说起“大数据”，大家肯定不会觉得陌生。在高速发展的现代社会，我们身边充斥着形形的大数据，它们在社会实践中发挥着巨大的作用，应用范围也越来越广。

　　第一个误区与数据的“多与少”有关。很多人总认为小企业没有那么多的数据，所谓大数据只适合那些规模巨大、交易频繁的企业。这是一种错误的观念，事实上，再小的企业也有足够多的细分数据，值得我们研究和分析。

　　第二个误区与技术元素有关。很多人过于看重大数据运算中的技术元素，认为只有依靠Oracle、SAP等先进的企业软件平台才能做大数据分析。其实，我们采用最简单的数据分类统计工具也足以进行大数据分析。

　　2002年我去德国工作时，为了方便出行，花5200欧元购买了一辆二手的三厢Polo汽车。购车后自然要买保险，可是我仔细了解了一番，发现像我这种“在德国驾龄为0年”的外国司机需要缴纳的保费金额竟接近2000欧元。也就是说，一年的保费超过了购车款的1/3，这实在让人难以接受。

　　这时，有一个朋友给我推荐了一家可以在网上进行交易的保险代理公司MLP，据说这家公司“不歧视”外国司机。

　　我登录了这家公司的网页，发现在询价前要先答完一份调研问卷，其中包括40个问题。

　　看到这里，大家可能会觉得有些奇怪，为什么保险代理公司会问这些问题。其实这些问题背后藏着“大数据”的影子，下面就让我们逐一进行分析。

　　问题1问有没有地下车库。这是为了推断汽车的受保护状况。如果没有车库的话，汽车晚上停在大街上容易被剐蹭。

　　问题2问投保人的职业。这是为了推断出险概率。就拿我来说，我是一个整天坐在办公室里的财务人员，出险概率当然比不上经常要开车出去拜访客户的销售人员。

　　至于问题3，我想先卖个关子，请大家思考一下“家里有8岁以下的小孩”和计算保费究竟有什么关系。

　　这个问题我曾经在许多公开讲座上提到过，也难住了很多人。 其实只要换个角度，将自己代入孩子家长的角色，就不难找到问题的答案： 一个人出行和带着孩子出行，在驾驶行为上会有明显的不同——带着孩子的时候开车往往会更加谨慎，一旦黄色交通信号灯亮起，驾驶员往往就会踩住刹车不往前冲，所以，家里有小孩对购买汽车保险来说是一个“加分项”。

　　上面只是列举了几个问题，不难想象，40个问题回答完，系统就会为每个用户绘制一幅独特的肖像。例如我从事财务管理，上下班可以在地下车库停车，一周只有周五开车上班……按这些条件评定下来，我的保费只需500多欧元，比起先前的近2000欧元，便宜了不止一点点。

　　那么，这家公司为何愿意以不到市场价1/3的价格给在德国没有驾驶经验的投保人出保单呢？就是因为大数据给了这家公司“底气”，与只是简单地按驾龄测算保费相比，这40个问题的答案看似不多，却已经构成了用户大数据，可以为这家公司的决策提供依据。由此可以看出，大数据与数据的“多与少”并没有直接的关系。

　　更值得一提的是，早在2000年左右，这家保险公司就已经能够借助“大数据”测算保费了。那个时候互联网的普及程度远没有今天这么高，更无法应用云计算、人工智能之类的高新技术，但这并不妨碍该公司对大数据的合理运用。由此可见，能否合理运用大数据，并不取决于技术，而取决于思维方式——如果我们能够用积极的态度和主动的思维看待大数据，就不必等到技术手段成熟、完善之后，才能充分地运用它。

　　认识到上述两个误区之后，我们就会知道，哪怕一个小企业只有10个员工，哪怕它只做一种产品，只服务一个客户，它也不能忽视大数据问题。事实上，大数据是无所不在的：正式工与外包工的产出率差异、夜班与白班的成品率差异、电费与产量的线性关系等都是大数据。这些数据并不需要先进复杂的ERP系统来处理，只需要我们拥有足够的“数据意识”，能够从身边的数据做起，做好数据库的建设，对这些简单的数据做一些挖掘与对比，就可以给管理层提供一些合理的建议。

　　同样以小企业为例，如果我们对正式工与外包工的产出率差异进行分析、比较，就可以降低企业在资源配置上的“选择成本”——当外包工的产出率低于某一临界点（保本点）时，我们便会使用成本稍高一点的正式工……一旦这些保本点形成固化的参数，企业运行就可以进入一个预设好的“巡航模式”，不用每次都纠结到底该招聘正式工还是使用外包工，也不用再计算外包工的比例上限了。

　　类似的选择成本问题还有很多，比如模具该自制还是外购，关键材料的供应商数量是维持在3家还是5家比较好，在供应商季度降价前该如何保持安全库存的最低运转量，等等。这一系列选择都可以通过大数据“沉淀”成企业常识，为业务运作提供指导，而不必每次都像面对新任务一样做全新的决策。毕竟，选择也是有成本的，每次选择都会带来额外的资源消耗，想要最大限度地减少消耗、提高效率，我们就应当有意识地做好数据库建设，利用好大数据。

　　当然，想要建设数据库，必须先有一个顶层设计。大家不妨参考图中的企业大数据框架，以便打开自己的思路。

　　1)我们可以从不同的维度来认识这个企业大数据框架。第一个维度是“业财融合”维度，也就是正视图体现的数据内容，它们被分为业务和财务两大类，像订单、退货、折扣、租金、验收等都是典型的业务数据，而发票、对账、付款、成本、资产等则是财务数据。

　　2)第二个维度是“资源整合”维度，也就是俯视图体现的数据内容，它们被分为内部和外部两大类。内部数据包括构成人、机、料各方面生产要素的数据，比如成本中心、总部费用、员工等数据都属于这一类；客户、供应商、竞争对手的数据，像客户对市场销售预期的下调、竞争对手新增加的产能等，则是一家企业必须关注的外部数据。内部数据与外部数据的协调统一是企业做好资源整合的一个重要前提。

　　3)第三个维度是“价值管理”维度，即侧视图体现的数据内容，它们被分为结构化与非结构化两大类。结构化的数据是指有具体数字的数据，比如财务数据、经营KPI等，这些都是能够通过量化的方式来进行比较分析的结构化数据；还有一类信息无法量化，但也具有非常重要的价值，像会议记录、政策法规等都属于这一类，它们就是非结构化数据，我们在建设数据库时也需要将这部分数据纳入管理范畴。

　　4)除了“业财融合、资源整合、价值管理”这三个维度外，还有第四个维度，乐鱼体育下载即企业的“可持续发展”维度。在这个维度，数据可以按照时间顺序展开，分为过去的历史数据、现在的实时数据和面向未来的预测数据，比如我们做的年度预算与季度滚动预测等都是面向未来的预测数据。

　　上面这个企业大数据框架中的每一个维度的数据都反映了企业经营能力的一个侧面。

　　由此可以看出，大数据不是简单地体现在数据量的多少上，而更多的是体现在数据的多维度立体组合上。

　　完成了数据库的顶层设计后，我们可以从数据架构与数据建设两方面入手，来完成具体的数据库建设工作，具体的工作内容见图。

　　数据架构又可分为数据管理、数据分析和数据报告三大类。其中数据管理包含数据的保存、建档和更新；数据分析又可以细化为数据的追踪、推演和归因；数据报告包括相应的汇报、乐鱼体育下载决策、计划等实际应用。

　　数据建设是一些具体的数据处理工作。比如给数据建立标签，以便实现快速搜索与追踪；给数据分类，以便更好地进行数据分析，并能够从中提炼出建设性的建议；我们还可以通过建立数据之间的关联，找到提升效率的空间，更好地指导企业的经营管理。