如何在数据革命的风口起飞？

数据革命有啥特征？

如何从数据中获取更多价值？

如何低门槛实现预测分析产能绩效最大化？

看完本期推送的你，离数据中的商机又近了一步！

数据是新的上帝

《Government Executive》、《哈佛商业评论》、《Nature》、《Economist》……“数据是新的上帝”在过去数年里都曾占据这些名杂志的封面。而其他的一些诸如《Popular Science》的杂志则每月刊载数篇关于“数据”这一个话题的文章。

另一方面，漫画、音乐、甚至梵蒂冈的经文手稿都在大数据上下足了功夫——漫画音乐各种大数据主题的作品自不必说，梵蒂冈现在已经完成四千余份手稿的数字化，以供读者线上阅览，并将持续数字化八万多手稿的剩余部分。

由此可以感受到，我们正身处一场名副其实的数据革命中。

数据革命

数据的获取和处理到底和以往有了哪些不同，以致可以称得上是一次全方位的“革命”呢？

答案就是——更优的数据分析成果却能通过全方位的“门槛”降低来实现。全方位的“门槛”，即为信息源、信息处理和数据使用者的门槛。

诸如电子邮件、Word文档、视频、录音、图片、演讲、网页等非结构化的信息现在构成了绝大多数组织所使用的数据来源，而无需像从前一样依赖于结构化的数据源。

而收集的数据也无需像从前那样集中、孤立地进行处理：得益于先进的数据处理软件（如SAP Lumira），不同来源的数据可以在几分钟内实现整合连接，从先前有着统一面孔的“唯一真实版本”进化为兼听则明的多角度信息。如何在数据库中安然容纳随之而来的海量数据呢？非关系型数据库悄然出现，其高性能与强大的可扩展性与分配平行处理的数据处理方式一道，轻松hold住大体量的数据。

从使用者角度来看，一些之前只能由数据科学家耗时耗力建成的数据模型如今只需软件轻点便可迅速完成创建，分析任务更是不在话下。原来只属于数据科学家的分析借助如今先进的解决方案成为了人人皆可用的数据分析；从数据到洞察，从未如此便捷。

从数据中获取更多价值

三个目的

说到底，先进的数据分析科学技术只是一个手段。TDWI研究基于328名受访者关于部署下一代商务分析的驱动因素的回应，明确了三个最主要的目的：

决策制定

理解客户

改善业绩

其他受益也包括了创收、实时决策。这些目标可能不太令人惊讶，不过在后面的用例分析中，我们将能看到SAP Predictive Analytics是如何以令人惊喜的方式帮助组织实现这些目标的；在那之前，我们先再来看看数据革命到底给商业组织内数据分析团队带来怎样的机遇。“好风凭借力，祝我上青云”——借这些机遇，一个强大的预测分析团队才能低成本高产出地更快获得数据洞察，帮助企业实现这些价值。

三个机遇

这三个机遇分别是对数据技术实践者、预测分析使用者、预测分析团队组成方面而言的。

第一个机遇是数据革命带给技术专员的福利：将分析提升到新的层次。沿袭传统的数据分析路径，技术专员们或许还能像下图红线那样在一定程度上提高商业数据的利用价值；但如借助像预测分析这样新一代分析工具的帮助，原本已经商业价值的实现会飞跃到绿线新的层次。良好的数据分析实践基础与新一代分析工具的可扩展性和高性能，让技术专员们开发起来得心应手。

第二个机遇和第三个机遇分别是扩展使用群体与更高效地组建预测分析团队。这些都是得益于数据革命中“门槛降，保质量”的特点。从下图可以看到，97%预测分析的使用者都是业务用户。如何快速让这些用户上手数据分析、利用数据生成洞察成为企业的挑战——也是机遇。解决这个挑战的一个方式是雇佣大量精通数据技术、拥有坚实统计基础的数据科学家；然而这个平均工资七十万人民币左右的职位可谓相当紧俏。

对于大多数企业与组织来说，更实际的方式会是基于先进的预测分析工具组建一个预测团队。

许多企业组织的共同痛点是它们并没有将数据科学家的研究成果大范围扩展的能力，亦很难雇佣大量的数据科学家。但同时，企业内雇有大量的成熟分析人员——数据分析师，商务分析师，分析专家等等。

所以，一个可行方案便是将目前的分析团队与一款优秀易用的预测分析工具结合，自动化建模与部署模型流程。

实际用例分析

组建预测分析团队只是开始；你还需要选择能够受益于预测分析工具的用例。

从对数据革命的体察，到发现预测分析的机遇，铺垫这么多，接下来就是部署后成功的预测分析用例的展示时间啦！

1.增加交叉销售/向上销售的机会

只钟情于某个品牌某种意义上已经成为了过去式。在互联网时代，便捷的信息流通使得用户一旦得不到期望的产品或服务，便会迅速转移到更加符合自己心意的品牌那里去了。上文提到的理解用户在如今更是尤为重要。

通过以下运营现象的警示，你应该注意到开发市场的急迫性和重要性：

• 无关/没有针对性的营销活动不能带来预期的影响力和利润
• 由于网上竞争和价格配对策略，市场篮子不断缩小。无法洞察产品关联，因此不能提出智能的产品推荐。
• 不能洞察消费群体之间的社会联系
  
  

而SAP Predictive Analytics可谓对症下药，请看业务优势：

• 使用行为分类预测将来的行动（例如购买倾向）
• 基于最大的客户地理/行为/购买信息，使用预测模型创建交叉销售及向上销售的机会
• 建立客户360度的了解，并利用他们寻找新的目标
• 扩大社交资料，理解之间的关联和路径，提高附加率
• 创造实时产品推荐，扩大购物篮的容量
  
  

举个沃达丰荷兰分公司的例子感受一个：

荷兰队沃达丰而言是一个相当成熟的市场，渗透率高达128%——这意味着许多人都拥有两部沃达丰运营的手机。企业本身维护现有客户就相当辛苦，而开发新市场更加困难。面对在交叉销售领域在已有客户中进一步打开市场，业务挑战为以下几条：

• 提供相关产品&服务
• 防止过多打扰客户
• 帮助客户避免“账单惊吓”——比如设置数据流量限额
  
  

荷兰人十分喜爱滑雪。而荷兰本身没有什么雪山，于是冬天去奥地利、法国、德国滑雪胜地度假的荷兰人占全部人口的1/16之多，平均逗留时间达到8.4天。

于是沃达丰开始关注冬季人群流动规律并建立预测模型，估算去滑雪的用户参加沃达丰的预付式漫游套餐的可能性。超过一千个变量被放入模型之中——这本可能耗费数周甚至数月的工程，部署SAP Predictive Analytics的沃达丰公司仅用2天便完成了预测模型的构建，许多参与构建的人虽有成熟的商务分析技能，却也并不是传统意义上的数据科学家。随后沃达丰便针对这些对价格敏感的预付用户推出了一天两欧元的国际漫游套餐，同时在社交媒体及Youtube上针对目标用户推广这款滑雪度假漫游套餐，很好地解决了交叉／向上销售的业务挑战。

2.减少客户流失

在上一个例子中可以看到，对沃达丰荷兰这种拥有成熟市场的企业来说，对活跃用户的交叉销售必然重要，保留客户也是同等重要的一个目标。能帮助企业更好理解客户需求的SAP Predictive Analytics自然在减少客户流失方面也表现优异。

同样的，我们来看看企业运营出现哪些状况时，客户流失将不容忽视：

• 竞争对手的优惠活动及社会影响造成客户流失率居高不下
• 对于即将流失的客户没有提示信号
• 没有产品使用规律
• 企业缺少客户忠诚度计划
• 营销活动的目标受众没有包含现有/主要客户—没有分类
• 企业对社会舆情缺乏了解，也不知道如何利用社会舆情减少客户流失
  
  

而相对的SAP Predictive Analytics业务优势：

• 减少客户流失——例如增加它的周期价值
• 制定有针对性的客户保留计划，并提升现有客户保留计划的绩效
• 创建更有效的社会营销活动，提高产品或服务的采用率
• 在数分钟或数小时内，评估数百万会员和客户
• 通过社交互动分析，尽量减小负面评价的传播范围
  
  

接下来要讲的客户案例是东南亚的Mobilink，拥有三千五百万用户，在10,000 个城市和地区有超过200,000个零售店网点。在过去十年Mobilink的用户体量提高了二十倍，与之而来的客户流失成为一大难题。

携手SAP Predictive Analytics，Mobilink分析了不同收入阶层的客户对不同套餐的反馈，考虑了1,100个经过过滤筛选的变量，并直接在数据库内完成预测评分过程。在建模之后，Mobilink不仅预测客户流失，同时预防流失。Mobilink采取了“最佳下一步行动”方法：“在合适的时间向合适的客户提供合适的激励活动”。比方对高收入用户，提供五分钟免费通话可能不及提供智能手机音乐服务更有吸引力。而达成的结果也十分喜人：

3.提高欺诈检测能力

每家公司都痛恨欺诈。尽管欺诈本身与人性一样古老，2014年37%的公司报告自己遭遇经济欺诈，而在2009年这歌数字只有30%。

你应该注意哪些欺诈方面的警示信号呢？

• 当前的调查流程为手动流程，非常耗时
• 调查能力亟需提高，以便能够调查更多的疑似欺诈事件
• 调查流程效率低，因为欺诈可能性高与欺诈可能性低的疑似欺诈事件未作区分
• 欺诈识别过程耗时过长，挤占了解决问题的时间
  
  

对应的SAP Predictive Analytics业务优势：

• 减少识别欺诈行为所需的时间、精力和资源
• 对疑似欺诈行为进行评分，优先处理可能性最高的欺诈事件，再处理可能性较低的欺诈事件
• 保险行业每年因欺诈造成的损失超过1,000亿美元，因此减少欺诈就等于增加收入
  
  

这次的案例公司是Monext，一家法国中型金融类公司，主要支付卡与货币卡交易与服务。企业面临的业务挑战有减少误报要求，交易时间控制在在几毫秒之间，减少客服中心每年400万通电话带来的极高成本。

Monext需要针对不同的发卡机构和各种类型的卡，定制预测模型。这原本耗时耗力的工程，借助SAP Predictive Analytics实现了自动学习快速建模，并且提供功能强大的用户友好型界面，使欺诈检测变得so easy！只需要一位分析人员花费一半的时间建立定制模型，而针对交易1%的部分，成功阻止60%的欺诈交易，每年为发卡机构挽回数亿欧元的潜在收入损失！

五条建议

成功的SAP Predictive Analytics用例真的是数不过来，寻找目标客户、预测性维护、产品推荐、能源预测……不过这些具体的部署实施背后，不外乎是决策制定、理解客户、改善业绩等业务目标。而高级预测分析工具优异的性能和产出，能使认识到数据真正价值的企业在这场数据革命中得到长足的发展，甚至腾飞。最后，送给或许还在犹豫如何从数据中挖掘商机的你五条实用建议：

看到这里真是辛苦啦，小编给你比颗心❤️。

更希望本篇数据革命透析及预测分析相关内容对你有所启发，从而满怀信心地预测，实现更好的业务成果！