数据的商业价值

明白了什么是数据，下面讨论数据的商业价值。不要以为这个问题很简单，只有“填过坑”的小伙伴，才知道这个问题的重要性。只有说清楚了数据的商业价值，客户才容易为数据买单，数据企业才容易产生利润，数据产业中才不会有那么多的困惑。

商业价值三要素

先来思考以下问题：第一，企业靠什么活着？答：收入！即使没有现在的收入，也得有未来可预期的收入。第二，企业为了获得收入，需要做什么？答：支出。支出包括方方面面，如人力、物力、时间、空间等。收入减去支出，就是利润。但是，在资本当道的今天，利润可以暂时是负的，没有问题，因为很多利润为负的企业的估值都非常高。究其原因是大家看好企业未来的利润。第三，没有任何企业对自己未来的收入和支出是100%确定的，因为这里面有很大的不确定性，而不确定性带来的是什么？答：风险。而且企业可能还会涉及一些重大的风险，这些风险所导致的损失是很难用货币计量的。例如，桥梁倒塌、锅炉爆炸。这就是熊大关于数据的商业价值理论框架的三个关键词：收入、支出、风险。任何数据产品，如果可以帮助客户，在这三个方面中的任何一个方面实现可量化的改进，那么这个数据的商业价值就比较容易说清楚，否则非常困难。

收入

从一个数据从业者的角度，可以先检讨一下，你的数据产品能否为客户带来额外的收入。请注意，是“额外”。

例1-1　50碗豆浆的价值

假如客户是卖豆浆的，以前没用你的数据分析，他每天卖100碗。用了你的数据分析后，每天能卖多少呢？如果还是100碗，那么数据分析的价值在哪里？如果是150碗，那么你的价值就体现出来了。这个价值的大小就是额外的50碗豆浆！作为数据分析服务的提供者，是否就可以将这50碗豆浆作为基准进行收费了？

例1-2　最理想的额外收入———新兴市场

最理想的额外收入应该是什么？熊大认为是新兴市场。例如，“五一”小长假，大家要开车出去玩，堵车是必然的，那么能否出一个堵车险？每堵车1分钟，保险公司给你赔付1块钱，补偿一下你那郁闷的心情。看似不错的主意，保险公司为什么不做呢？因为传统的保险公司没有技术手段可以实时监控一辆车的状态。它不知道你是否堵车，更不知道你堵了多久。但是，有了车联网数据，这个故事就改变了。新兴的车联网数据，催生了一种全新的保险产品，带来了一个纯粹增量的新兴市场。

例1-3　百度付费搜索广告

为什么很多广告主对百度的付费搜索广告非常依赖？因为百度的付费搜索广告确实为他们带来了收入的增加。为什么百度可以做到这点？一个最基本的原因是，通过对用户搜索数据的深入分析，理解用户意图，进行精准匹配。所以，对于诸如医疗、教育、电商等行业而言，百度的广告投入能够直接带来销售收入。这就是数据分析的价值：收入！

支出

有朋友说，我们的数据分析距离市场销售端有点远，不能给客户直接增加收入，但是，能给客户节约不必要的支出，也就是成本，你看这样行吗？当然行啊，而且更好！为什么？因为收入的增加往往具有很强的不确定性，但是成本却在自己的预算控制范围内，相对而言更具可控性。

前文提到要开辟一个新兴的堵车保险市场，但是这个新兴的市场到底能带来多少额外的收入呢？非常不确定。再比如说，超市现有100个收银员，但是通过技术改造，数据分析，合理排班，发现80个就可以了。直接节省了20个收银员的人工成本，这是非常确定的事情。因此，如果数据分析可以节省支出，那更好，因为更靠谱、可控性更强！

例1-4　呼叫中心运营改进

呼叫中心最重要的成本是什么？人工坐席成本。如果通过数据分析可以精确把握电话呼入量的规律，就可以合理安排坐席。其中，包括应该安排多少全职坐席、多少兼职坐席。为此，数据分析可以通过研究电话呼入量与星期几的关系、与一天中时间段的关系、与企业重大市场行为的关系，甚至与天气状况、空气污染之间的关系来解决这个问题。如果技术进一步提高，可以通过准确的语音数据分析理解客户意图。那么，这能带来多大的成本节省？是不是人工坐席成本就可以被彻底省略了？这就是数据分析带来的价值。

例1-5　开关车窗电机的设计寿命

我们绝大多数汽车制造的技术标准都是来自欧美国家。这些制造标准都是为欧美的消费者建立的，虽然适合他们的驾乘习惯，却未必适合我们。例如，鉴于国内空气污染的严峻现实，北京司机每天开车窗的次数很少，熊大可能好多天都不开一次。有数据分析表明，平均而言，一个司机一年也就开关车窗1000次左右（平均一天3次）。假设一辆车的设计寿命是10年，那么在车的整个使用生命周期内，也就需要开关车窗10000次。为了保守起见，我们再增加一个量级，那就是10万次。也就是说，从设计的角度，我们只需要一个能够承受10万次开关车窗的电机就可以了。但是，我们的实际设计标准可能是50万次，这是一个多么巨大的设计浪费。中国汽车的产量有多大呢？以上海汽车为例，根据2016年不准确数字，集团整体产量大概是600万辆！还有很多其他汽车制造商。深入的数据分析能够带来多少成本的节省？

例1-6　电视视频接口的调整

有一次参加一家企业的融资发布会，正巧坐在旁边的朋友来自一家国内领先的电视机制造企业，他分享了一个非常有趣的数据价值案例。以前电视机制造出来售卖给消费者后，制造商同消费者之间的关系就中断了，因此，制造商并不非常明确消费者是如何使用电视机的。不过，现在有了物联网技术，制造商可以慢慢地了解消费者的习惯了。例如，他们发现某一款电视机的用户中，只有大概1 %的用户还在使用那种非常老式的、梯形的VGA视频接口。那么，只有这么少的用户在使用这个接口，是否还需要生产、制造、安装这个接口呢？基本不需要。于是在后来批次的电视机生产中，这个接口就被取消了。仅此一项，为企业每年节省的成本有多少？上亿元！这就是数据分析带来的价值。

例1-7　电视机遥控器的改良

如今的电视机遥控器设计得十分复杂，按钮数量繁多，但是我们会使用其中的几个呢？熊大自己看电视，就只需要电源开关，以及频的“＋”和“－”，可能还需要一个音量键。其他的按键几乎不用。那么这种设计是不是冗余的？成本是不是可以节省？恐怕不好回答。因为制造商并不明了熊大这样的用户有多少？是非常有代表性，还是有一定代表性但代表性不强，又或者完全没有代表性？类似地，我们还可以检讨，电脑上需要那么多USB接口吗？或者是不够用？现在的台式机、笔记本还需要光驱吗？以前我们很难做这样的决策，因为我们不知道用户如何使用这些设备。但是，现在物联网的兴起让这样的数据分析正在变成现实，这就是物联网数据的商业价值所在。我们期待物联网技术进一步成熟的明天，会给我们带来新的启发，带来更好的设计、更低的成本。

风险

还有朋友说，我的数据产品第一不能增加收入，第二不能直接节省成本，但是可以控制风险，这样的数据有商业价值吗？当然有。事实上，风险的度量有两种情况：第一种情况是风险根本没办法通过货币度量，是独立于收入或者支出的另外一个维度；第二种情况是风险就是连接收入和支出的一个转化器。对风险的把控，或者可以增加收入，或者可以降低成本。

对第一种情况而言，风险可能是人的健康甚至生命。如果有任何一种数据分析，能够改善人们的健康状况，甚至可以挽救生命，它的价值恐怕是不可想象的。从这个角度看，凡是同医疗、健康、生命保障相关的数据分析，都是值得关注的。例如，如果有一种可穿戴设备能够在无创伤的情况下，测量各种血液指标（如血糖），这会为众多的糖尿病患者带来什么样的福音？又例如，通过对人类基因组的数据分析，找到同某种致命癌症强相关的基因，这能否改变病人未来的命运？它的价值又如何？

除了人以外，重大设施设备的风险恐怕也是我们不愿意承担的。如果一座桥梁坍塌，会失去多少生命？一个发射塔发生故障，会不会带来社会的恐慌？一个发电锅炉爆炸，会造成多大的损失？这些都不容易通过货币衡量。但有一点可以确定的是，这都是人们不愿意接受的风险。如果通过数据分析，时刻监控桥梁的状况，及时维修保养，那桥梁坍塌的概率就非常小。如果通过数据分析，及时了解发射塔的工作状况，也许它每年的故障率就会有显著的下降。如果通过探头数据，完全把握发电锅炉的运行状态，就可以避免锅炉爆炸的风险。这就是数据分析带来的价值。

再研究第二种情况。对于这种情况而言，风险同收入和支出之间是可以相互转化的。例如，很多商业银行都有网上申请系统，允许用户通过互联网直接申请信用卡或者其他金融信贷产品。为什么要在网上做？因为流量大、成本低、效率高，但缺点是风险比较大，而且有些通过线下面签才能提供的材料无法获得。怎么办？那就只能提高在线申请的门槛，降低通过率。这样做的优点是什么？安全，把坏人拦在外面，而缺点是“错杀”了很多好人。而好人之于银行就是客户，就是收入。为什么会错杀好人？因为不了解他们，缺乏信任，无法实现风险管控。这是一件非常遗憾的事情。那么机会来了，如果你能够为这家银行提供独特的数据分析，帮助它更加准确地区分哪些线上申请者是好人，哪些是坏人，银行就可以放心大胆地给更多的人发卡放贷，进而增加收入。这样的数据分析，谁能否认它的价值呢？那么这样的价值是如何实现的？主要是通过把控风险提高收入。同时，因为风险把控做得好，坏账率就低，因此还节省了催收成本。这给我们的启示是，对风险的把控还可以转化为对支出的节省。难怪有从业者说，对于消费金融企业而言，风险把控部门做的不仅仅是风险把控，同时还是市场，还是销售。因为风险敞口的控制直接影响市场和销售收入。这样的数据价值是否清晰？所以数据商业价值的第三个关键词是：风险！

政府价值

目前所有的讨论都是偏向企业的。这似乎忽略了数据产业的另外一个极其重要的参与者：政府。政府一方面制定市场规则，另一方面还掌握着巨大的数据资源（公安、通信、医疗等），以及预算。政府的重大决策也非常需要数据的支持。那么，数据之于政府的价值又如何体现呢？非常有趣的是，这个问题似乎也可以从收入、支出、风险三个要素考虑。但是，面向的对象主要不是政府自己，更多的是每一个公民。通俗地讲，如果数据分析能够帮助政府更好地服务社会，让普通公民的收入有所增加，支出有所降低，风险有所规避，这就是数据之于政府的价值。

公民收入

从政府的角度看，哪些方面关乎普通公民的收入呢？例如，增加就业，降低税负，提高福利等，都同增加普通公民的收入相关。更具体地说，比如，通过对招聘广告的文本分析，可以洞察市场需求，并提供相应的教育培训机会，就有可能增加就业，带动GDP。狗熊会媛子小分队曾经做过一个案例，通过对大量招聘广告的文本语义分析，解读市场对各种工作经验的需求，对各种分析技能的渴望，以及在最终薪酬上的表达。通过数据分析，可以量化BAT这样大型互联网公司工作经验在薪酬上的表达；通过数据分析，可以理解产品经理工作年限在薪酬上的体现；通过数据分析，可以理解数据分析师应该具备什么样的编程技巧（如R，python），最好具备什么样的大数据计算能力（如Hadoop，Spark），以及这些专业技能在薪酬上的反映。通过诸如此类的数据分析可以了解市场需要什么样的数据分析人才。从政府的角度，这样的信息对于设计相关学科的发展规划意义重大。相关合理的决策会带来普通公民就业率的增加，进而带来收入的增加。

公民支出

数据分析能否帮助政府科学决策，进而降低普通公民的成本？答：可以。以医保为例，大量的公共资金聚集在一起，但是它的使用效率是否足够高呢？是否还有改进空间？是否存在一定数量的骗保行为？这是非常重要的，因为骗保行为损害的是所有参与医保计划公民的公共利益。骗保行为所带来的后果是公共医疗成本不必要的提高。那么能否通过数据分析将这些骗保行为人自动识别出来，并施以相应的惩罚教育措施呢？再考虑医院，能否通过对医院的各种收入、支出的数据分析，理解普通群众看病贵的根本原因在哪里？昂贵医疗费用所产生的收入到底去了哪些地方？能否进行相关的制度建设？这不仅可以节省群众的医疗成本（节省费用），同时还能增加优秀医生的实际收入（增加收入）。

公民风险

数据分析能否帮助政府进行科学决策，降低普通群众的风险呢？答：可以。任何一个国家的政府所能够支配的社会安全保障资源（如公安民警）是有限的。如何通过对有限的公共安全资源的合理利用，尽可能地保障群众的生命财产安全，这是一个永恒的话题。例如，能否通过对各种公开以及非公开刑侦数据的合理分析，更加准确地锁定吸毒人群，尤其是有重大公共影响力的人群，并实施制止教育措施？能否通过对各种数据的综合分析，做到对恐怖事件的提前预警？能否通过对各种流量数据的监控，做到提前规避一些重大公共安全事件（如踩踏）？这就是数据分析之于政府风险管控的价值。

可以量化的参照系

数据分析的价值体现在三个要素上，但要实现它的价值还需要一个重要的因素：可以量化的参照系。其中包括两个关键词：量化和参照系。

90%？你咋不上天啊？

某天，一朋友说：“熊大，我最近给客户做了一个客户流失预警模型，准确度75%！”我一听，挺靠谱。但是，他却垂头丧气地表示，对方老总很不满意，认为这个准确度太差，连90%都不到！熊大心里倒抽一口凉气，心想：90%，你咋不上天啊！大家是否能意识到困惑在哪里？客户对预测精度没有合理的预期，因为没有合理的参照系。在没有参照系的情况下，客户就只好参照小学生的考试成绩，认为90%甚至99%才算优秀！这就是困惑所在，那么应该怎么做呢？应该给他树立一个合理的参照系。为此，我们可以先弄清楚一个问题：客户在没有你的情况下，自己能做多好？在你到来之前，客户自己是否有流失预警得分，这个得分准确度如何？我们发现，其实很多时候，客户从来没有评价过，自己根本不知道。你帮他看看，十有八九惨不忍睹。这时候你可以这么说：某某总，您看，之前咱们这边的精度是65%，已经做得不错了（夸奖一下对方）。但是，现在咱们双方共同努力，这个精度提高到了75%。为此您可以节省多少不必要的支出，或者增加多少额外的收入，等等。你看，这样是不是就更有说服力？因为你确立了一个可以量化的参照系。而这个参照系就是客户现有的系统。如果没有这个参照系，又想说明75%的精度是有价值的，是不是无比艰难？

有句“名言”：预测不准是常态，预测准确是变态。什么意思？之所以做数据分析，做模型预测，就是因为面对的数据是带有强烈不确定性的。如果一个数据可以被精确预测（例如，今年我30岁，明年一定31岁），这样的数据分析就没有价值了。有价值的数据分析，就是要在不确定性中，尽可能多地发掘价值。因此，预测不准必然是常态。

但是，预测不准（至少达不到100%完美准确），并不代表没有价值。就像前面的案例一样，预测不准的结果可能是有巨大价值的，但是需要找到一个合理的参照系。

例1-8　个性化推荐系统

你做了一个个性化推荐系统（例如图书推荐系统），最后发现转化率是8%，请问：价值何在？如果同线下商店比，8%的转化率是比较低的。这意味着100个客户进入我的店铺，只有8个人下单，剩下的92个人都空手离开。这是一个令人失望的结果。但是，在线上环境中，这就不好说了。从事这行工作的朋友一定知道，8%是一个非常高的数字。为什么？因为如果没有优秀的个性化算法推荐保障，这里的转化率可能是4%，1%，甚至是0%。有了这样一个合理的参照系，数据分析的价值才能够充分表达出来。

温馨提醒：进入狗熊会公众号（CluBear）输入文字：“价值”，听熊大音频！