360大数据中心副总经理傅志华：企业如何有效的实施大数据战略
在人工智能和大数据技术在实施过程中你可能会陷入三个误区：业务部门没有清晰的大数据需求和规划；企业内部数据孤岛非常严重；组织架构未能有效支撑大数据实施。这三个误区是最常见的，该怎么规避以上误区呢，在“中欧微论坛|数据猿·超声波”活动上，360大数据中心副总经理傅志华作了分享。
作者 | 傅志华
2017年2月16日，由数据猿、中欧商学院、腾讯直播共同举办的《中欧微论坛|数据猿·超声波》活动在中欧商学院北京校区圆满落幕。此次活动大咖云集，共吸引了600+人报名，并最终筛选出300+观众莅临现场，更有超过20000名观众收看了在线直播，开启了一场大数据、人工智能领域的头脑风暴，台上台下、线上线下共同畅想科技引领下的商业未来！
作为数据猿推出的主题为《大数据的2016，我的2016》2016—2017年度大型策划活动的一部分，在2016年底征稿期，活动就受到了100+大数据领域内知名企业的高度关注，收到了36位业内领袖的投稿，并入驻成为数据猿专栏专家。
以下是“360大数据中心副总经理傅志华”的精彩文字版演讲内容：
今天主要跟大家分享我十几年来在数据行业中踩过的那些坑，希望能够带给大家一些新的启发，在日后可以少走弯路。我们先从实际生活中的一个案例开始：
生活中的人工智能－多能看家能手
这是我们家的人工智能，为什么要装这个呢？因为有一天的凌晨三四点，我们家的红外线报警器突然报警了，虽然我练过武术，但还是有点害怕。然后我就拿着双节棍去每个房间和客厅包括院子里检查。虽然说艺高人胆大，但实际上这样做还是有点危险的。后来也没找到陌生人，我猜应该是小猫小狗把红外线报警器触发了，我就把角度稍微调了调。但这也不是办法，能不能让我的报警器变得聪明点？
这个问题怎么解呢？首先得让它有看得见的能力，至少得让它看得见，我用手机也可以看得见，这样就不用拿着双节棍到院子里检查。所以我就加上了360公司的智能摄像头。
生活中的人工智能－看家报警示例
加上以后，有一天我上班的时候它也报警了，收到一条信息，说我家里的门窗被打开了，我心里面也是有点害怕。看了摄像头传来的照片，最上面一张确实阳台的玻璃门打开了，有点紧张了。再一看，原来是老爸去晒衣服时把玻璃门打开了，所以还好。
又有一天报警器又报警，原来是客厅里的妈妈和孩子在活动时触发报警了，大家感觉是不是有点报警过度，还是不太聪明。怎么让它更加聪明呢？这个问题又怎么解？所以这就是接下来要谈的大数据和人工智能，我们需要这个摄像头每天采集我们家里所有跟人相关的图片。
单单只是采集还远远不够，这一点大家要了解人工智能现在做到什么程度了？比如给它很多图片，但分不清谁是谁？你需要给它标记，比如这张照片是妈妈，这张照片是爸爸，这张照片是孩子，标记的越多，它的训练集就会越大，它识别图像里面的特征就会越准确。然后就可以去区分家里面的家人，其他遇到一些非家人的照片，它就认为陌生人，这时候报警就会更加准确。这是现实中已经发生在实际生活中的人工智能案例。
我希望通过以上的案例让大家了解到，人工智能是怎么工作的？需要什么样的材料？
除此之外，我再举一个洗衣机的案例，未来的洗衣机会很聪明，它会用对话的方式跟你交流：
洗衣机：主人，我肚子里面已经有黑色的裤子，白色衬衣尽量不要放在一起洗。
主人：好的，请帮我分开洗涤。
洗衣机：没问题。
上面的场景用到了什么技术？图像识别、语音识别和语意理解。
我们再看一个场景：
洗衣机：主人，现在是秋天，而且明天阳光充足，建议您不要选择烘干啊，可以省省电哦。
主人：好的（在南方很多人都会选择烘干洗，因为衣服不太好干）
这里面用到什么大数据技术？数据打通很重要。因为洗衣机把天气预测的数据打通了，如果洗衣机没有这个信息，它就不会那么聪明。
我们再看下一个场景：
洗衣机：主人，您这件衣服今年已经洗了100次了，最近这个品牌在打折，您是否考虑买一件新的?
主人：呵呵哒，可以有……
这就是大数据产生新的商业模式，这个将来肯定会发生在我们身边。
洗衣机：主人，您平常洗衣服的时候一般都会看《康熙来了》，电视马上要开始了，我帮您打开电视吧
它为什么有这个动作，因为它知道你这个习惯。因为这个企业把洗衣机的数据和电视的数据关联打通了，它才能够分析出这个习惯出来，所以这就是打通的魅力。当然这里面也有图象识别的技术，有可能它会滞后，如果你数据库更新的不及时，你会发现原来《康熙来了》已经停播了，这是数据没打通好。
主人：好啊，你太聪明了！
洗衣机：跟主人比我可是差太远了，您可是人工智能的博士呢！
大数据和人工智能的关键技术
它为什么知道你是人工智能的博士啊？这就需要大数据来做用户画像，才会有你的信息。所以从这个生活的案例，大家应该有一些感觉，大数据在实际应用中需要什么样的技术？
我们看右下角，这是我们刚才提到的人工智能博士，包括你看电视的行为，洗衣服和看电视是并发的。然后我们会看到上面这些动作分析的技术，包括图像识别、语音识别、语意理解、深度学习等等，由于时间关系这里我就不展开讨论了。
大数据在实施过程中的三个误区和发展策略
今天跟大家重点强调的是，在这些技术实施的过程中你可能会陷入三个误区，而且是也最常见的。（我做大数据这么多年，也被坑过很多次）
第一，业务部门没有清晰的大数据需求和规划。业务部门不知道大数据有什么用？更不知道具体在什么场景里能用到大数据？所以技术团队、大数据团队就很难办了，它只能去学习、研究、探索，但是产出有可能会不明显。
第二，企业内部数据孤岛非常严重。咱们回去看看企业不同业务部门的数据库都是独立工作的，跨部门想看个数据都非常难。
第三，组织架构未能有效支撑大数据实施。这三个最常见也是最难的问题怎么解？
我们有两点建议：第一做好数据的业务规划，第二调优组织架构。
具体怎么做呢？先看第一点，我们先找到应用场景来解决这个问题。举一个反面例子，这个反面例子有可能会导致企业在实施大数据的过程中会失败。比如你挖一个大数据领域的牛人组建大数据团队，你就会发现，老板会说你们自己去研究吧，反正你很牛，你去研究，看看大数据如何能帮助企业成长？往往这种情况就会失败。
因为企业做了一年发现，等你报产出的时候，发现老板也听不懂，也很难衡量你的产出。你跟他讲一些你在深度学习上的探索和研究，包括图象识别的准确率，语音识别的准确率提升等等，他会疑惑，这对我的业务有什么帮助？
为了避免这种情况，所以我们应该反过来做，先从结果出发，从应用场景来看，大数据能帮我做什么？这个是需要企业的领导人、业务的负责人和大数据专家三方去认真的探讨和规划。需要基于企业的现状和企业未来两到三年的发展规划，在这个大框架底下去看，大数据在哪些应用上对我的发展规划是有帮助的？要么提高效率，要么提升业绩，就这两方面。
规划完，确定应用场景之后，再去看数据模型怎么建？产品怎么建？再看基于我这些应用场景，需要做什么样的数据？如果数据不够，再去看和外面合作或者交易什么样的数据？是这个思路，否则就会陷入误区。
企业应用场景的金字塔模型
既然应用场景那么重要，在企业里面应用场景都有什么？我们可以看一下，这是我总结的目前比较常用的大数据在企业里面的金字塔，应用的金字塔。
最底层，就是我刚才说的数据基础平台，这个数据基础平台大家要理解，非常重要。是把客户的数据形成客户画像存在公司级的数据仓库里面。就像前面说的，只有做了这个工作，洗衣机才会知道你是人工智能的博士。所以要先把这个基础打好，跟炒菜一样，先把料准备好。
再来看应用层，第一层包括产品研发，一方面可以提升产品研发效率，另外是现在比较热的个性化的产品研发，通过规模化的手段实现个性化的定制，个性化和规模化貌似是相对的，在做个性化生产和个性化产品时候，我的生产似乎是不能够规模化的，但是现在可以做，有案例。
第二方面，通过大数据监控异动，比如大家最关心的KPI，互联网企业可能每天都关注。假设你的KPI下滑了之后，你能不能快速发现，发现以后要定位，问题出在哪里，这是大数据要努力的方向。这样做决策就足够简单了，我通过看一个可视化的图，就知道原来这个点出问题了。如果你不能快速知道，几个月才发现这个问题，有可能会导致很多的损失。
再上面，怎么做客户体验的优化，智能客服，包括精准营销、战略分析、市场分析等等很多方面，如果全展开讲，估计两到三天才能讲完。时间关系，今天就不展开了。
应用场景示例：客户生命周期的六个阶段
我再说一个大家可能都关心的话题——客户管理。企业就通过客户的收入支撑着企业的运转，我的客户管理怎么通过大数据支撑？在这我跟大家介绍了是基于大数据的客户生命周期管理，这个方法要解决两个方面的问题：
第一个问题，客户价值的计算和预测，能不能通过大数据的手段去精确的计算每个客户的价值，现在的价值和未来的价值，这样你才有一个很好的基础做客户的VIP管理，这是基础。
第二个问题，能不能做客户生命周期的识别、分类和预测。我问一个问题，大家可以举手表示。你们回到企业里面，随便挑一个客户出来，能不能清晰的看到这个客户的状态？状态的意思是说有可能这个客户过两天就跑掉了，但现在还在，你能看到吗？能看到举手，好像不到1%。
然后就是，你能不能看到你这个客户处于磨合期，他现在磨合的不爽，你要引导他，可能不知道。或者说你知道这个客户现在处于成长期，他特别兴奋，跟谈恋爱一样，属于蜜月期，能不能趁热打铁多卖几个产品？那就是交叉销售，能不能通过他的行为、爱好做精准的关联推荐和个性化推荐等等，这是要解决这个问题。所以这是我举例的，怎么通过大数据做客户生命周期管理的缩影。
合理的大数据组织架构和团队
刚才说的解决方案是组织架构的问题，这个是非技术的问题，但是它很重要。这里面有两个负面案例，估计现在很多企业都是这种架构的。
第一个是什么呢？上面这个组织架构一，每个事业部里面，或者每个部门里面都有数据团队，大家觉得很自然，没什么问题，它的问题在于什么呢？数据各自为政，可能不同部门的数据仓库标准都是不一样的，没法做关联，数据资产就流失了，因为没关联在一起。
第二种案例是什么呢？所有数据都放在一个中央级的数据部门里面，进行集中化管理。这种结构有什么问题？距离不能产生美吧，业务部门觉得你这些数据部门高高在上，也不了解业务，你们天天就是一个存储部门，数据就变成存储部门，发挥不了价值，所以这两个组织架构是最常见的。如果你真的要实施大数据，组织架构至少需要一些微调。
首先要设立一个中央级的数据部门，第二是每个事业部里面都有数据团队，他们分工是有差异的。中央级的定位更多是数据的整合、公司级数据产品的建设、平台的建设、计算能力的建设等等。事业部门更多考虑，公司级大数据资产怎么在业务部门怎么快速响应业务需求，推动业务的发展。
当然还有一个很重要的角色是CDO，他管这个大数据部门，能够向老板汇报，这样一方面可以让大数据在决策层发挥威力。第二方面，刚才我说了大数据整合有很多部门层，如果level不够高的话，很难推动。这是我十几年来的工作感悟，用20分钟的时间给大家汇报一下。
最后，快速的跟大家总结一下我们的建议：
第一个，尽可能获取相关的数据，越多越好。
第二，从战略上做好规划，切入有利于业绩提升的场景，做助手而不是取代人，它的定位是助手。
第三，集中+分布式的策略。
谢谢各位！