本文由36氪企服点评专家团苏春园原创。

36氪企服点评专家团——苏春园

————正文————

在上一篇文章中苏春园：当数据驱动成为趋势，CEO该做何改变？，我们聊到数据驱动决策是一把手&CEO工程，以及DT时代CIO=Chief Innovation Officer的角色升级。

今天我们来聊聊如何让创新落地，通过“自动化”的数据分析与决策，让“人”释放出来，专注于更有创意的思考以及更有温度的服务。

《数据的本质》一书中有一个很小的场景，但让我印象深刻：

车品觉（《数据的本质》作者：大数据专家，前阿里巴巴集团副总裁、现红杉资本专家合伙人，被誉为中国数据化思考第一人。）团队经常遇到的一个挑战，是数据生产与制作流程需要大量数据清洗整理与准备即ETL（Extract/Transform/Load）的处理过程，即便是阿里般强执行的节奏下，一份简单的分析报告也需要三天时间才能完成数据的预处理。结果业务部门自然态度冷淡，数据驱动不起来。

类似的场景处处都是，怎么办？

只好来一场硬仗！

首先争取到足够的“弹药”和“舆论”，包括强力的资源和人力投入、足够的时间，还包括马云和彭蕾等关键高层的理解共识；然后，内部不断研发迭代，上下游配套展开一系列的业务流程创新；最后，在“试错-升级”的反复磨合过程中，实现了大部分智能分析与决策的过程，从数据自动预处理、报表生成、维度自决，到问题自动排查、异常预警各个环节，全面驱动业务决策。

这场仗打了多久？

好几年。

还好，终于迎来胜利的果实，这套数据决策体系系统性的提升了集团数据化决策的能力，为阿里在未来5-10年的持续增长打了下扎实的基础。

阿里是全球互联网领域的顶级公司，那么传统行业的大鳄们呢？比如肯德基、星巴克、优衣库等这些500强巨头。

我和团队曾经为很多这类500强巨头提供过商业数据分析的产品，他们基本代表了传统领域里面数据驱动决策的最高水准。

这些公司的典型特点，除了管理基础很好，还有两个容易被忽视的“人”的因素：

第一，有一个很庞大的数据分析团队，包括各个业务部门里面自己能分析数据的业务人员，业务部门专门的需求分析人员，专门的数据分析师，还包括数据仓库与商业智能（BI）团队专门的ETL工程师、BI工程师、数据仓库工程师、大数据团队的算法科学家，以及专门的IT支持人员与管理运维人员等等；

第二，在业务的末梢，这些公司有很多理解精细化管理的运营人员，比如店长、督导、区域经理等角色，他们具备相当的看懂数据、解读业务、做出合理决策的能力。

这两点与“人”有关的因素，正是“数据驱动决策”在这些500强传统公司能够产生价值的核心基础。

他山之石，可否攻玉？阿里巴巴与肯德基KFC，都是各自领域里面全球10段级别的选手。他们构建数据决策体系的路径，能否直接借鉴？

根据过去十多年在美国与中国两地的实践，我的判断是不大可能。

要构建阿里或肯德基这样的数据分析与决策体系，需要有大量懂大数据技术以及懂大数据应用的人，经过长时间的不断迭代积累，形成数据驱动决策的文化。而国内绝大部分的公司并不具备这样的人力基础，而且外部环境的快速变化，也不允许公司在黑暗之中长时间的探索与试错。

当然，硬币的另外一面是极大的利好，因为分工愈加专业，越来越多像观远数据这样的“军工厂”，专注于提供从数据到决策的“核武器”。在这个时代，绝大部分公司都没有必要自己来重复造轮子，只需要聚焦主营业务，与外部合作伙伴来共建数据分析与决策体系，构建面向未来的企业大脑。

在我们看来，面向未来的企业数据分析与决策体系，最重要的关键词之一是“自动化”。

能否自动的接入数据，并自动进行数据同步（Data Sync）以及处理（Data Prep），保证数据的准确与实时？

能否将业务分析与决策的过程形成可自动执行的分析链路，进一步对关键指标进行监控，让数据追“人”，打通微信/钉钉，形成反馈的闭环？（Smart Alert）

能否透过数据的可视化呈现，自动探测到数据背后的业务“异常”，辅助业务快速决策？（Outlier Dectection）

以我们服务的多家知名连锁零售类品牌为例，门店从数百家到数千家规模，业务变化频度极高、线上线下深度融合。以前，传统的BI更多提供“站桩式”的看数据，层层传递，级级沟通，既懂业务又懂分析的专家凤毛麟角，往往成为分析瓶颈。当他发现某个门店的日商（日商：即每日销售额，连锁零售最核