎。
我們必須通過變革管理提前統一股東們的認識，尤其是對持懷疑態度的股東，不僅僅隻是告知他們，而是要為進行試驗流程奠定一個統一的思想基礎。 <h4>第二步：調整激勵方案，以客戶為中心</h4>
智能數據之路的最終目標是實現以客戶為中心。我們隻有在激勵方案中將客戶置於核心位置，才能夠在智能數據之路上取得進展。
我們可以想象一下，在一個更加完善的市場和運營環境中，再沒有傭金或者手續費的概念，而隻有固定薪資概念。一名員工會盡自己所能地為客戶提供谘詢，因為他知曉這樣做會提高客戶的長效價值貢獻，有利於企業的長期經營，而他自己也會從企業的長遠發展中獲利。
在一套自學習係統真正顯現其效果前，它其實需要逾越很多人性障礙。
讓我們從想象中回過神來。企業的激勵方案應該著眼於客戶長效價值的提高，而不是像現在一樣關注短期營業額。一個員工如果能夠提高客戶的口袋份額，或者營銷了售後服務產品，那麽他就應該獲得獎勵。如果有哪位員工還是滿足於向存量客戶出售基礎產品或耗材，那麽對不起，他將無法獲得額外獎勵。
換句話說，我們需要檢驗結果，這也符合數據驅動下的企業管理的內部邏輯。
原則上，激勵方案的設計，需要鼓勵在數據分析方麵的投入。有些人會質疑這樣做的必要性。當數據分析切實為企業帶來了增效，企業管理人員就會注意到，並且自然就會使用數據分析係統。從理論上看，這樣說是有道理的，長期以來我們也是這樣希望的。我們通過其後很多智能數據項目了解到，在一套自學習係統真正顯現其效果前，它其實需要逾越很多人性障礙。正如所描述的那樣，所謂智能數據流程，就是有規律性、有意識地去探尋新的事物，這些事物可能經過三次優化之後才會優於既存事物。想要獲得機器的輔助，意味著要鍥而不舍地探索，也意味著每一個員工必須放棄一部分的對機器的自由選擇權。
在情感層麵上對此有抵製情緒是人性使然，隻有通過坦誠有效的溝通才能解開心結。否則，對數據分析的抵製情緒最終會導致哪怕是最有希望的數據項目以失敗告終，而此時，項目創造增值的效果還未得以顯現。 <h4>第三步：智能化地配置資源，培養人才</h4>
在本章的開頭我們就談過，自願選擇工作崗位這種方式對絕大多數大企業來說都不現實。但這也不能一概而論，團隊組建與企業普遍的組織架構相衝突的情況也是可能存在的。
在智能數據企業中，智能化地配置資源首先意味著要為試驗提供條件。員工們自由選擇加入複合化的項目組，是為了在數據科學家的幫助下掌握更多數據分析能力。組員由各年齡段的人組成，他們想弄清楚，如何獨立設計控製組試驗，如何預測建模，以及接下來如何規範分析，這些對他們的工作領域來說都很有意義。組員們需要榜樣和自由發揮的空間。在美國公司裏，這個自由空間被稱為“沙箱”，在這個空間範圍內，市場營銷人員完全可以接觸到企業的全部數據庫。在理想的情況下，組員們還可以設想並施行更大規模的市場營銷方案，而不用提前請示任何人，隻要這個方案不與這家企業的基本理念相悖即可，就像聲破天公司那樣。
在這方麵，我們也經常會聽到反對的聲音。比如，即便我們這樣做了，得到的也隻不過是一些彼此毫無關聯的市場營銷方案，我們也不知道這些方案將給我們帶來什麽，會不會產生惡性效果。實際上，如果沒有一個大的方向，那這確實是危險的。這就是說，數據化創新必須要有一個具有可比性的衡量標準，這個標準是基於相同的客戶理解及客戶分類的。對每一個創新流程來說，這都是指導性原則。基於特定的分析思維邏輯，以衡量標準為前提，創新行為才會具備可比性和互補性。在創新的可比性和互補性方麵，也需要有競爭，這樣，項目才能越來越智能化地迭代。競爭的結果非常符合“二八法則”，我們曾檢驗了100種市場營銷方案，根據之前定義的評價標準，其中8個特別成功，12個很成功，剩餘的80個方案被中止，因此我們就沒有繼續追蹤。
數據化創新必須要有一個具有可比性的衡量標準，這個標準是基於相同的客戶理解及客戶分類的。
總結一下就是，在每一個智能數據項目中，我們都要尋求一種平衡。既要讓員工有足夠的空間去進行智能化的數據試驗，同時也要堅持指導性原則，確保每一次嚐試都是遵循一個統一的框架，圍繞統一的目標開展的，並且，從每一個方案中獲得的經驗教訓可以為接下來的項目提供借鑒。 <h4>第四步：智能化地引進技術</h4>
如果我們想有朝一日能夠捉住浩瀚數據海洋裏的“抹香鯨”，那麽我們需要引進分布式文件係統海杜普。高性能集群計算係統h和quantcast文件係統為我們提供了平台，完成對海量數據的分析。以開放源代碼為基礎的解決方案提高了對mapreduce編程的需求，我們同時還要掌握r、python、hive和pig語言。在簡化係統界麵編輯工作方麵，cloudera和hortonworks公司提供了商業化的選擇方案。但是，如果是大一些的實時應用，我們還是推薦直接選用內存數據庫，比如sap hana。sap hana配置了高功率的多核體係結構，因此可以快速反饋查詢結果。我們需要係統性地對hana分析框架下的機器學習因素進行優化，這一點尤其重要。對可視化分析和人工智能的自然語言處理也一樣，否則就無法完成社交網絡分析。如果在係統複雜性或者數據通過性方麵出現問題，那麽可以考慮使用mike2.0解決方案。所有的成本支出都是透明化的，尤其是在使用雲服務的時候，能夠實現隨收隨付即付且無前端費，pay by the drink（按用量付費）！
停！剛才是開了一個玩笑。如果你對上一段似懂非懂，那麽請你深吸一口氣。
在沒有技術支撐的情況下進行數據分析，就像是遊泳時沒有水一樣。每一項大數據技術都有其存在的價值，能夠在合適的情況下正確地應用這些技術，可以使在10年前還如科幻小說般的市場營銷幻想變為現實。但是這些技術也存在一些問題，當數據科學家們嚐試獨自埋頭研發這些技術時，成本支出可能會得不到有效控製，就像世界頂級建築師建設柏林勃蘭登堡國際機場時發生的情況一樣。
對智能數據冠軍企業而言，什麽才是合適的技術？這個問題不是某一個應用技術、一個編程方法、一個電子產品能夠回答的。我們需要采取正確的行動，促進信息技術真正為我們創造實惠，同時顯著降低投資失敗的風險。 <h4>這樣做行不通</h4>
有一家企業，剛剛確立了一個複雜的數字化戰略。它認為，它的同業競爭者都已經掌握了數據分析能力，它必須用最快的速度趕超。公司的首席營銷官已經意識到了客戶數據的潛在價值，因此他提倡這種趕超行為。企業的高管層並沒有對這個問題進行深入的研究，而是去征求了首席技術官或者技術部門負責人的意見，詢問公司如何能夠在短時間內成為大數據巨頭企業。這種情況下，答案往往是，那我們首先必須要使數字化戰略切實落地，然後我們需要豐富我們的大數據應用程序（雲服務使這點變得更便捷和經濟）。然後，首席營銷官和技術官會設法去遊說財務部門，為此增加必要的預算。
如果預算到位了，首席技術官就會接手這個項目，首席營銷官也會為此感到高興，從此以後營銷人員可以采用技術手段經營目標客戶了。首席技術官很快就會構想出企業理想的大數據公共設施，這些設施在技術方麵無所不能，並且能夠對現有的技術設施提供完美的補充。基於這種理想化的圖景，技術團隊會製定冗長的任務書，涵蓋對未來係統情況的詳細描述。當我們把這些梳理清楚，使其具有邏輯和理性後，就著手進行編程。然後我們會詢問客戶，是否同意我們繼續使用他們的客戶信息，雖然這時客戶根本不知道我們將他們的信息用來做什麽。之後，一係列的市場營銷和企業管理工具就會問世，我們還會開始對員工進行技術培訓。在應用過這些工具後，營銷人員會發現，其實這些工具不是特別適合解決他們麵臨的問題。
這聽起來像是一種諷刺嗎？我們不禁反問，有多少大型的it項目是可以在限定的預算內完成的，又有多少能夠實現預想的效果？研究表明，隻有10%~30%。
技術尤為重要，我們需要依靠技術專家去發掘技術解決方案，一般情況下，技術本身不是問題。 <h4>這樣做行得通</h4>
技術尤為重要，我們需要依靠技術專家去發掘技術解決方案，一般情況下，技術本身不是問題。
讓我們回顧一下智能數據循環流程。市場營銷和企業運營的任務目標沒有改變。我們可以采取五種手段去提升客戶價值，即發掘新客戶、提升口袋份額、長期客戶關係管理、持續推薦和提升市場營銷和運營效率。數據和分析隻是幫助我們更好地去運用這五種手段。如果一家企業計劃增加在信息技術方麵的投入，就必須要認識到這一點。
在引進技術時，要遵循五個基本原則：
☆要弄清楚我們具體要解決哪些商業問題。我們首先要明確回答這個問題，然後再弄清楚未來的使用者（比如市場營銷和運營人員）對技術係統有哪些要求，之後再考慮引進哪項技術。
☆管理部門、技術專家和市場營銷部門必須合作尋求適宜的解決方案。管理和市場營銷部門需要培養一些技術人員，目的是為了更好地針對技術的功能和效用發問。技術專家也需要學會用營銷人員能夠理解的話術去溝通表達。
☆不要固執地尋求最理想的數字化戰略。即便是在大數據時代，也不存在所謂最理想的方案，更不要說是在一個技術尚不成熟的時代了。
☆當我們還不了解一項技術的時候，就暫時先不要引進，這跟投資股票是一個道理。提供技術解決方案的一方必須要證明這個解決方案如何能夠具體地解決我們麵臨的商業問題，或者已經解決了其他用戶提出的需求。換句話說，我們不要引進尚未經過驗證的技術。智能數據企業不是科技進步的試驗品，而應該是明智的新技術追隨者。
☆現在存儲設備便宜了，雲技術得到發展，我們能夠從非結構化的數據中獲得需要的信息，即便是在這種大環境下，我們在引進一項新技術前，仍需要考慮三個方麵的問題：
?新引進的技術是否能夠與現行係統中的數據源兼容？尤其是企業數據庫。
?是不是必須兼容才行？
?如果不兼容，新技術如何獲取數據？
這三個問題的答案決定了新技術是否能夠在新環境中創造出預期的增值效果。 迭代增量，小步快跑！
智能化地引進數據分析技術意味著，不斷接近敏捷編程方法中的迭代開發邏輯，scrum是這其中最常見的一種方法。當項目負責人喊出“迭代增量，小步快跑”這一口號時，他的意思是，將原來列出的項目任務書扔進垃圾桶，不再考慮了。原因是現在用戶的需求變化太快，原來的計劃缺乏時效性，不能再發揮其作用了。通過小步快跑的方式，迭代開發技術應用以滿足客戶需求是更好的選擇。這些小應用可能不能夠滿足客戶的全部需要，但是它們能夠滿足最核心的需求。它們應該具備簡單易學的特點。如果效果好，那麽我們就會對其進行優化，拓展其功能，如果運行效果不好也可以承受，畢竟我們的投入還不算很大。
雖然我們知道，上麵所描述的情況不能百分之百地應用於大企業的數字化戰略，但是敏捷編程方法的核心思想可以作為智能數據企業投資決策的指導性原則。我們不要嚐試一次性轉動技術的巨輪，我們應逐步去實現。哪些小項目最終能夠帶來預期的增值，在這方麵也是遵循“二八法則”。
自由選擇工作崗位是組織管理谘詢顧問近來常提到的一個概念，聲破天公司的運營經驗就是這方麵的一個成功案例。作為全球最大的正版流媒體音樂服務平台，聲破天將敏捷的團隊組建（例如組建scrum敏捷開發）、精益經營管理（例如豐田kanban看板管理）以及體現企業民主元素的自組織等應用於企業組織構架，並取得了令人印象深刻的效果。
聲破天的1400多名技術人員自由組成了十多個工作小組。每個小組都對最終產品的一部分負全責，並且他們可以在所轄範圍內自主地為產品研發新功能。為了最大限度地提升每個小組的發揮空間，團隊都是由跨學科人才組成的。每個小組都要摸索著去工作，就像在一個小型初創企業中一樣。小組內不設傳統意義上的負責人，而是實行產品經理製。團隊內設一個敏捷教練（agile coach），確保團隊執行原則紀律。每一個團隊成員都可能做出決策，隻要其他成員認同他的想法即可。
工作內容相同或者相近的小組，比如負責音樂播放器和負責後台設施的小組，又同屬於一個大組。根據鄧巴數字（亦稱150定律，即個人能夠維持穩定社會關係的理論人數上限值），每一個大組的人數最多不超過150人，否則將引起組織混亂。一個大組內的小組會定期開會，交流信息，並達成涉及每個小組的決策。1/10左右的工作時間將投入到跨小組的項目研究。
此外，各小組的專家也會定期坐下來交流探討，在企業經營或者某一產品層麵，研究課題和工作設想還是要具有一定程度的一致性的，比如在產品測試方麵。這些專家除了屬於某一小組外，還共同屬於公司內部另一個部門。這個部門負責大組間的聯動和指導，負責向各大組傳導公司的全麵信息。最高級別的組織者是係統管理人和總工程師，若小組要對係統進行較大幅度的修改，則需要經過他們的同意。有趣之處在於，擁有領導頭銜的組織者享有的主要是建議權，最終的決策還是由小組做出的，因此小組也需要最終對決策的成敗負責。
聲破天公司的成功證明了上述組織體係是具有合理性的。這家瑞典的初創企業為用戶提供了產品使用便利，全球有上千萬的用戶每月支付大約10歐元付費使用。聲破天公司優化客戶數字化體驗的速度之快，令同業競爭者歎為觀止。許多來自其他行業領域的初創企業仿照或者直接移植了聲破天公司的組織模式。我們對這方麵的研究具有極大興趣，我們將這個看作經營創新的源頭，同時也是思想靈感的源泉。
我們都明白，在可預見的時期內，大部分大企業不會采用這種組織體係。這種激進的自組織文化在西門子、大眾或者德意誌銀行這種規模的企業內部也不會掀起波瀾。但同時我們也認識到，在多數企業集團內部，現行的組織形式限製了創新思維的發揮空間，生產流程過於僵化，行政管理過於強硬，這導致了很多企業將主要精力耗費在內部，而忽略了市場研究。
在我們的印象中，在這方麵，前些年的大數據推動者似乎扮演了一個自相矛盾的角色。他們讓人們感覺似乎不用改變企業內部的組織構架和本來流程。而現在，我們已經掌握了最新的技術手段，它昭示了我們必須去做什麽——我們要去掌握技術，然後直接把數據扔進分析機器中，等待數據分析的結果。然後我們就可以利用這一結果去優化既存的組織構架和流程，優化中間產品和成品，完善物流、營銷、經營和客戶服務。
如果沒有組織結構的優化和良好的變革管理，大數據就是一紙空談。
情況有可能比空談還要糟糕。為什麽在過去幾年，那麽多打著大數據旗號的大項目以失敗告終，令很多人失望？這是有原因的，就是我們所謂的數據分析機器還沒有真正尋找到智慧之石。在這一點上，智能數據選擇了折中的路線。 智能數據的折中路線
要為示範性項目在組織架構和流程上鬆綁。一座燈塔如果沒有電、沒有燈就不可能發光。一個項目也是同樣的道理，如果沒有必要的資源，那麽從一開始就注定了失敗。
智能數據理論承認大型企業是需要組織構架和流程的，想要在一夜之間改變這點，既不現實也不值得期待。同時，高管層如果想提高企業的數據分析能力，那麽他們就需要為數字化項目提供足夠的施展空間。在實際操作中，這意味著要為示範性項目在組織架構和流程上鬆綁。一座燈塔如果沒有電、沒有燈就不可能發光。一個項目也是同樣的道理，如果沒有必要的資源，那麽從一開始就注定了失敗。
企業高管信服並關注這一點的必要性，我們認為再怎樣強調都不為過。事實上，企業高管層也有意願去探索新的道路，隻不過結果總是不理想。我們看過很多由高層推動的數字化項目，他們期待項目能夠有一個好的結果，但往往被以下情況所耽誤：
☆一個行動緩慢、人手不足的營銷團隊，滿足於完成基本任務；
☆一個主要由“白領”組成的外勤隊伍，對集中管理反應過度；
☆一個缺乏靈活性的it部門，負責運營老舊的客戶關係管理係統。
專業能力強、工作熱情高的項目經理都有過這樣的失意經曆。但是最終他們往往能夠獲得全新的認識，由於企業中不同的股東對成本籌劃的認知邏輯截然不同，他們很難具有統一的經營目標，此時客戶往往被置於邊緣地位。認識到這一點後，以後就能做得更好。 數字化變革中的“四步走”<h4>第一步：引入智能數據循環流程，開始進行變革管理</h4>
公司董事會或管理層必須建立一個清晰的認識，即通過利用數據分析，我們可以使業務發展得更好。數據分析本身並不是搖錢樹，它隻是整合了跨部門、複合化的團隊，並保障這個團隊擁有（本書第二部分提到的）智能數據流程順利運行的時間和資源，為團隊實行數據驅動下的市場營銷提供手段。高管層中至少有一位成員需要參與到團隊中，或者說，必須要有一位高管加入團隊。
在智能數據團隊中大家都清楚，在數字化變革過程中，團隊中是否有一個良好的變革管理，會影響團隊中關鍵成員邁出變革的第一步。一些企業的內部具備變革的良好條件。在促進變革措施落地時，外部因素也很重要。簡而言之就是，我們必須通過變革管理提前統一股東們的認識，尤其是對持懷疑態度的股東，不僅僅隻是告知他們，而是要為進行試驗流程奠定一個統一的思想基礎。
我們必須通過變革管理提前統一股東們的認識，尤其是對持懷疑態度的股東，不僅僅隻是告知他們，而是要為進行試驗流程奠定一個統一的思想基礎。 <h4>第二步：調整激勵方案，以客戶為中心</h4>
智能數據之路的最終目標是實現以客戶為中心。我們隻有在激勵方案中將客戶置於核心位置，才能夠在智能數據之路上取得進展。
我們可以想象一下，在一個更加完善的市場和運營環境中，再沒有傭金或者手續費的概念，而隻有固定薪資概念。一名員工會盡自己所能地為客戶提供谘詢，因為他知曉這樣做會提高客戶的長效價值貢獻，有利於企業的長期經營，而他自己也會從企業的長遠發展中獲利。
在一套自學習係統真正顯現其效果前，它其實需要逾越很多人性障礙。
讓我們從想象中回過神來。企業的激勵方案應該著眼於客戶長效價值的提高，而不是像現在一樣關注短期營業額。一個員工如果能夠提高客戶的口袋份額，或者營銷了售後服務產品，那麽他就應該獲得獎勵。如果有哪位員工還是滿足於向存量客戶出售基礎產品或耗材，那麽對不起，他將無法獲得額外獎勵。
換句話說，我們需要檢驗結果，這也符合數據驅動下的企業管理的內部邏輯。
原則上，激勵方案的設計，需要鼓勵在數據分析方麵的投入。有些人會質疑這樣做的必要性。當數據分析切實為企業帶來了增效，企業管理人員就會注意到，並且自然就會使用數據分析係統。從理論上看，這樣說是有道理的，長期以來我們也是這樣希望的。我們通過其後很多智能數據項目了解到，在一套自學習係統真正顯現其效果前，它其實需要逾越很多人性障礙。正如所描述的那樣，所謂智能數據流程，就是有規律性、有意識地去探尋新的事物，這些事物可能經過三次優化之後才會優於既存事物。想要獲得機器的輔助，意味著要鍥而不舍地探索，也意味著每一個員工必須放棄一部分的對機器的自由選擇權。
在情感層麵上對此有抵製情緒是人性使然，隻有通過坦誠有效的溝通才能解開心結。否則，對數據分析的抵製情緒最終會導致哪怕是最有希望的數據項目以失敗告終，而此時，項目創造增值的效果還未得以顯現。 <h4>第三步：智能化地配置資源，培養人才</h4>
在本章的開頭我們就談過，自願選擇工作崗位這種方式對絕大多數大企業來說都不現實。但這也不能一概而論，團隊組建與企業普遍的組織架構相衝突的情況也是可能存在的。
在智能數據企業中，智能化地配置資源首先意味著要為試驗提供條件。員工們自由選擇加入複合化的項目組，是為了在數據科學家的幫助下掌握更多數據分析能力。組員由各年齡段的人組成，他們想弄清楚，如何獨立設計控製組試驗，如何預測建模，以及接下來如何規範分析，這些對他們的工作領域來說都很有意義。組員們需要榜樣和自由發揮的空間。在美國公司裏，這個自由空間被稱為“沙箱”，在這個空間範圍內，市場營銷人員完全可以接觸到企業的全部數據庫。在理想的情況下，組員們還可以設想並施行更大規模的市場營銷方案，而不用提前請示任何人，隻要這個方案不與這家企業的基本理念相悖即可，就像聲破天公司那樣。
在這方麵，我們也經常會聽到反對的聲音。比如，即便我們這樣做了，得到的也隻不過是一些彼此毫無關聯的市場營銷方案，我們也不知道這些方案將給我們帶來什麽，會不會產生惡性效果。實際上，如果沒有一個大的方向，那這確實是危險的。這就是說，數據化創新必須要有一個具有可比性的衡量標準，這個標準是基於相同的客戶理解及客戶分類的。對每一個創新流程來說，這都是指導性原則。基於特定的分析思維邏輯，以衡量標準為前提，創新行為才會具備可比性和互補性。在創新的可比性和互補性方麵，也需要有競爭，這樣，項目才能越來越智能化地迭代。競爭的結果非常符合“二八法則”，我們曾檢驗了100種市場營銷方案，根據之前定義的評價標準，其中8個特別成功，12個很成功，剩餘的80個方案被中止，因此我們就沒有繼續追蹤。
數據化創新必須要有一個具有可比性的衡量標準，這個標準是基於相同的客戶理解及客戶分類的。
總結一下就是，在每一個智能數據項目中，我們都要尋求一種平衡。既要讓員工有足夠的空間去進行智能化的數據試驗，同時也要堅持指導性原則，確保每一次嚐試都是遵循一個統一的框架，圍繞統一的目標開展的，並且，從每一個方案中獲得的經驗教訓可以為接下來的項目提供借鑒。 <h4>第四步：智能化地引進技術</h4>
如果我們想有朝一日能夠捉住浩瀚數據海洋裏的“抹香鯨”，那麽我們需要引進分布式文件係統海杜普。高性能集群計算係統h和quantcast文件係統為我們提供了平台，完成對海量數據的分析。以開放源代碼為基礎的解決方案提高了對mapreduce編程的需求，我們同時還要掌握r、python、hive和pig語言。在簡化係統界麵編輯工作方麵，cloudera和hortonworks公司提供了商業化的選擇方案。但是，如果是大一些的實時應用，我們還是推薦直接選用內存數據庫，比如sap hana。sap hana配置了高功率的多核體係結構，因此可以快速反饋查詢結果。我們需要係統性地對hana分析框架下的機器學習因素進行優化，這一點尤其重要。對可視化分析和人工智能的自然語言處理也一樣，否則就無法完成社交網絡分析。如果在係統複雜性或者數據通過性方麵出現問題，那麽可以考慮使用mike2.0解決方案。所有的成本支出都是透明化的，尤其是在使用雲服務的時候，能夠實現隨收隨付即付且無前端費，pay by the drink（按用量付費）！
停！剛才是開了一個玩笑。如果你對上一段似懂非懂，那麽請你深吸一口氣。
在沒有技術支撐的情況下進行數據分析，就像是遊泳時沒有水一樣。每一項大數據技術都有其存在的價值，能夠在合適的情況下正確地應用這些技術，可以使在10年前還如科幻小說般的市場營銷幻想變為現實。但是這些技術也存在一些問題，當數據科學家們嚐試獨自埋頭研發這些技術時，成本支出可能會得不到有效控製，就像世界頂級建築師建設柏林勃蘭登堡國際機場時發生的情況一樣。
對智能數據冠軍企業而言，什麽才是合適的技術？這個問題不是某一個應用技術、一個編程方法、一個電子產品能夠回答的。我們需要采取正確的行動，促進信息技術真正為我們創造實惠，同時顯著降低投資失敗的風險。 <h4>這樣做行不通</h4>
有一家企業，剛剛確立了一個複雜的數字化戰略。它認為，它的同業競爭者都已經掌握了數據分析能力，它必須用最快的速度趕超。公司的首席營銷官已經意識到了客戶數據的潛在價值，因此他提倡這種趕超行為。企業的高管層並沒有對這個問題進行深入的研究，而是去征求了首席技術官或者技術部門負責人的意見，詢問公司如何能夠在短時間內成為大數據巨頭企業。這種情況下，答案往往是，那我們首先必須要使數字化戰略切實落地，然後我們需要豐富我們的大數據應用程序（雲服務使這點變得更便捷和經濟）。然後，首席營銷官和技術官會設法去遊說財務部門，為此增加必要的預算。
如果預算到位了，首席技術官就會接手這個項目，首席營銷官也會為此感到高興，從此以後營銷人員可以采用技術手段經營目標客戶了。首席技術官很快就會構想出企業理想的大數據公共設施，這些設施在技術方麵無所不能，並且能夠對現有的技術設施提供完美的補充。基於這種理想化的圖景，技術團隊會製定冗長的任務書，涵蓋對未來係統情況的詳細描述。當我們把這些梳理清楚，使其具有邏輯和理性後，就著手進行編程。然後我們會詢問客戶，是否同意我們繼續使用他們的客戶信息，雖然這時客戶根本不知道我們將他們的信息用來做什麽。之後，一係列的市場營銷和企業管理工具就會問世，我們還會開始對員工進行技術培訓。在應用過這些工具後，營銷人員會發現，其實這些工具不是特別適合解決他們麵臨的問題。
這聽起來像是一種諷刺嗎？我們不禁反問，有多少大型的it項目是可以在限定的預算內完成的，又有多少能夠實現預想的效果？研究表明，隻有10%~30%。
技術尤為重要，我們需要依靠技術專家去發掘技術解決方案，一般情況下，技術本身不是問題。 <h4>這樣做行得通</h4>
技術尤為重要，我們需要依靠技術專家去發掘技術解決方案，一般情況下，技術本身不是問題。
讓我們回顧一下智能數據循環流程。市場營銷和企業運營的任務目標沒有改變。我們可以采取五種手段去提升客戶價值，即發掘新客戶、提升口袋份額、長期客戶關係管理、持續推薦和提升市場營銷和運營效率。數據和分析隻是幫助我們更好地去運用這五種手段。如果一家企業計劃增加在信息技術方麵的投入，就必須要認識到這一點。
在引進技術時，要遵循五個基本原則：
☆要弄清楚我們具體要解決哪些商業問題。我們首先要明確回答這個問題，然後再弄清楚未來的使用者（比如市場營銷和運營人員）對技術係統有哪些要求，之後再考慮引進哪項技術。
☆管理部門、技術專家和市場營銷部門必須合作尋求適宜的解決方案。管理和市場營銷部門需要培養一些技術人員，目的是為了更好地針對技術的功能和效用發問。技術專家也需要學會用營銷人員能夠理解的話術去溝通表達。
☆不要固執地尋求最理想的數字化戰略。即便是在大數據時代，也不存在所謂最理想的方案，更不要說是在一個技術尚不成熟的時代了。
☆當我們還不了解一項技術的時候，就暫時先不要引進，這跟投資股票是一個道理。提供技術解決方案的一方必須要證明這個解決方案如何能夠具體地解決我們麵臨的商業問題，或者已經解決了其他用戶提出的需求。換句話說，我們不要引進尚未經過驗證的技術。智能數據企業不是科技進步的試驗品，而應該是明智的新技術追隨者。
☆現在存儲設備便宜了，雲技術得到發展，我們能夠從非結構化的數據中獲得需要的信息，即便是在這種大環境下，我們在引進一項新技術前，仍需要考慮三個方麵的問題：
?新引進的技術是否能夠與現行係統中的數據源兼容？尤其是企業數據庫。
?是不是必須兼容才行？
?如果不兼容，新技術如何獲取數據？
這三個問題的答案決定了新技術是否能夠在新環境中創造出預期的增值效果。 迭代增量，小步快跑！
智能化地引進數據分析技術意味著，不斷接近敏捷編程方法中的迭代開發邏輯，scrum是這其中最常見的一種方法。當項目負責人喊出“迭代增量，小步快跑”這一口號時，他的意思是，將原來列出的項目任務書扔進垃圾桶，不再考慮了。原因是現在用戶的需求變化太快，原來的計劃缺乏時效性，不能再發揮其作用了。通過小步快跑的方式，迭代開發技術應用以滿足客戶需求是更好的選擇。這些小應用可能不能夠滿足客戶的全部需要，但是它們能夠滿足最核心的需求。它們應該具備簡單易學的特點。如果效果好，那麽我們就會對其進行優化，拓展其功能，如果運行效果不好也可以承受，畢竟我們的投入還不算很大。
雖然我們知道，上麵所描述的情況不能百分之百地應用於大企業的數字化戰略，但是敏捷編程方法的核心思想可以作為智能數據企業投資決策的指導性原則。我們不要嚐試一次性轉動技術的巨輪，我們應逐步去實現。哪些小項目最終能夠帶來預期的增值，在這方麵也是遵循“二八法則”。