360大数据中心副总经理傅志华用他多年的大数据从业经验，为我们总结了企业实施大数据战略时经常会掉进去的三个大坑，还提出了两点建议，用来解决这三个难题。
实施大数据战略时需注意的三大坑
首先，傅志华总结出大数据和人工智能的关键技术，包括图像识别、语音识别、语意理解、深度学习、用户画像等等，而且还离不开外部数据打通。但大家在这些技术的实施过程中可能会陷入最常见的三个误区，就是傅志华说的三个大坑。
- 第一个大坑，业务部门不知道大数据有什么用，也不知道在业务的哪些场景里能用到大数据。
- 第二个大坑，企业内部数据孤岛非常严重，不同业务部门的数据库各自为政，跨部门使用数据非常困难。
- 第三个大坑，组织架构不合理。
绕坑两点建议
这三个最常见的大坑，要怎样绕过去呢？有没有解决办法呢？傅志华分享了两点建议。
第一点，做好数据的业务规划
有些企业还不知道要用大数据做什么，就先拉起一个大数据团队，让他们自己去研究，这样大数据团队就很难办了，最后可能产出不明显，出来了一些成果也不知道有什么用，这种情况到最后往往就失败了。所以，应该反过来，先从结果出发，从应用场景来看，大数据能帮我做什么？我需要哪些数据？这需要企业领导人、业务负责人和大数据专家一起认真探讨规划，尤其要根据企业的现状和未来两到三年的发展规划，看大数据在哪些应用上对我的发展规划是有帮助的？是效率方面的提升还是业绩的直接提升？确定了大数据的应用场景之后，根据场景去看数据模型怎么建、需要哪些数据，如果数据不够，再去和外面合作或者交易需要的数据。
那大数据在企业里一般都有哪些应用场景呢？
傅志华总结出了一个“大数据与人工智能——企业应用场景金字塔模型”。这个模型有一个底座，是数据基础平台，这个是地基；往上数还有七层，我们从下往上看，第一层是产品研发，第二层是业务运营监控，第三层包括了客户洞察、体验优化与智能客服，再往上是精细化运营与营销、业务市场传播、业务经营分析，一直到最顶层的战略分析。
傅志华具体解释了其中的一些应用场景，比如金字塔的底座“数据基础平台”，这个应用场景非常重要，是把客户的数据形成一个客户画像存在公司级的数据库里面。金字塔的第一层是“产品研发”，大数据应用在这里，一方面可以提升产品研发效率，另一方面是可以做热门的个性化产品研发，通过规模化的手段实现个性化的定制。金字塔的第二层是“业务运营监控”，就是通过大数据去监控异常变动，比如通过大数据来及时监测KPI，快速生成可视化图片，一看就明白哪个点出了问题，就可以及时避免损失。
下图是这几个层次在互联网电视中的一个应用：融合了大数据的互联网电视运营分析体系，能实时研究用户的偏好，向用户提供个性化、智能化、多样化的收视服务，提升使用体验，同时能给有关的行业研究机构提供准确的用户偏好分析。媒体也能够获取全时段的节目收视数据信息，为节目的策划、设计、编排、调整等提供依据，提升节目品质，促进内容创新。广告商也能按照分析数据，及时调整广告的投放策略，避免重复性投放，提升广告投放精准度。同时，运营分析系统还能够为政府和行业机构提供决策支持，自动生成专业化的舆论及宣传效果评价、舆情力度、舆情导向及动态舆情变化等多维数据报告。
- 数据基础平台层。数据基础平台层的目标就是建立所有互联网电视用户数据的记录，实现全方位了解某用户使用习惯和爱好的目的。数据基础平台层的搭建有三大关键：一是确定用户唯一ID；二是有效的解决数据孤岛问题；三是解决数据有效管理和计算的问题。
- 业务运营监控层。业务运营监控层主要目的是帮助运营商监控业务运营情况的健康度，快速发现问题并定位问题原因。业务运营监控层的工作有两大关键：一是梳理数据体系；二是打造数据异动监控产品。
- 用户洞察/体验优化层。该层不仅使用结构化数据来优化和观测，也使用非结构化数据（如视频、文本等）来优化和观测。结构化数据主要是通过各类用户行为模型来分析，非结构化数据则主要由监测各类社交媒体（如微信、QQ、微博、论坛等）和运营商客户服务系统的记录来优化和观测。
- 精细化运营和营销层。第四层的首要目标是使用大数据来促使互联网电视运营商实施精细化运营和市场营销。实现精细化运营和营销有6个方面的关键举措：构建基于用户的数据提取和运营工具；构建基于大数据的CRM系统；构建基于大数据的营销活动数据挖掘体系；推广渠道质量监控和防作弊；通过数据挖掘的手段进行客户生命周期管理；客户个性化推荐。
- 业务市场传播层。这一层主要是希望通过直观、生动、可视化信息来配合业务推广传播，主要有两种实现方式：一是使用令人印象深刻、鲜活生动的图表，二是提供形象化、可视化加工过的数据信息产品。
- 业务经营分析层和战略分析层。这两个层面更多的是传统的经营分析、战略分析层面的理论，互联网电视运营商在这两个层面都有自我特色：一是其数据来源可以取自大数据，并且数据的更新非常快，快到可以实现按小时级、分钟级的更新速度，反观传统的经营分析、战略分析最多是按月份来研究分析的。另一大优势在于大数据的数据来源更加多元化，包括对非结构化数据进行观测和深入分析挖掘。
第二点建议：调优组织架构。
他举了两种常见的错误结构形式：
- 一种是每个部门里都有数据团队，但不同部门的数据库标准都不一样，没法做关联，导致数据资产流失；
- 另一种是所有数据都放在一个中央级的数据部门里面，做集中化管理，这样数据是在一起了，但是人没有和数据在一起，业务部门觉得数据部门高高在上，数据部门又不了解业务，发挥不了数据的价值。
那么，怎么调整组织架构呢？
- 首先要设立一个中央级的数据部门，同时每个事业部里都要有数据团队，但分工有差异。中央级的定位更多是数据的整合、数据产品的建设、平台的建设等等，事业部门要考虑更多的是，公司级大数据资产怎么在业务部门快速响应业务需求、推动业务的发展。当然，CEO的角色也很重要，他来亲自管理这个大数据部门，这样一方面可以让大数据在决策层发挥威力，
- 另一方面，大数据整合往往有很多部门层级，CEO亲自管理可以提高沟通的效率。
总结建议
刚才说的两点具体操作，是做好数据的业务规划和优化组织架构。傅志华还从三个层面总结了自己的建议：
- 第一，尽可能多地获取相关数据，这个数据尽量让用户来提供，还要打通数据，通过技术提升数据质量，而不仅仅依靠规范来提升；
- 第二，从战略上规划大数据业务的切入点，切入有利于业绩提升的场景；
- 第三，建立容易让大数据落地的组织架构，采用集中+分布式策略，就是刚才说的要有中央级数据部门、每个事业部还要有数据团队。
