面对巨量数据，还能找到宝石和金子吗？如果谷歌即将踏足你的市场，该怎么办？

成本高昂的IT工具真的能够解决问题吗？罗兰贝格专家带你突破大数据的价值瓶颈！

比约恩·布劳卿、拉斯·拉克、托马斯·拉姆什著，王盛男译的《智能数据(如何挖掘高价值数据)(精)》是一本从数据和数字化策略角度撰写的经济企业管理类书籍，作者解释了如何有选择性地利用数据，以及数据获取的现状、未来的趋势、需要避免的错误以及可行的方法。

本书还介绍了企业如何通过改革自身的管理、企业文化以及组织结构以成为智能数据时代的佼佼者。有一个事实渐渐清晰明了——单纯地收集数据而不考虑客户隐私，是无法获得长期的成功的。特别是在大数据时代，少即是多，只要是对的，那么更少的数据将更有成效。今天的企业需要提高“数字素养”，然而，关键的问题已不再是“是否”利用应该数据，而是企业“如何”在不使技术、人员和财务成本负担过重的前提下，更加有效地利用数据。

如今，很多企业被淹没在数据洪流之中，数据并没有给它们带来太多好处。企业数字化竞争力的提升也并没有像在公司战略会议上渲染“大数据”这一概念时所描述的那样快。其实，在大多数应用领域，数据量的多寡并不是衡量数据价值创造力的决定性标准。比约恩·布劳卿、拉斯·拉克、托马斯·拉姆什著，王盛男译的《智能数据(如何挖掘高价值数据)(精)》描绘了一条走出“大数据带来的失望”的更智慧的路线，适用于那些已经意识到“起决定作用的不是数据量，而是正确地整合数据，物尽其用”的企业。这一路线被称为“智能数据”。

智能数据的出发点是：“在不增加技术、人员和资金投入的情况下，我们如何高效地利用客户数据信息？”其本身就是一种切实可行的方法论。从这个方法论出发，我们可以得出一套不断迭代更新的、在逐步摸索中的、基于假设的行为方式。智能数据的理念是，在你所在的行业内成为数字智能化非常高的企业，在面对直接的数字化竞争时，借助数据分析，能够一步步地打造自身的竞争优势。

一般来说，导致数字变革宣告破产的，并非是技术力量的匮乏，而是源于企业内部的对抗、过于刻板的组织构架和失误的变革期管理。本书介绍了企业如何通过改革自身的管理、企业文化以及组织构架以成为智能数据时代的佼佼者。在大数据时代，少即是多——只要是对的，那么更少的数据将更有成效。今天的企业需要提高“数字素养”。

引言 以少博多的智能数据使用者

 规模并不重要

 成为行业“智者”

 智能数据理念梗概

 新“数据合同”

第一部分 从大数据向智能数据转变

 第1章 深陷数据过载的愁云惨雾

流感预测器也闹“流感”

技术成熟度曲线（Hype-Cycling）

没有“大爆炸”的大数据

以守为攻战术

 第2章 数字化海啸——完全不关注数据也行不通

沿价值链产生分化

机智，联合，进攻

到处都土崩瓦解！

投资者眼光

 第3章 智能数据冠军——选择正确的数据是成功的基础

聪明的数据使用者

找对数据比拥有超多数据更有用

“3W”：为什么？如何做？做什么？

概率击败偶然

第二部分 智能数据的循环

 第4章 五步流程实现增值

提出正确的问题

使用正确的数据

客户需求理解

提出自己独特的销售主张

正确地吸引客户

结论：实现增值

第三部分 冠军企业的智能数据应用领域

 第5章 更加智慧地接近客户——在合适的时间、以合理的价格、提供所需的产品

时尚策划

策划式配件

哈，这个卖家是真正了解我的！

贸易方面的分析小知识

在价格发现过程中，好货也得便宜

物理网点销售打败网络化销售

 第6章 从贸易伙伴转变为数据伙伴——通过中介共同提高客户潜力

一切对抗一切？

协同型客户关系管理

瑞士法典

假名的力量

双重选择性加入？是的！

 第7章 智能优化选址、产品线和产品

“错误的旗杆”

在正确的地点采用正确的销售模式

实时优化产品线

 第8章 多渠道到底是什么意思——为客户和企业提供最好的“客户旅程”

多渠道发展——内外有别

弹球机而不是保龄球

每人一个苹果账户!

客户旅程中的渠道断点

在线产品展示厅

第四部分 企业的智能化之路

 第9章 能够接受错误才是正确的经营态度

弹道式思维

用不断尝试打败加农炮理论

无计划时代的企业管理

孔子说……

数据大狂欢

 第10章 使组织更加灵活——选择正确的组织构架、流程和技术

可以自由选择工作岗位吗？

智能数据的折中路线

数字化变革中的“四步走”

迭代增量，小步快跑！

 第11章 智能化地引进人才和开展培训——正确选择员工

战略规划官

数据科学家

项目经理

变革管理经理

第五部分 赢得数据

 第12章 选择客户真正需要的数字化战略

公众众口铄金

隐私精神分裂症

透明的“数据章鱼”？

赢得数据

后NSA时代的人

全新模式

在这种情况下，“Lavieren”战术就有可能派上用场：如果对手犯了错误，进而失去了空间优势，那么就为对方提供了进攻“王”的机会。反过来说就是，防守是最好的进攻。自己并不主动做什么，而是以守为攻，等待并期待对手犯错，进而为自己赢得一个机遇。

完全没接触过象棋的人，可能不能理解我们在说什么，不理解什么是企业所谓的数字化战略，那么请回忆一下那些无关紧要的中场传球。一个在本质上被动的、以守为攻的行为，会被机会主义行为或者会议上大肆宣扬大数据应用的行为所掩盖。

以守为攻型企业典型的行为模式有：

☆为特定用途购进多种分析与可视化工具，虽然从根本上来说这种行为是好的，但是这种行为不总是会起到好效果，结果导致大家对IT的印象变得更加支离破碎，并且产生了“工具过载”现象。伴随着“工具过载”而来的，是人们越来越高涨的失望情绪：“我们没有办法再控制我们的系统了，反倒淹没在了一片数据汪洋之中。”或者像一个在一家大型保险公司工作的运营主管所描述的那样：我们现在需要一个快速的解决方法，使我们的保险经纪们能够着手处理客户们的无索赔等级分类工作。因为缺少时间和钱，我们现在只能采用临时性的办法完成这项工作，这种行为在长期来看，使高效的数据应用更难实现了。

☆逐项、不兼容地购买外部数据也会导致“工具过载”，“工具过载”使各项技术手段的融合变得更加困难。伴随着“工具过载”而来的，还有进一步的数据过载。

☆将数字化创新工作交由企业自有的“创新加速器”来做。媒体对此种模式都抱以正面的宣传态度，而且从根本上看，支持年轻企业家追求科技化的未来，也确实是件好事情。我们也确实遇到过个别企业，他们将创新成果应用于企业经营并获得了成功，但是实事求是地讲，由“创新加速器”孵化出来的初创企业，获得创业成功的比例还是很低的。在没有核心领域背景背书的情况下，建立一个“创新加速器”，或者从狭义的角度来说，贸然去参与一家数字化初创企业的发展，这在某种程度上释放了一种错误的信号，就好像我们已经拥有一支规模很庞大的创新军团了。这种错觉会消磨人们在核心领域追求创新的动力。

这听起来有些荒谬，但是对长期的数字化效益来说，却存在着极大的隐患，尤其是当以攻为守者凭借他们的机会主义获得了首次成功的时候，又或者当他们成为本职工作和部门工作的良好内部推动者的时候。因为上述情况加深了人们的印象，即多亏了有新的工具和诸多新的数据，才使得我们没有偏离正轨。此外，我们在加速器这个问题上还有很多“百搭牌”。因此，我们并不需要彻底地改变什么。消息从上层传达到基层，然后再反馈回来，这样就很好。

来自硅谷的大数据发明者在某种程度上可能是吃了高估自己的亏。逐步获得数字化进展的“以守为攻”型企业，自己将这种进展贴上了大数据的标签，都或多或少地有些自欺欺人。（P28-29）

以少博多的智能数据使用者

规模并不重要

“大数据”中的“大”到底有多大？近年来，技术分析员和IT（信息技术）供应商数量呈指数级增长；拍、泽、尧等量级单位不断被刷新；若将数据储存在CD或DVD光盘中，它们则会从地球一直堆到月球，甚至是火星。由于数据被认为是新的“原油”资源，所以这些指数越高越好。得益于日益廉价的存储设备、更加快捷的处理器和越来越智能化的算法，我们有能力善用这些资源。届时，数据信息向知识的转化意味着流程优化、更优决策以及全新商业模式的诞生。

啊哈！

然而现在，很多企业被淹没在数据洪流之中，数据并没有给它们带来太多好处。许多企业高管都有种不好的感觉，那就是，企业数字化竞争力的提升并没有像在公司战略会议上渲染“大数据”这一概念时所描述的那样快。他们甚至悲观地认为，“大数据”这一数字革命的时髦概念，前景并没有那么明朗，且弊大于利，令人心灰意冷。

“大数据”就如同一根魔法棒—我们抓取尽可能多的数据，然后，被人工智能操控的机器就可以告诉我们，我们应该通过什么方法、在哪些环节、能够在多大程度上去提高产品的附加值。更理想的是，大数据会告诉我们如何去创造一个全新的商业模式，正如贝宝（PayPal）联合创始人、脸谱网（Facebook）外部投资者彼得·蒂尔先生在“从0到1逻辑”中阐述的那样。更有甚者，用技术人员的话说，“大数据”就等同于宇宙大爆炸。

数字技术总是开“空头支票”，自卖自夸，承诺的多，做到的少。大数据分析逐渐丧失吸引力，在某种程度上，“大数据”概念的基本理念应对此负有一定的责任，因为在大多数应用领域，数据量的多寡并不是衡量数据价值创造力的决定性标准。

几个月来，在与经理人、IT负责人的交流中，我们发现，“大数据”所描绘的美好图景在企业的经营现实面前遭受重创。数据应用的惨败带来失望，伴随失望而来的是迷茫，甚至是惊诧。与此同时，所有的参与者也意识到，完全不关注数据也行不通。

本书描绘了一条走出“大数据带来的失望”的更智慧的途径。这一途径不仅适用于仍坚信“从0到1”理论的企业、“n+1组织”，而且也同样适用于那些既有成熟的商业运营模式，又想通过善用大数据分析手段提升业绩的企业。这些企业不认为数据是一种特有的商业模式，而是将数据看作一种核心要素，帮助我们更好地了解客户。相应地，这些企业也不会盯着堆积成山的数据（在这方面，谷歌也许更擅长），更不会去盯着ERP系统（企业资源计划系统，于1995年被引进，至今仍在不断被拓展功能）。

这种折中路线适用于这样一类企业—它们已经意识到起决定性作用的不是数据量，而是正确地整合数据，物尽其用。我们把这一路线称为“智能数据”。

我们在提及智能数据这个概念时，并不是在用另一个新词去替代一个被滥用的流行语。智能数据既不是一个技术层面的解决方案，也不是一部新的管理真经。

智能数据的出发点是：“在不增加技术、人员和资金投入的情况下，我们如何高效地利用客户数据信息？”其本身就是一种切实可行的方法论。从这个方法论出发，我们可以得出一套不断迭代更新的、在逐步摸索中的、基于假设的行为方式。同数据资源一样，健全的认识也是重要的资源。最终的目的是，在所有智能数据的应用领域，更好地了解客户、联系客户，并借此提升客户长期贡献度。

……

值得信赖的数据合作企业这么做的原因是，他们希望能够与客户建立持久的合作关系。

三年来，众多的客户数据信息项目和其后的美国国家安全局事件令我们更加坚信：一旦企业将客户数据信息唯利己之用，效果就会适得其反。德国严苛的数据保护法律在某些方面是显得有些过时，某些规定过于死板和冗长，但是却能应对现在的局面。问题的关键在于，企业必须认识到，他们如果想要使用客户的信息，就必须得到客户的许可。

智能数据的原则之一是“赢得数据”。

客户的数据信息属于客户，应该由客户决定与哪家企业分享哪些客户数据信息。如果对产品使用确实有促进，客户会愿意与企业分享他的个人信息。如果客户感觉到，企业打着大数据的旗号，搜集一切他们能够取得的数据，目的就是为了有一天能够利用这些数据甚至变卖这些数据，那么客户自然会反应过激。

智能数据冠军企业不会选择在法律顾问的协助下，通过获得客户同意使用其个人信息的声明，来谋取使用客户信息的权利最大化。智能数据冠军企业会遵循这一原则来设置IT系统，即只存储确实能够为客户带来增值的数据。

从长期来看，这种数据使用态度会带来成功，因为只有秉持这种态度，客户才会愿意与企业分享数据。如果我们落实了这个前提条件，那么我们在本书中描述的情况就有可能实现。至此，一个流程闭环形成，这就是我们所说的智能数据：凭借更少的数据，取得更大的成果。