大数据和世界的数字化，可以被视为工业革命的后续。

大数据时代上半场主要是收集数据，下半场则转向数据治理、驱动与变现。号角已经吹响，巨头们正在收网！

如同所有科技一样，数字都是死的，关键在于运用它的人。 

*章 大数据时代的企业战略目标

1.1知识、价值创造和商务模式/003

1.2分析型市场竞争者/005

1.3制信息权和解释权/008

第二章 社会生活中的大数据

2.1大数据是社会变革的镜像/017

2.2信息自决权/026

2.3互联网时代的个体责任/027

2.4数据意识的等级/029

2.5大数据和“群体”/031

2.6群体智能/035

2.7大数据和“开放运动”/039

2.8社会商业和社会企业/041

2.9“互联网和数字社会”的议会任命调查委员会/042

2.10德国政府的“大数据保护基金会”/045

第三章 企业中的数据治理

3.1大数据和企业文化/051

3.2社交软件与企业2.0/054

3.3大数据和客户关系的转变/057

3.4大数据——战略和管理/065

3.5处于变革中心的企业/078

3.6大数据和商业世界/080

第四章 大数据不仅仅是商业智能2.0

4.1大数据时代商业智能复杂性提升/087

4.2大数据时代的数据质量/099

4.3商业智能分析和大数据分析/102

4.4范例变化/114

第五章 大数据与内存——可行性的新维度

5.1什么是“内存”/127

5.2大数据和内存应用实例/131

5.3技术可行性是否永远有意义/159

第六章 大数据对企业的意义

6.1我们必须深入研究大数据吗/165

6.2大数据包含哪些风险/169

6.3大数据会带来哪些机遇/172

6.4以客户为中心，以创新为增长动力/173

6.5新的价值创造思维和数字商务模式/175

6.6大数据清单/177

第七章 企业如何通过大数据完成变现

7.1大数据和数据分析能力中心（DACC）/183

7.2培训/185

7.3大数据项目管理/187

第八章 企业中大数据的解释权

8.1阐释的界限/193

8.2谁“被允许”在企业中分析和阐释大数据/203

第九章 大数据和互联网时代的市场营销

9.1互联网中的沟通文化/217

9.2“Sinus Milieus”互联网的使用人群/219

9.3社交媒体——互联网使用者作为数据的掌握者/222

9.4重要的社交网络/223

9.5数据大杂烩——社交网络的评估利用/234

9.6社交媒体的市场营销/239

9.7伪造成为营销工具——互联网中什么是真实的/240

9.8个性化广告——宣传就是一切/243

9.9社交媒体和营销投资回报率（ROMI）/245

9.10营销是大数据的推动者/249

9.11趋势和前景/250

第十章 大数据——祸兮？福兮？

10.1大数据和直觉的终结/261

10.2 大数据、专家和黑天鹅/263

附录A 参考文献/273

附录B 表格、图片、链接目录/291

*章 大数据时代的企业战略目标 

本章内容：

◆知识、价值创造和商务模式

◆分析型市场竞争者

◆制信息权和解释权

　　企业采取的所有措施都应服务于企业的基本目标，其中*重要的当然是经济目标，比如产量提高和企业发展。其理想状态是，让所有单个的企业活动沿着整体的计划进行，从而转化为企业的战略和特定的商务模式。这一目标需要通过各维度的企业措施与企业战略、计划和企业转型计划的紧密结合来实现，这不仅包括与企业近期和中期目标的结合，还包括与企业长期目标的契合。在这样一个相互关系中，每一个大数据创新都必须与其措施和目

标形成统一。

*章　大数据时代的企业战略目标 

1.1 知识、价值创造和商务模式

　　在企业大数据目标的设定中，*重要的必然是通过合理的分析获取新的知识，这种新知识应该服务于企业的长期目标，在此条件下实现企业的基本目标。在这个抽象层面上，大数据无疑可以适应其他战略主题。但是人们可以深入其中一个层面，关注“市场”“销售”或者“产品和创新”各个领域，以此来区分对于大数据不同的要求或期望，同时也弄清这个主题下企业的潜力。

　　在此，我们需要说到“完整性”，大数据创新必定会有信息技术的参与；我们将在之后的章节中研究商业和信息技术之间必不可少的相互协调关系，特别是在大数据背景与新的特定框架条件下。在此，一个彻底的程序性观点必须置于首位。

　　现在，有特殊意义的重要知识方面的数据转变正进行着这样一个过程，其结构在商业智能领域是众所周知的，但是为了适应不断变化的框架条件，必须在几个大数据的特定领域普及这个过程。*后所有的活动会产生一个循环，但是所有的活动应当不断优化，并且随着时间产生增值，因为单个措施的成果会一并回到出发点并且在新的活动中引起人们的重视。

　　现在在大数据背景下——就像我们将在第八章中讨论的那样——数据和分析成果解读将会接踵而至。相比于商业智能，在这些不起眼的词背后，还隐藏着大数据一系列新的层面。在所有活动的目的之上当然一直存在着一个终极目标，即从数据信息中产生新的、具有重要意义的知识，并*终产生新创造的价值和商务模式，甚至产生新的社会。在这个过程中，其问题和目标以及由此产生的能用于一定数据储量的分析模式，会由于专业领域的不同、需求者的层次不同以及时间的不同而发生变化，这是必经之路。

提示：

　　分析模式的定义和成果阐释以及行动建议固然是商业智能的重要组成部分，但在大数据背景下，创造力在分析模式的定义和解读分析成果中具有广泛而深远的意义。

1.2 分析型市场竞争者

　　在大数据时代，企业的目标必然是使自己成为一个分析型市场的竞争者。那么，这意味着什么？

　　具备通过数据分析产生竞争优势的能力将是一个企业成功的重要因素，这一点在一些行业中已然成为事实，特别是在一些商务模式几乎仅仅以数据处理为基础的企业，上述能力将完全关乎企业的命运。为了产生与商务相关的、有效的增值，这些企业在有效数据分析上进行竞争。

　　未来的市场将由这些企业主宰，他们可以通过有效的数据分析支撑企业策略，设计新的价值创造方式、商务模式以及市场策略，并使其在大数据循环中适用于企业策略。换句话说，商务将会不断加速，并向企业的适应能力提出更高要求。在这样的情况下，为了跟上发展的步伐，企业必须成为有分析能力的市场竞争者。

　　但如果能够为每一个关键时刻提供必要的数据，短时间内产生新的市场分析并将其引导和转化为新的措施，企业必须及时作出每一个调整。这些分析并非那些人们轻点鼠标就可以获得的传统的、静态的报告，而是针对一个动态的过程，在这个过程中，跨学科的团队为了获得新的知识而进行“轻松的研究”，因为这些新的知识是不能通过传统的方法引导出来的。

　　在这个过程中，为了能发掘潜能，参与者的创造性和能够进行试验的自由空间显得尤为重要。企业文化也必须兼收并蓄，与所有参与者的意愿相结合，给予他们私人空间，使参与者们敢于接受新的行为和思想模式，并且敢于对现有的组织架构提出质疑。

　　换言之，想要成为具有分析能力的市场竞争者的企业，必须有接受持续改变的意愿。如果企业一味遵循原有的模式，不对其进行任何改变，那么想要实现大数据的相关目标，想要成为有分析能力的市场竞争者是根本不可能的。只有像那些大型的美国企业，通过数据分析产生新的商务模式，才是*出路。企业要想成为具有分析能力的市场竞争者，必须进行自我批判，关注企业内部的条件是否有利于企业成功。那种“希望一切都越来越好，但是一切都保持不变”的要求在大数据背景下早就已经是天方夜谭了。

　　企业在走向具有分析能力的市场竞争者转变道路的同时也卷入了一场竞争，只有已经在一定范围内做好了接受新的思维出发点和新的合作模式的企业才能在这场竞争中获胜，这是一场人才的竞争。上面提及的跨学科团队需要各个领域的专家，例如编程人员，数学家和统计学家，这些人*好是敢于创新的人，特别是能够将个人特质带入这个团队的人，因为他们能够联系企业的宏观考虑并且能够在团队讨论时提出新的看法。

　　此外，团队还需要积极创新的人，对于积极创新的人来说，用原来已经用过一次的方法来解决新出现的问题，显得十分过时。

　　他们迫切地希望用自己的知识、创造性和热情解决下一个问题，并且希望在一个相互影响的团队中创造出新的可能性。他们善于交际，能将复杂的问题清晰合理地表达出来。“大数据科学家们”必须将自己的工作视为一种尽情享受自己专业能力和个人天赋的方式，而且不应该被现有的控制程序和规则所阻碍，他们永远可以使用*的设备。虽然“大数据科学家”具备很强的社会竞争力，但他们绝不会表现出明星做派，只是主动地成为时代变化

的主角。

　　对这些“大数据分析专家”“大数据科学家”的形象描述当然是有意夸大的，通过这种方式至少是想表达对于大数据团队与其成员的一个基本要求。对于企业来说，这些工作者的寻求方式和领导方式是比较特殊的，这种方式在如今的许多企业中都是不符合标准的。

　　基于上述观点，我们强烈推荐托马斯·H. 达文波特 (Thomas H.Davenport) 和帕蒂尔的《数据科学家：21 世纪*性感的工作》一文，两位作家在文章中都特别提到，企业决策者必须先在企业内部进行说服教育工作，改变企业内部反对引入大数据专家的情况。例如网络平台领英（LinkedIn）：乔森纳·高盛（Jonathan Goldman）在 2006 年进入领英工作时就提出了这个意见【参见：达文波特（Davenport）、帕蒂尔（Patil 2012）】，很快领英的管理层就批准将高盛的观点通过例外处理来实现，而非普遍应用于软件发布周期，这一点非常重要。　　高盛的方法被采用之后，领英才发展成为我们今天所熟知的社交媒体。我们应当以平常心对待上文提到的“大数据科学家”的特殊地位，和其他团队一样，大数据团队也是成果导向性的。值得关注的是，由于被给予了很大的自由空间和舒适的条件，大数据团队所承受的交付压力也是巨大的。如果经过一段特定的时间仍然没有任何成果，大数据团队很快就会解散，消息也会很快在行业内流传。因此绝不能放任大数据团队自生自灭，至少应该根据当时的需求使现有的专家关心生产，以此达到管理大数据团队的目的。

　　这对于一个有丰富经历，习惯自由，有高超敏锐的鉴别力、通感力、鉴定力和执行力的人来说是一个巨大的挑战。与此同时，团队中的每个人还需要不断地坚实中期和长期目标，以保证在遇到短期的成本效益方面的问题时没有后顾之忧。

　　关于大数据中的变革和沟通管理，我们将在第三章中论及。

　　至于企业在运作和组织过程中如何与大数据相关联，我们将在第七章和第八章中详述。

1.3 制信息权和解释权

　　那些已经成为具有分析能力的竞争者的企业在这个层面上又进入了一个新的竞赛，首先是“制信息权”，然后下一步是与数据、信息和话题相关的“解释权”，*后是寻找一个可信赖的、可提供分析和预测服务的供应商，为公司的内外决策提供基础。

　　企业之间的竞争，可以通过以下几个问题来区分企业成为具有分析能力的竞争者的成熟程度：

　　提示：

此处提到的“解释权”竞争是指企业之前的解释权竞争。

　　关于企业内部的解释权竞争我们将在第八章中详述。

　　1. 哪些企业在某一特定领域拥有*的相关数据占有量？

　　2. 哪些企业具备将数据转化为正确的信息和知识，并将这些知识正确的表达出来的能力？

　　3. 哪些企业具备支撑决策（比如国家范围的决策）的能力？

　　接下来，我们要举一个例子，虽然，这个例子只适用在公共领域业已举足轻重的大公司，但是这个例子也适合梳理出企业内部的相互关系，这个相互关系也涉及对由专业部门传输给特定团队的信息的内部分析。

　　例子：

　　一家大型搜索引擎企业确定（其他大型搜索企业也同样如此）德国某个特定区域对于流感症状和流感药物的搜索数量高于全国平均水平，并且这个数量持续快速增长。这可能是一场流感开始的信号。

根据搜索数据，企业自然掌握了信息并且推断出，也许一场流感即将爆发，流感的初发地也被清楚掌握。这里的“可能”意味着人们暂时只停留在数据和信息层面。

从理论上讲，上面例子里的公司在得到数据后，应该在相关区域进行一场区域性保险公司的宣传活动，以此来提醒人们作出预防。接下来，应该以大数据科学家提出的这个问题确实和流感相关的论断为出发点，在全国大范围内采取措施之前，向有关人员转达消息并基于数据分析证实这个观点。

　　企业必须自己承担上述费用，但是在保证企业利益的同时也要保证不能有过高的错误率。为此统计学家会计算企业的错误率，因为错误率能够反映企业分析结果的真实性以及所做预测还有哪些不可确定性。这些错误率是*终分析结果的组成部分，分析结果中还会包含对结果可能性的预测，严格来说，单纯的分析是远远不够的。

　　除了上文的数学验证方法，当然还有其他的手段来鉴定信息。

　　如果要发展新的验证方法，有丰富想象力的人将会非常受欢迎。

　　换句话说，面对大数据的复杂性及其繁多的可能性，仅仅依靠已有手段来解决新出现的问题是不现实的。因此，大数据专家团队需要专家和创新人才的合作，以达到能够交付新的解决方案的目的。在一些情况下，传统的验证方法是行不通的，这时人们将会通过反证法（也就是通过证明一部分观点完全不合乎实际的方法）尽可能地排除一些可能性，以提高预测结果的准确性。

　　反证法和提高预测结果准确性的*终目的，都是为了在一定程度上减少现实状况的复杂性和不断出现的各种可能性，并得出一个高度符合现实情况的结论。反证法能够有效地减少各种情况下事件的复杂性，但必须注意的是，排除事件可能性的时候不能匆忙大意（上文事例即指保险公司的宣传活动），否则信息解读的错误率就会大大提高。在此，我们要着重强调数据转化为信息、信息转化为决策知识的重要一点：

　　重要：

　　一个企业从数据中提取信息，并将信息转化为与决策相关的知识；同时，必须减少对现实复杂性的不合理排除，否则信息解读的错误率就会增加。

　　在许多情况下，数据的分析过程都是以猜测开始的，但是猜测不应该随意减少现实情况的可能性，必须非常小心地进行。这个重要的问题我们将会在第八章和第十章中深入探讨。

　　再回到我们所举的事例，通过正确的分析，即通过对各种信息的证实，相较于传统的通过医生诊断，企业可以更早地得知在某一地区将要发生流感。健康人群可以更早地采取预防措施，*好的结果是一场更大范围内的流行病可以得到抑制。

　　如果企业在数据分析中存在错误，*糟糕的情况就是会触发上文提到的错误警报，并且对企业形象造成影响。不断触发错误警报的企业将会很快失去作为分析预测服务供应商的资格，并且陷入信任危机。

　　此外，企业还必须注意一点，这一点关系到一些人的特殊的个人目标，即对于特定信息和主题解释权的追求和占有，以及从中可能产生的纠葛。产生这种纠葛是因为公众对于同一个问题的认知是无法预测未来的。

　　企业作为具有分析能力的竞争者，其内部角色与各个参与数据分析的不同的部门相关。它们处于占据信息解释权的竞争中，对此我们将在第八章中详述。

　　1. 战略

　　企业应当基于其战略和业务模式确定其在大数据时代的目标，并且回答如何将大数据这个主题融入公司整体格局中这个问题。

　　2. 集成

　　在企业战略计划的基础上，大数据必须在企业的各个层面形成技术上的统一。

　　（1）组织机构：在企业内部框架下确定其组织机构；

　　（2）流程：集成所有目前企业流程中的所有相关活动；

　　（3）技术：在信息技术架构中集成特别的大数据技术；

　　（4）企业文化：为大数据活动的成功创建总体框架。

　　3. 智能循环

　　请见本章开头。

　　4. 分析型竞争者

　　（1）企业具有通过数据分析以高精度的预测推导实际问题的能力；

　　（2）在企业内部目标群体范围内，有一个用于数据分析的部门具备上述能力。

　　5. 信息主宰者

　　（1）一个在公众眼里能为决策过程提供可靠的、高质量的分析支撑的企业；

　　（2）在某一公司一个被认为能提供可靠的分析以支撑决策过程的部门。

　　关于“解释权”我们将在第八章中详述。

人人都在谈论“大数据”，人们对这桶“21世纪的石油”充满着期待，可是大数据真的会给我们带来“一个美好的新世界”吗？这种期望在多大程度上是可以实现的？我们将会为大数据时代所带来的文明的契机付出哪些代价？哪些金钱以外的的代价？那么问题来了：大数据究竟是灾难还是幸运呢？巴赫曼、肯珀和格尔策三位作者，借助一套完整的、基于科技与经济角度的研究体系，对这一问题展开了探讨。很快这一问题就变得清晰了，大数据是一个关乎全社会的主题，任何对这一主题有着敏锐嗅觉的人，都会从这本书中受益。

罗纳德·巴赫曼（Ronald Bachmann）曾在欧洲盛名的信息通信技术服务运营公司任职多年，是数据分析领域的项目经理。如今他是proMetis咨询有限公司大数据、商业智能和Enterprise2.0领域的企业顾问。

托马斯·格尔策（Thomas Gerzer）在加入proMetis咨询有限公司之前曾就职于欧洲电信巨头之一，负责产品管理和企业发展事务。如今他在proMetis负责产品引入和商业智能类客户项目。

圭多·肯博博士（Dr. Guido Kemper）是proMetis咨询有限公司的创始人之一、股东和管理顾问的业务负责人，此外，他主要负责在建设项目的收费系统中引入数据分析系统。

刘源，中国速销创始人，致力于为企业提供新媒体大数据资源，提升营销效率。

刘志则，知名传媒人，社群裂变发起人，成功策划了《小众行为学》等一系列财经畅销书，致力于中国传统文化的传播，具有广泛的社会影响力。