《大数据时代》的作者维克托·迈尔·舍恩伯格被誉为大数据商业应用第一人，他从2010年就开始在《经济学人》上发布对大数据应用的研究报告。2012年底《大数据时代》引进中国，从此开始开启了中国人言必称大数据的时代，该书一直位于京东当当的畅销书之列，可以说这是一本大数据的启蒙教科书。
也是从13年开始各种大数据的书籍层出不穷，各种大数据培训、讲座、论坛随便就能忽悠一大票人，就连自媒体文章标题不加上“大数据”三字儿就会out。下面这张图说得很形象......
大数据都忽悠了这么多年了，很多人谈大数据还是那几个老掉牙的案例：啤酒与尿布湿，塔吉特预测少女怀孕，google成功预测流感，微软大数据成功预测奥斯卡21项大奖，大数据拍《纸牌屋》，大数据助力奥巴马连任。ps：可是你是否知道今年大数据预测就折在美国总统预测上了（相关文章：选举日，大数据预测失灵了吗？）。
从最近来看，无论是百度指数还是微博指数，关键词“大数据”都趋于稳定，过去那种言必称大数据的情形越来越少了，忽悠的少了，踏实下来研究的多了。这对大数据来讲是一件好事，毕竟大数据这种东西不是吹牛吹出来的（不过有些创意确实是可以经过吹牛后变成现实的，这就像早期的科幻电影，如星球大战系列，有些当年的科幻情节已经变成现实一样的道理）。
百度指数
企业管理者们需要冷静的下来思考一下，你的企业离大数据还有多远？看看你的企业处在数据驱动的那个层次。
一、养数据阶段
大部分企业处在这个阶段，企业内部只有少的可怜的基础数据，例如零售企业只有进销存的数据，工厂也只有原材料、半成品、成品的加工数据，客服中心只有一大堆录音记录。
如果你的企业只有进销存的数据千万别提大数据驱动，丢人。进销存的数据再大，哪怕你开到10万+门店，也只是小数据。你连消费者的行为数据都没有，连一个简单的消费者画像都做不出来，谈什么大数据？静下心来好好的养数据吧。
养数据的三个层次：
完善数据结构，把数据做大
提高数据质量，把数据做精
养成数据入库的习惯
具体内容请点我之前的这篇文章：不养数据的企业将死在大数据的路上
对于这样的企业首要工作是养数据，并做好数据分析的工作，而不是不切实际的引进大数据，妄想要做数据驱动业务。
二、数据分析阶段
我相信现在的企业或多或少都在做数据分析，只是有些人用计算器，有些人用Excel，有些用专业的分析软件。这个阶段最大的特点是基于历史数据做分析，一般来讲传统的分析方法和工具就足够了，因为我们大量时间是花在“发现事实”而不是洞悉关系上。
通过数据分析，企业会发现自己在数据方面的短板，有前瞻性的老板会重新去布局企业的数据需求，继续养数据。所以说第一、二阶段一般是互相交错的，很难泾渭分明的分开。
其实数据分析的目的是为了提升营运水平，重点是应用。就像我微信名“数据化管理“，数据驱动是一种管理方法，而不仅仅只是一个分析的动作。
三、BI阶段
不少企业都有这样的几个场景，同一个指标不同的部门算出来是不一样的结果，企业管理者们每天只能看到几张罗列着各种数据的表格，数据驱动业务完全谈不上。
这个时候商业智能应运而生，商业智能（BI，Business Intelligence）。早期的BI主要指企业的报表规范，标准化，试图解决企业不同的层级使用同一套报表达到规范管理的目的，主要解决前文中的第一种场景。
试图用几张或几十张报表去洞悉商业显然是不现实，也不能算作商业智能。随着大数据处理工具的发展，洞悉关系变得容易，这个阶段一大批大数据处理的公司出现，一大批BI工具也随之涌出。数据的秒级响应，各种关联数据很方便的整合在一起，半结构或非结构化数据的处理能力也容易实现。
这个阶段主要是工具的发展提升了企业对数据的处理能力，但是最大的问题数据的业务化不够，大部分的BI工具都是标准版而不是分行业版本（因为这样开发成本和销售成本最低），虽然这些工具也标榜业务化，其实这只是IT部门眼中的业务化。曾经见过一个企业的BI系统，程序员在柱状图中添加了一条平均线就号称业务化的可笑案例。
看过很多企业BI产品，发现几个特点：
➊现在大都是多屏、交互的形式了；
➋以IT主导的BI产品，优点是体验感不错，缺点是又臭又长没有重点，不够业务化；
➌以业务为主导的BI产品往往形式较死板，但贴近业务；
➍所有BI产品在业务预警和诊断功能都太弱，不能让数据自己说话。
所以好的BI产品应该是技术和业务的完美结合
四、数据化管理阶段
我对数据化管理的定义是指运用分析工具对客观、真实的数据进行科学分析，并将分析结果运用到生产、销售等各个环节中去的一种管理方法！请注意这个定义的落脚点是管理方法，也就是数据驱动营运，驱动管理。数据分析再好，BI工具再好如果不能帮助管理就是耍流氓。
这个阶段的数据应用不仅仅是量化管理，预测未来和洞悉关系这么简单了，帮助企业营运，提升管理水平才是重点。在这个阶段有两个要求，一是数据分析不仅仅是一种职位，而是每个企业员工都应该具备的基本能力；二是企业的数据分析师要非常懂业务，我喜欢那种从业务出生的数据分析师，而从数据分析出生的人则需要去打造自己的业务深度。
今年年初给一个企业做培训时，他们给我看了一下他们IT部门打造的高端大气上档次多屏使用的日报系统。管理层每天都可以收到这份报表，这套报表的特点是数据全，非常全，基本上是要什么报表就有什么报表。在手机端我试了一下从这套报表的第一张图不间断的划到最后一张图需要大约两分钟的时间，两分钟啊！各位想想，我只是划动图表还没有去解读数据就花了两分钟，业务部门的人要看完全套图表至少得半小时吧？
我们指望这样的报表去驱动业务吗？这样的图表业务部门是不看的！很多企业的BI产品是以IT主导设计的，优点是体验感不错，缺点是又臭又长没有重点，不够业务化，在业务预警和诊断功能都太弱，不能让数据自己说话。
专业的数据分析师如何打磨自己的业务深度呢？
对于初级的数据分析师有条件的可以考虑到业务部门实习一段时间，销售、市场、营运部门都可以待一段时间，这对提高业务理解度会有直接的帮助的。就像我的书《数据化管理：洞悉零售及电子商务营运》中的主人翁柯北和星星一样，成为正式的数据分析师之前先到各部门轮岗。
当然企业主管也可以创造一些机会给这些初级数据分析师轮岗，这也是为日后分析师更能接地气打基础的工作，值得做甚至形成制度在企业推行。
对于高级数据分析师可以通过多参加跨部门会议，想办法成为企业各种项目成员，也可以参加行业论坛等方法来提高自己的业务深度。
对于数据挖掘工程师来说业务理解度要求应该更高，可以把数据模型、数据成果放到业务单位去试错、测试和验证，还需要想尽办法去挖掘业务人员的需求（因为大部分业务人员并不能准确的说出自己的需求）。
只有基于业务化的管理模型才能真正的驱动企业的营运和管理，而数据分析师的使命就是推动这个进程的快速发展。
五、数据生态阶段
数据生态这是最近两年伴隨着企业生态体系的打造而出现的词汇，企业的生态体系归根结底是数据的一体化，这里我不具体阐述了。来看看罗辑思维的老罗对阿里数据生态的分析吧。
今天不养数据，数据明天就不会养你的企业！
你不立足小数据，如何规划大数据？
请把数据和商业结合起来思考问题！
