作者：
經常聽到很多大資料的概念和趨勢，但是落地而務實的介紹相對較少。筆者根據在網際網路和資料領域的實際從業經驗，總結出資料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資料需求，下文講逐層介紹。
資料基礎平臺層，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。沒有資料或者沒有高質量的資料，所有的分析都是誤導，所有的資料探勘都是錯誤的引導。
這一層的目標是把企業的所有使用者（客戶）資料用唯一的ID串起來，包括使用者（客戶）的畫像（如性別、年齡等）、行為以及興趣愛好等，以達到全面的瞭解使用者（客戶）的目的。要做好有三個關鍵：1.企業需要確定打通資料的唯一ID，有的企業是用會員註冊號，有的是手機號或者身份證號等等。2.跨部門整合資料的問題。有大資料的企業通常部門都比較多，使用者（客戶）的各種行為和興趣愛好資料散落在不同部門，需要企業有意識強有力的去整合；3.通過技術手段和規範手段把資料管理起來，這裡解決的問題是存在資料倉儲裡面的資料具體的含義是什麼，以及如何高效的儲存和計算，涉及到資料接入系統、後設資料管理系統和計算任務排程等系統。
業務運營監控層。這一層首要的是搭建業務運營的關鍵資料體系，在此基礎上通過智慧化模型開發出來的資料產品，監控關鍵資料的異動，並可以快速定位資料異動的原因，輔助運營決策，如果企業構建了實時計算的能力，那麼很多業務運營中問題就能過及時的發現。
使用者/客戶體驗優化層。這一層面主要是通過資料來監控和優化使用者/客戶的體驗問題。這裡面既運用了結構化的資料來監控，也運用非結構化的資料（如文字）來監控體驗的問題。前者更多的是應用各種使用者（客戶）體驗監測的模型或者工具來實現，後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字來發現負面的口碑，以及時的優化產品或服務。
業務運營監控層和使用者/客戶體驗優化層最終希望實現企業運營的智慧化醫生。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組產生問題。
精細化運營和精細化營銷層。這層面有四方面事情：1.構建基於使用者的資料提取和運營工具。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），便可把資料（使用者/客戶）提取出來，對資料背後的使用者/客戶進行營銷或運營活動；2.通過資料探勘的手段提升客戶對活動的響應（如點選率），常見的演算法有決策樹、邏輯迴歸等等；3.通過資料探勘的手段進行客戶生命週期管理。區別於傳統的客戶生命週期管理，大資料是可做到實時對不同生命週期的客戶進行實時標記和預警，並把有效的活動當成商品一樣及時的推送給不同生命週期階段的客戶；4.客戶個性化推薦。主要是用個性化推薦演算法實現根據使用者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。
資料輔助市場傳播。這一層面要做到通過“性感”的資料分析和挖掘來輔助產品進行傳播，主要有兩種實現方式：一種是好玩的資料資訊圖譜，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。尤其是在網路上傳播，10-29歲的網民佔所有中國網民的一半多（55%，CNNIC 2013年資料），而這些使用者偏年輕、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以上的使用者地區分佈，發現西安的網民相對比例最多，併發布了這個資料，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月份則基於8億多活躍使用者首次披露“逃離北上廣”資料圖，發現11%的使用者在春節後逃離了北上廣。
資料輔助市場傳播的另外一種方式是直接做成資料產品對外使用。比如，百度指數或百度過年期間做的遷徙地圖。百度東莞8小時遷徙圖的資料中可以看到，離開東莞後，去香港的人最多。那我們是不是可以簡單地得到一個資訊，從香港去東莞的人最多……
業務經營分析和戰略分析層。這兩個層面在這裡就不多說了，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，最大的差異是資料來自於大資料。但這裡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“使用者/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“使用者/客戶體驗優化層”更多的是通過機器、演算法和資料產品來實現的，“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，能用機器做的事情儘量用機器來做好“業務運營監控層”和“使用者/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. 在變化極快的網際網路領域，在業務的戰略方向選擇上，資料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資料探勘和分析研究出來，估計產品經理們會笑了。從本質上來說，資料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，資料驗證效果了。
我認為，如果能利用資料通過機器、演算法、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於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資料在企業的落地方案。還有更多的細節和方法論未能展示出來。另外，大資料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。