多重“钱”沿数据分析方式，推动企业良好构建数据驱动业务

很多时候，数据是公司最强大的资产。然而，许多企业并没有利用这一宝贵的资产，使其业务更强大、更可持续，而是选择将其出售给了第三方。或者说，几乎所有的数字企业都会从用户那里收集某种类型的数据，但这些数据是如何被使用的，是否泄漏人们的隐私，对使用者而言至关重要。

数据收集本身并没有错，重要的是为什么要用它，如何用它，以及用它做什么。利用数据成功建立一个既能盈利又可持续发展的公司，同时还能保护用户的隐私，这几者其实并不矛盾。

在大多数情况下，并没有什么邪恶的人躲在幕后为邪恶的集团收集数据。但大多数公司仍在尽可能多地收集这些内容，因为你永远不知道数据会在未来的某个时刻，以何种方式发挥作用。值得庆幸的是，这种情况目前正在发生变化，数据驱动型公司的数据科学家正在引领一种全新潮流。

数据表明，许多公司执着于探究用户真正需要的数据类型，而一家成熟的数据收集公司则应只聚焦于为用户提供适合的产品和正确的数据服务。站在他们的角度，以侵犯用户隐私的方式收集数据最终再出售数据，这只是对时间和商业空间的极大浪费。

通过人工智能和数据结构让数据为您服务

数据驱动型公司不是通过出售用户数据来赚钱，而是选择分析这些数据，进而了解数据背后的信息。比如，借助数据了解客户，使用人工智能(AI)分析信息，从而发现用户在线评论内容时的偏好。

百事可乐等公司一直致力于将人工智能用于消费产品开发，数字企业对此也可以效仿。想要实现这一点，在线平台需要雇佣更多的数据科学家和人工智能专家，进一步增强公司的内部能力。

除了可以实现更好个性化定制来改善客户的使用体验，人工智能还可以使产品服务流程更加紧密和精准。随着数据分析变得越来越复杂，公司正试图通过实施数据结构来更有效地利用这些数据宝库，比如借助数据和流程的互连层支持复合数据和分析，以及对各种数据组件的应用。

数据结构允许公司进行不同风格的数据科学组合，这能减少30%的集成设计时间、30%的部署时间和70%的传输时间。此外，数据结构允许公司使用来自数据中心、数据湖和数据仓库的现有技术，还可以引入新的方法和工具服务于未来业务。

想要实施数据结构的公司，首先要将机器学习算法集成到每一级数据中，实现从收集数据到优化和清理数据。他们还要使用云技术，实现灵活配置、统一和快速访问数据。此外，还要了解数据库编排流程和数据流，实现数据库的端到端集成。

金融科技公司和银行正在利用数据结构，通过管理对资源的访问来保护数据，同时提供可定制和个性化的产品服务。以劳埃德银行集团(Lloyds Banking Group)为例，其一直在使用数据结构来分析客户行为，进而对其产品和服务进行适当的改良。

如今，零售和杂货公司也开始使用数据结构，通过分析客户的要求和需求以及物流情况，来改善远程客户服务。苹果公司就是其中之一，它利用数据结构来改善其客户服务和技术产品。此外，就连约会应用现在也开始使用数据结构来快速访问大数据。

使用决策智能框架优化解决方案

所有公司都需要收集数据来改善产品和服务，进而满足客户的喜好和要求。因此，所有公司都更应该认真地审视他们收集数据的方法和动机。

这一点通过决策智能(DI)便可实现，它是一门含有多种解决方案的学科，包括传统数据分析、人工智能和复杂的自适应系统应用程序等。这种智能学科可用于管理个人决策和决策序列，并将它们分组到业务流程和紧急决策网络中。

创建这样的结构可以使组织获得刺激业务所需的信息。结合布局整体数据结构的能力，以及对解决方案的工程分析，可以使公司重新思考并优化解决方案，使它们更准确、可重现和可追溯。

除此外，决策智能还可以用于分析数字平台相关流程数据。例如，它可以帮助电子商务企业使用数据为用户重新设计最佳购物路线，并最大限度减少购物车的废置。

想要使用决策智能，公司需要对如何使用数据改进产品及服务有明确的愿景和策略规划。这需要聘请或培养定性数据科学家和专家，并组织稳定的数据收集和数据工程流程。此外，使用决策智能还需要公司将收集到的数据与与业务目标相关的假设相关联。

许多数据驱动的公司目前都在日常业务中使用决策智能。在银行、金融和金融科技行业，它可以帮助机构分析客户行为，预测客户的需求，为客户解决问题并提供定制产品和服务。比如，摩根士丹利在其基金管理平台中就使用了决策智能，进行投资决策的改进。

零售商还采用决策智能来制定定价政策、预测客户行为并优化供应链。以亚马逊为例，该公司正在同时使用数据结构和决策智能两种方式优化供应链。在医疗保健领域，决策智能可帮助从业者更快地分析医疗报告，并使医生更加轻松地明确治疗的优先级。

识别和预测趋势需要战略数据收集

理想情况下，数据驱动的企业不应该提前一年以上制定战略;相反，他们应该持续分析和利用收集到的数据。如果这些数据被整合到工作流程中，用户需求的变化将反映在其中。公司将可以通过智能数字平台，看到是否需要开始转型或对产品进行调整。

此外，公司在决定收集多少数据，以及收集什么样的数据时需要具有战略眼光。当公司收集了太多的数据，其中很多都是无关紧要的内容时，这只会增加筛选相关数据的难度。正因此，公司还需要开发人员，对收集到的数据质量进行评估。

当企业进行产品与市场的匹配度研究时，收集的数据应该有助于证明或反驳公司目前正处在测试中的某个特定假设，而产品和业务开发人员应根据他们的假设来驱动数据请求。

为了进一步优化数据收集过程，企业应该避免根据竞争对手的经验，建立假设和数据收集方法。只有当收集的数据与公司自己的产品和用户群特别相关时，才能确定自家的产品与市场的契合度。除了数据结构与决策智能外，还有许多工具，诸如Power BI、Tableau或AutoML等，它们可以与数据科学家使用的Python、C+或MATLAB等技能相结合，帮助公司利用数据做出最佳决策。

在不牺牲用户信任的前提下构建数据驱动业务

正如前文所述，通过侵犯用户隐私的方式获取数据进而出售数据，这只是对时间和商业空间的浪费。而且，它可能会不可避免地损害公司与客户的关系，这将是无法挽回的。聪明的企业会更看重与用户建立彼此信任的关系：信任用户移交的数据最终会使公司受益，公司也会以升级功能和服务的形式，满足用户不断变化的需求。