数据变现：建模者自证价值的最好机会

　　从BI时代开始，笔者曾经做过取数，报表，建模，挖掘，分析等各类数据支撑工作，有个问题一直萦绕心中，数据支撑者如何证明自己工作的价值。

　　量化数据支撑价值的反思

　　一个取数到底为企业创造了多少价值？一张报表带来了什么改变？做数据挖掘专题到底值不值？这个问题很重要，如果没有一种有效衡量数据产出的方式，数据支撑者就可能失去方向，进而丧失进步的动力，数据支撑者不能成为拉磨的驴子。

　　取数者，取了1000个和10000个，到底有多大的区别？这个问题最好搞清楚，如果是10倍的关系，当然取得越多越好，但是，如果是2倍呢？是否有更重要的事情去做呢，比如研发一个自助取数工具？也许这个对于企业更有价值，但有时的确缺了这把客观的尺子。

　　大多数企业业务人员提取数需求是不需要付出成本的，没有成本就意味着低质量的需求泛滥。这倒不是责任心的问题，有什么样的机制就会孕育出什么样的需求模式，怪不了提需求的人，比如不能怪业务人员催着你取数但实际上他在你完成后却没有去下载取数结果这种现象的发生。

　　需要反思的是有没有好的量化评估手段，很可惜，在大多数时候，在大多数企业内没有。比如报表的价值大多跟决策有关，但决策是很难量化的东西，可以说领导看了你这张报表才有了正确的决策，也可以说跟这个报表毫无关系，可以说由于你的取数为公司成功营销到了很多用户。但要知道，公司为这次营销投入了很多渠道成本、营销成本及人力成本，取数的作用可能很小。

　　一种证明数据价值的方式是做AB测试，但高昂的实施成本在大多数传统企业线下渠道为王的情况下是不现实的。而互联网企业依赖其在线的优势让很多建模师有了表现的舞台，无论如何，数据建模师还是需要一把尺子，用靠谱的数据来证明自己工作的价值。

　　大数据带来的评估方式的改变

　　在进入大数据时代后，不再会有人由于大数据建模者做了报表的事而认可他了，因为大家的期待更高了。对于从BI迈入到大数据的支撑人士来说，绝不是简单的换了个名头，而是要直面最大的挑战，为变现直接创造价值。

　　要承认，传统业务的核心竞争力大多还是停留在产品本身，虽然数据模型在产品分析、产品营销等方面有价值，但在整个价值链中，数据建模起到的作用还是有限的。即使用AB测试证明了数据模型的价值，但占比往往偏小，导致其他环节的一个小波动就可以完全掩盖了模型的那点提高，比如不计成本的营销就让任何建模都失去了意义。

　　不是说数据模型对传统业务无用，而是传统业务的机制、流程可能限制了数据价值的发挥，传统业务要用好数据首先得革自己做事方式的命，比如从线下走到线上，更多的关注投入产出比，更多的依赖机器而不是经验决策，这些都涉及到企业数据文化的再造，无法一蹴而就。

　　而大数据变现则是全新的、直接基于数据创造价值的业务，情形完全不同，比如客户洞察和精准拓客，其核心的要求就是要标签足够准，覆盖足够广，现在大数据变现可是买方市场，模型没到一定的水平，客户是不会付费的。即使现在能赚钱的变现业务，也会由于大量同质化的竞争最后变成数据质量和模型高低之争。在整个价值链条中，模型将超越营销、渠道甚至产品成为最为核心的东西。一般的产品也许可以互相COPY，但基于企业特有数据创造的模型却难以复制，这是最大的差异化，事实上决定了企业大数据变现的潜力。

　　这个时候，数据建模师成为了变现的焦点，评估的方式显然是模型能直接带来多少收入，模型师将被推到业务的最前端。

　　大数据建模者的巨大挑战

　　一般来讲，企业的裸数据大多是无法直接创造价值的，即使有，也是极其有限的，必须通过加工处理才能发挥出最大的潜力。比如运营商的上网日志如果不经过内容解析就会一文不值，位置数据如果没有了POI的配合就缺失了意义，位置数据跟用户数据如果没有有效结合就无法满足大多数的应用场景。

　　对于建模者来讲，这是个最好的时代，也是最坏的时代。好的是给了大数据建模者独立施展才华的舞台，坏的是大数据建模者的价值变得可量化，很透明，各人能力高低，贡献大小，高下立判。

　　对于处于转折期的传统企业的建模者来讲，建议做好以下一些准备，当然各个企业所处的阶段不同，面临的情况不同，不能一概而论。

　　1.角色的转变

　　甲方企业的建模师做变现第一要务就是抛弃固有的甲方思维，也许在企业内部做支撑时跟业务人员还是平的，但跟外部客户做生意则成了彻底的乙方。

　　碰到跟金融客户谈合作，建模师抱怨对方需求都提不清楚，因此自己也无从下手，这是典型的传统支撑者的形象，做事情务必要对方解释清楚。但外部客户对于企业的数据往往不了解，很多时候甚至不知道能得到什么，需要建模师在沟通中主动去捕捉需求，有针对性提供解决方案。

　　经常有这样的案例，客户提要什么标签，建模师就机械地回答有还是无，事实上，拥有主动意识的建模师更应顺藤摸瓜去理解客户的真实意图，而不是简单地考虑标签能否满足。更深一层次讲，即使很多标签是现成的，建模师也应该努力去寻找更好的解决方案，因为现成的标签可能质量不高。

　　比如运营商以前靠揣测基于DPI打造的行业标签往往经受不住现实的商业检验，辛苦谈下来的合作往往由于数据初次体验不好而中断，数据建模师要为数据的最终品质负责，而不是简单地为一次需求负责，这个要求还是很高的。“我们是在创业，而不是在应对需求做大数据变现的，首先要完成这个角色的转变。”

　　2.对精准的追求

　　当投放成本成为了客户付钱的依据时，精准就成了变现最核心的武器，客户只会为精准买单，千分之一跟百分之十有天壤之别，显然需要建模师的鬼斧神工。点击率10%高不高，20%呢，30%呢？建模师每提升一点，带来的就是现实的收益，这个跟以前的情况完全不同。

　　为什么有些建模师平时技术不错，但当真的机会放在眼前时，往往发现技能不够用了呢？答案可能在于精准是个综合性问题，而不是简单的技术问题，对于建模师的要求其实是全方面的。

　　这让我想起了运营商以前评估BOSS系统的可用性，往往用CPU、内存利用率等技术指标来衡量，但后来发现这些指标跟客户的实际感知是有很大差异的。

　　因此需要建立端到端的客户感知指标体系，建立这套指标体系需要贯通整个业务流程，在每个节点上去优化提升，而不是简单地关注几个纯技术指标就可以了。

　　数据建模师也一样，拥有调参技能是远远不够的，要能理解客户的真正诉求，要能针对影响精准性的任何一个环节给出建议或解决方案。比如数据的选择、渠道的选择、推送的用语，时机的把握、产品的设计等等，建模师要充分利用建模技术，但不要拘泥于用单个技术解决问题。外来的数据科学家往往是被技术搞死的，没人关注你使用什么模型去完成任务。

　　3.丢掉那个边界

　　心有多大，舞台就有多大，企业的确要为建模师打造更加扁平化的环境，数据建模师则更不必拘泥于岗位限制，能往前走就往前走一步。越是以数据为卖点的大数据变现，越是要让建模师冲锋在前。全栈工程师有之，在大数据领域也需要全栈建模师，比如在某个垂直领域可以让模型师端到端负责，没有什么不可以。

　　当以数据简单组装为卖点的诸如客流等产品喧嚣之后，大数据深度变现必然是以拓客、风控等为核心的，数据建模的价值会越来越大，笔者以前提过运营商必须掌握五个核心建模能力，这些也许是运营商规模化变现的未来。

　　浙江移动大数据中心 傅一平

关注读览天下微信， 100万篇深度好文， 等你来看……