原创译文 ▏IT部门不应忽略的12种数据

 无论你们公司有多少数据或者你们的经理需要多少数据，你们很有可能错过了掩藏在数据之下的瑰宝。下面我们会分享12个案例，案例中讲述了什么数据是你可能忽视的，为什么它在很大程度上对资深IT人士和你们的企业来说很重要。

(Image: oneinchpunch/iStockphoto)

 √ 客户数据

 企业一直在通过自己的数据库和渠道紧抓客户数据的质量。

 从本质上讲，观察客户的角度并不是单一的,因为客户的身份信息除了在注册表之中，也可以从第三方网站获取。

 旅游大数据公司Boxever近期针对旅游服务中介的500名客户做了调查研究，研究显示，其中70%的Y世代人更愿意通过旅行社的品牌邮件推广来获取旅游服务信息，而32%的客户愿意通过社交媒体的渠道得到旅游推广的信息，19%的客户希望通过移动端来获取旅游信息。

 然而，无论是Y一代、X一代和婴儿潮一代00后千禧一代以及与思想前卫的艾森豪威尔总统处于同时代的人，都是通过各种渠道来了解旅游服务机构的品牌度，而且他们会不停的尝试不同品牌的旅游机构的服务。尽管这项调查是针对旅游行业,但不难想象将此类调查方法应用到其他的领域。

 “现在的问题是我们应该从哪里着手，同时，我们必然会将各式各样的数据的内在价值分析出来，并释放其潜力。”来自Boxever公司的多米尼克·达勒姆说道。

 许多企业难以满足越来越高的客户期望，因为他们的企业文化和技术能力都跟不上。组织和企业为了维持数据之间的关联性，最大限度地引入了各种格式和类型的数据，但技术能力没有跟上，也因此，让组织和企业陷入困境。

 √ 客户关系数据

 CRM系统的数据中有销售数据、市场数据、产品研发数据、财务数据，当然，也有客户服务数据，CRM系统的数据可以给企业中很多部门带来益处。然而，不是所有企业都能使用跨部门的数据，因为各部门之间这些数据的所有权到底属于哪个部门是有分歧的。

 “关键是建立客户关系管理系统，并超越其作为一款辅助销售的自动化工具的传统功能，同时，促进跨部门的信息融合。”哈特曼咨询公司执行顾问的戴夫·哈特曼谈道。“如果做法正确的话，CRM能为公司运营可以提供一个可以帮助提高销售的工作效率的窗口。这些信息包括库存，财务，订单处理等。”

√ 邮箱信息归档

 各企业之所以将邮件归档主要出于监管、电子资料备案、内部调研、公司内部科研展示的目的。过去，邮件信息归档受限于高昂的存储成本。但随着不可阻挡的数字化大潮趋势，存储价格在下降，邮件信息存储的实现非常容易，而且其成本已经比过往任何时候都都低。

 “随着越来越多的公司处理数据过载的问题，IT部门逐渐意识到为了能够提供分析数据中的各种信息和知识，他们可以“重建”自己的部门职责。” 格雷格·阿内特，邮件归档云服务和搜索服务的分析供应商Sonian的创始人和首席技术官。

 “邮件数据有很多隐性用途，比如，通过分析交流的方式，发现潜在的组织；当违反言论传播法律法规的行为发生时，可以及时捕捉；监测行为的变化，这些行为可能预示了对工作的不满，或者是对公司公告和事件的最真实的反应。”阿内特说道。

√ 商务文书

 想象一下，Word商务文书和商业应用中的非结构化文本都被淹没在短信消息之中。然而，公司完善的商务流程的制定仍打算围绕传统业务系统。因此，这些商务流程可能并不能很好的解释非结构化数据起的作用，即难以确定的非结构化信息的价值。因为管理者也习惯性地关注于结构化数据，所以，这种习惯成为了我们对非结构化数据的监管、分类和使用的阻碍。

 “分析师和一些机构已经在高度关注商业智能和实时交易数据的价值的分析，而忽视或低估了非结构化数据在事务性数据以及相关联分析的价值。”罗伯特瑞安，全球信息和通信技术公司美国富士通首席创新官说。“商务决策和大多数商务流程极大地依赖于非结构化信息。”

 使用非结构化数据的公司能够做其他未使用的公司不能做到的事情，比如通过分析商业信函的类别，可以了解到真实的商务流程，并识别企业系统中的功能性缺陷；量化所售商品的从终端到终端的全部成本。“类似的，通过挖掘存各领域的现场服务订单的非结构开源文本，公司能够智能识别异常的维护周期和存在的问题，从而找出原因并提高维护流程。”瑞恩说道。

√ 跨设备数据

 如今，市场人员经常把“全渠道用户服务体验”挂在口边。全渠道用户服务体验超越了传统渠道，并通过各种设备提供流畅的用户体验。从狭义上来说,全渠道用户服务体验这个概念可以是指为用户提供从电视到平板电脑到智能手机一体化流畅的电视观光体验。其实,全渠道用户服务体验是很常见的,它作为像预订飞机或采购项目这样的流程中的一部分。

 “企业都期望移动端设备能够代替网页端交互设备,然而用户并没有打算在二者中选择其一。然而,移动端的作用可能更具有本质的探索性，在通过传统渠道像是网站等方式订购之前，消费者更愿意在移动设备上进行浏览。”杜米尼克说。因此，为了最大限度的利用好这些数据，我们需要全面分析全渠道用户交互体验。”

√ 定位信息数据

 定位信息数据可以帮助商家提高线上和线下的销售以及市场工作的效率，因为它让转化和销售之间的联系更紧密。

 “即时位置数据带给你对客户的另一种维度的了解，并让企业实时地为目标用户送去定制化的信息。”杜米尼克说。“地理位置也让企业了解到收到定制化信息的目标客户是否真的带了更多的客户到店并消费。”

 越来越多的传统 实体店将数字元素加入店铺并与自己的品牌相连，并用以前不可能实现的方式来追踪用户的行为轨迹。数据点越多意味着相关性越强、洞察力越清晰，也可以越准确地把握用户行为。

√ 在线评论

 评分和用户评论是现今公司电商展示的筹码。用户评论是任何人都可以看的，然而企业却没有全力发挥这些数据的价值。理论上，企业都明白用户自身产生的评价内容会打消其他客户的顾虑并产生比较好的转化，但企业仍未使用这些数据做预知市场运作。

 “92%的消费者对用户评论推荐的信任度高于商家的品牌广告内容。”评分和用户评论平台服务商Bazaarvoice公司战略咨询副总裁大卫摩恩说，“企业没能最大限度的利用好用户自身产生的评价内容的最充分的理由是企业对用户自身产生的评价内容的误解，认为它们仅仅只是网站资产而已。

√ 性别

 根据数据科学反欺诈监管和商业智能研究机构的副总裁Aleksander Kijet的说法，选择授权交易的女性比男性多8%。但是，在某些性别影响权重大的纵向市场，就与上述观点恰恰相反。换句话说,性别是一个辅助性的因素,而不是一个决定性因素。

 “为预防这种情况必须建立全面、深入分析的多种因素,这可能只有通过先进的机器学习技术进行广泛的数据挖掘和数据采集。”Aleksander Kijet说。“性别是明显的不相关变量,但在某些情况下,性别因素或许有重要的价值，但仅限于使用了合适的分析工具，并与其他众多的变量一起的情况下。”

√ 店铺数据

 大品牌零售商为帮助其实体商店量化并追踪用户行为轨迹,正在做各种各样的尝试来：安装网亭和指引牌；以新的方式存储监控录像;在极端情况下,测试更衣室的智能试装镜。然而，拥有这样先进技术的商店仍在少数。

 “实际情况是数据的采集仅仅在收银台，但这并不是全部数据。我们看到了结果，但去没有看到用户做的决定和拒绝选择的商品，也没有看到用户实际买单的原因。”企业管理咨询公司Waterstone管理集团的联营合作伙伴约翰·帕金森说道。“人们很容易先入为主，通过我们所看到的因素建立错误的预测，而不考虑我们未曾见到的因素。”

√ 人口统计数据

 分析整个人口数据比较耗时耗财而不实用，这就是抽样技术有必要的原因。尽管像hadoop等现代大数据技术已经可行，一些业内观察人士对是否有必要分析整个人口数据仍有争执。其他业内人士奉劝最好不要有这种想法。

 “许多企业的重大决策是基于样例数据，这提高了重大失误的风险。既然有现成的可行工具，没有理由不查看这些人口统计数据。”Adobe分析部门的产品营销经理内特·史密斯说。“我们发现品牌并没有使其移动端发挥最大的作用，也无法真正了解重大问题。移动端的交互是怎么产生的？我们是否应该做个APP？用户的位置和时间如何影响用户的消费决策？”

√ 习惯

 医疗保健服务提供商正在从纸质流程化向数字流程化转化。这一转变产生了电子医疗记录(EHR)。主治大夫和临床医生依据他们所掌握的信息尽力诊断和治疗病人，这些记录是由患者自己填写或者是由治疗好患者的相关医疗保健服务机构的提供的医疗记录。

 然而，他们基本没有什么远见想要去了解患者的日常生活，例如他们喝酒或抽烟的量，他们饮食的量，他们吃的食物种类,他们是否运动等等。虽然对它们之间的关联性会有私下的担心，但是这些额外的信息可能会提高诊断治疗的准确性。

 “生活方式和习惯对一个人的健康状况有极大的影响。相比于临床数据，收入、人口结构、生活环境和购买习惯都可以勾绘出一个健康用户完整的画像。”健康优化平台服务提供商Welltok的CTO兼高级副总经理布赖恩·加西亚说道。“在了解个体的需求时，个体数据至关重要，根据他们的健康状况对应到他们的生活状况，而不是死板地让每个个体去适应一个静态的医疗保健系统。”

 然而，电子医疗记录EHRs并不是用来进行所有数据的记录。“很多系统是用来执行标准和记录营业额，不是照顾病人的。”加西亚说道。

√ 生产数据

 “制造企业在规划自身的生产力方面做的很棒，但他们却没有意识到，他们差一点就成功建立了完整的有关刀具磨损的审查数据库，这个数据库有助于提高设备维护的预测能力和预防能力。”Kepware铁路公司福格·麦克莱恩业务系统工程师斯科特说道。

 制造商正在采用预测分析的相关技术来精确设备计划维护的时间和最终故障停机时间。比如，也有可能借助生产信息来监控设备的劳损状况。

  稿件来源 ▏ Informationweek

  原文作者 ▏ Lisa Morgan

 译者 ▏ 张宇

 校对 ▏吴赟 （国家大数据标准组专家，天府软件园大数据俱乐部秘书长，勤智大数据分析师，数据运营专家顾问）

责任编辑：陈近梅