作为IT服务公司的数据科学家，我的日常工作是协助各类企业进行数字化转型和数据应用。在与客户打交道的时候，我常常遇到以下问题：负责数据收集的员工经常抱怨业务方没有明确需求，数据的用途不清晰；数据分析师抱怨数据太杂乱，无从下手分析；一线业务员工抱怨数据分析过程过于复杂，看不懂，结论缺乏实际的指导意义等。

这些问题并非个例，而是当下企业数字化转型中的通病。要跳出上述“死循环”，我们可以从以下几个方面找答案：

大多数企业的数字化转型更关注的是技术，尤其是传统产业，对技术升级有强烈需求，这也导致了一个有趣的现象：企业数字化转型赚到钱的大多不是企业本身，而是那些上游提供技术支撑的公司。

企业数字化转型的意义是帮助企业解决难题，如果为了数字化而忽略了原有的业务难题，必然会导致转型的失败。尤其是目前很多例如首席信息官、首席数字官等时髦的职位，让不懂大数据的人感觉高大上并盲目崇拜，但是如果他们在数字化转型中忽略了数字应用的目的在于“对企业主要业务的支持和投入”，忽视了业务部门的真实需求，那这些职位可以说是毫无意义。

因为收集数据的员工不理解如何使用数据，现在很多企业始终走在大量收集数据后再摸索如何使用的路上。导致数据越来越多，应用越来越混乱。任何企业都必须明确一个问题，今天收集的这些数据未来可以用来做什么呢？如果没有应用场景，这些数据也只能“躺”在企业数据库中成为“死”数据。

数据在收集之前就应该明确它的使用意义，并且使用目标要尽量具体。此外，数据的再收集尽量能够与已有的数据形成联动，不断提升解决问题的准确性。比如，在今日头条浏览新闻，我们可以对自己喜欢的新闻进行收藏、转发，对不喜欢的内容进行拉黑、举报等。这样企业就可以针对我们反馈的数据重新推荐，不断提升用户体验，解决企业难题。

3、数据分析师的统控协调作用

我认为，数据分析师在企业数字化转型中应成为一个多方协调的角色。目前很多数据分析师岗位的小伙伴把更多的精力放在取数、做报表等一些重复且被动的工作中，导致数据分析师的入职门槛大幅下滑，归根到底还是企业没有正确对待数据分析师这个角色。

真正有经验的数据分析师应该能协助业务部门梳理业务问题、探索解决方案和所需数据，构建企业的指标和报表体系；除此之外，数据分析师还应该与数据采集人员密切联系，协助数据采集人员采集到对数据分析真正有帮助且稳定可靠的数据。这个过程相当复杂，这里就不再展开论述。

大数据的应用并不取决于你对数据的真实记录，而取决于你能否通过数据还原用户的购买行为和偏好。比如：我在几年前使用个人身份信息注册了唯品会会员，这时唯品会准确识别到了我的地区、年龄、性别和生日等信息。

虽然这些数据很准确，但是他却不能还原我在平台上的行为，因为我在平台的购买较多集中在子女和父母的物品。如果唯品会始终按照我的个人信息向我推送商品，那它可能永远走在错误的推荐道路上。这也是阿里巴巴为什么给用户设定18个性别标签的意义所在。

我们都说，大数据时代并不是“千人千面”，而是“一人千面”，真正有用的数据应用是在不同场景中记录用户的不同表现而作出相应判断。评估数据应用的效果不是给用户贴了多少个标签，而是数据结论是否对业务决策有实质的帮助。

以上对于“大数据，为什么很多企业只会说、不会做”这个问题的理解希望能给到您启发。在这里给大家推荐几本数据分析的书籍：《数据分析基础》、《给新手的企业数据分析实战》和《客户与产品数据分析》。这些书籍可以帮助大家学习、掌握数据分析的基础知识和技能。

数据分析只有明白原因，才能对症下药，做到高效分析，精准决策。