人们为什么关心数据？因为数据中蕴含着商业价值。更具体地说，数据，作为一种电子化记录，描述刻画了各种各样的不确定性，而不确定性蕴含商业价值。因此，数据分析的对象不是数据本身，而是分析数据所描述的那个不确定性。同样，数据分析的目的也不是分析数据，而是创造价值。只要是能够创造价值的数据分析，都是好的数据分析。相反，则不然。对数据分析价值的判断，同数据的大小、分析方法是否高大上，没有必然联系。这种朴素的数据价值观的形成，并不是凭空臆想、突然形成的，它得益于真实的数据产业实践。
例如，有朋友很困惑地说：“我们做了一款这么棒的数据产品，数据量这么大，体验这么好，可视化创意如此独特。可是，客户怎么就不愿意买单呢？”最开始，我也有同感，但是，随着时间的推移，我的看法在慢慢改变。就像老师不能挑选学生一样，在商业实践中，我们很难挑选客户。因此，不能把数据产品的失败归咎于客户的无知，这样做没有任何建设性意义。而一个更加具有建设性的思考是：为什么我的数据产品客户不认可？归根到底是：价值不明晰。具言之，数据产品之于客户的重要业务，所创造的商业价值不明晰。这里有两个可能：一个可能是数据分析根本就没有创造价值；另外一个可能是数据分析所产生的价值难以被客户感知。无论是哪种情况，都会极大地影响数据产品的推广。
数据商业价值的三个表现
企业靠什么活着？答：收入！即使没有现在的收入，那也得有未来可预期的收入。第二，企业为了达成收入，需要做什么？答：支出（或者说成本）。收入减去支出，就是利润。在资本当道的今天，利润可以暂时是负的。第三，没有任何企业对自己未来是100%确定的，因为这里面有很大的不确定性，而不确定性带来的是什么？答：风险。接下来，就这三个方面，予以分别探讨。
第一个方面：收入。
数据产品能否帮助客户带来额外的收入？这里的关键词是“额外”。客户是卖豆浆的，以前没有你的数据分析，他每天卖100碗。后来呢，有了你的高大上的数据分析之后，如果客户开始每天销售豆浆150碗了，那么你数据分析的价值就体现出来了。这个价值有多大？就是那额外的50碗豆浆！再看一个例子：个性化推荐。客户是一个电商网站，他的主页上有一个推荐栏。过去这个推荐栏的转化率是2%。通过你的数据分析，推荐栏的转化率提高到5%了，直接大幅度提高了客户的销售收入。这额外的3%的转化率，就是数据分析的价值。
第二个方面：支出。
有人说：“我们的数据距离收入有点远，不能给客户增加收入。但是有可能给客户节约不必要的支出，也就是成本。这样行吗？”当然行啊。为什么？因为收入的增加往往具有很强的不确定性。这些不确定性来自于市场的波动、政策的变化、竞争对手的博弈等，都不在企业的控制范围内。但是支出，却更多地掌握在企业自己手里。因此，相对收入增加而言，控制支出更可预期。
假设，客服中心有1000个接线员，每天接听海量电话，解决各种客户问题，其中绝大多数问题都是很标准的典型问题。现在，通过语音识别技术，自动识别客户问题，通过AI助手，自动回答解决。因此节省下来的工作量和成本，就是你数据分析的价值。
第三个方面：风险。
还有人说：“我的数据分析，第一不能直接增加收入，第二不能直接节省成本，但是可以控制风险。这样的数据有商业价值吗？”当然有了。事实上，风险就是连接收入和支出的一个转化器。对风险的把控，或者可以增加收入，或者可以降低成本。
很多商业银行都有网上申请系统，但缺点是风险比较大，见不到真人，有些线下才能提供的材料无法获得。那就只能提高在线申请的门槛，降低通过率。这样做的优点是安全，把坏人拦在外面；缺点是错杀了很多好人。如果能够通过数据分析，帮助这家银行更加准确地区分好人和坏人，那银行就可以放心大胆地给更多的好人发卡、放贷，增加收入和利润。同时，还能保证坏账率在合理的范围之内。这样的价值是把对风险的把控，转化为收入的提高。同时，因为你风控做得好，所以坏账率就低，还节省了催收成本。这就是数据分析的价值。
建立可量化的参照系
数据的商业价值最可能体现在收入、支出、风险，但这三方面还不够。真实的业务环境很复杂，最终产生的价值（例如：收入的提高），往往难以被感知。为什么难以被感知？往往是因为缺乏一个可量化的参照系。
有业内朋友说：“我们最近给一个客户做流失预警模型，准确度75%！”但是他说领导很不满意，准确度太差，连99%都不到！客户流失行为是一个高度不可预测的不确定性行为，其中有无知的成分，也许可以通过数据分析去学习把握。但是，这里面更有无奈的部分。例如：同行竞争对手为了争夺同一个客户资源，它会采用什么手段？会产生什么效果？这谁说得清楚。因此，客户流失行为的预测不可能特别精准。但是，领导并不明了这个道理。这里最主要的一个困难是，领导对客户流失的预测精度没有一个合理的预期。因为他没有合理的参照系。在没有参照系的情况下，领导对客户流失预测精度的大小无法评估。于是，他就只好参照小学生的考试成绩：认为99%才优秀！我们应该给他树立一个可量化的参照系。
为此，可以研究一下：客户在没有数据分析的帮助下能做多好？在你到来之前，客户自己是有流失预警得分的，这个得分准确度如何？很多时候，客户自己都从来没有评价过。你可以这么说：“领导，您看，之前咱们这边的精度是65%，已经做得非常不错了。但是呢，现在咱们双方共同努力，这个精度提高到了75%。为此您可以节省多少不必要的支出，或者增加多少额外的收入，等等。”这样就更有说服力，因为你确立了一个可以量化的参照系：客户现有系统的65%。如果没有这个参照系，而你又想说明75%的精度有价值，会无比艰难。数据价值依赖于业务场景
纯粹的数据不产生价值，纯粹的算法更不产生价值。价值的产生一定依赖于具体的业务场景，尤其依赖于带有强烈不确定性的业务场景，简称为“场景”。
所谓场景就是价值创造所必须的一系列业务元素与条件的集合。两个要点：第一，有场景，就自动有价值。因为“产生商业价值”是定义“场景”的一个必要条件。不产生价值，不成为场景。第二，场景是一系列业务元素和条件，因缘际会和合而成。场景的定义跟数据没有多大关系。定义场景的关键就是创造商业价值，只要有商业价值创造就一定有场景，只要有场景就一定有商业价值创造。商业价值创造与场景互为充分必要条件。
因此，如果“数据”能够傍上“场景”这个大腿，那价值创造不是问题。毕竟，纯粹而孤立的数据，哪有什么价值？再厉害的算法也敌不过独特而精准的数据。所以，我的观点很简单：场景第一、数据第二、算法排最后。由此可见，要践行数据商业价值，首当其冲需要分析业务，并寻找高价值场景。但是，这样的业务场景应该如何寻找？
假设一个便利连锁集团的领导找到你，说：集团有上百家便利店，遍布北京各个城区，每天小十万的客流量，留下了不少购物数据。请问：这些数据能为我创造什么价值？也许你会说：咱们做个菜篮子分析吧，看看有没有可能发现一个啤酒跟尿布的故事？或者说：咱们研究研究天气吧，看看天气跟雨伞销售量有啥关系？这些数据分析所对应的场景，太琐碎，甚至压根不存在。在这样的场景下，数据所创造的价值，不可能太大。因此，场景自己的重要性极其重要，决定了数据商业价值创造的上限。如果你希望用数据创造更重大的商业价值，你需要关注企业的核心业务，在核心业务方向上，寻找重要的业务场景。
回到连锁集团的案例，你也许应该先问：领导，请问咱们集团今年的战略目标是啥？因为，战略目标决定了集团的价值取向。只有跟集团战略目标高度一致的价值才会被高度认可。因此，在数据分析之前，首先应该关注集团的战略目标，跟这个战略目标相关的核心业务，以及同核心业务相关的业务场景。也许，领导会告诉你：“我们集团现在才100多家门店，今年能否开到1000家？这是集团今年的战略目标。”请问：开店最重要的问题是什么？答：选址！因为一个位置的好坏，可以直接决定未来便利店的收入和利润。因此，“选址”即是一个业务问题，也是一个具备价值创造属性的“场景”。作为集团创始人，在选址方面都独具慧眼。开一两家新店、可能需要考察一二十家店址，也许领导还看得过来，因此跟数据分析关系不大。但是，如果要开1000家新店，那得考察多少个店址？领导不可能有精力看得过来。谁来替代？质量如何保证？
这个时候，数据分析就能帮大忙了。已开的100多家店过去的经营业绩，一定有相对好坏。而这些相对好坏和它们各自所处的位置，一定存在某种相关性。例如，一个店面业绩的好坏，是否与写字楼有关系？是否跟周围的交通量有关系？是否跟地铁站、周围的小区以及周围的竞争对手有关系？这就是数据分析要研究的具体问题，可以通过数据模型规范出来，形成一个综合科学的打分系统，从而代替领导的英明决策。这样的自动化决策系统，随着数据的积累、模型的改进，能够最终做得比领导还优秀！
这样的数据分析，瞄准的是企业战略性的核心业务，傍上了“选址”这个高价值的场景，因此产生的价值被认可度更高。
数据价值与商业模式息息相关
价值是业务的核心诉求，而后者是企业的商业模式确定的。不同的商业模式，产生不同的业务诉求，需要不同的价值体现。因此，数据价值的创造与企业的商业模式紧密相关。在不同的商业模式下，对收入、支出、风险的定义各不相同，因此对数据价值的期待各不相同。对商业模式的错误理解，可能带来错误的数据分析方向，无法践行数据商业价值。
看一个失败案例。曾经帮一个连锁便捷酒店分析数据。发现该便捷酒店的定价策略似乎很混乱，有很大的改进空间。此外，通过对历史数据的分析，发现可以用当天的数据，对明天的客流量做一个相当不错的预测。然后根据预测客流量的高低，做每日的动态价格调整，增加收入。通过对历史数据的大概测算，我们预计能够帮这种类型的分店提高至少20%的收入。
但是，当数据分析团队向对方领导汇报这个结果的时候，被泼了一大瓢凉水。对方说：“我们对这不感兴趣。”为什么？我们的分析直接瞄准的是企业收入！前文提到，数据商业价值的第一个表现就是收入，第一次听说有企业会跟收入过不去。对方说了：“我这个连锁店啊，绝大多数都不是直营店，而是加盟店。因此，作为总公司，我的收入主要来源于加盟费。由于，我对加盟店的收入不抽成，因此这些加盟店收入跟我关系不是特别大，或者至少不是我最关心的事。”
我们分析的各个分店的运营收入，是各个分店的收入，不是集团总店的收入，因此不是集团领导关心的主要问题。这是由该连锁集团的商业模式（加盟模式）所决定。因此，该连锁集团的商业模式，决定了集团总店的收入模式。集团总店的收入模式，决定了业务的核心诉求，决定了数据分析价值的方向。
跟对方进一步沟通发现，所看到的混乱定价现象，很可能是人为造成的数据质量问题。各个加盟店，跟总公司有着复杂的合作与博弈关系。它们之间，显然是要合作的，因为都在享用同一个品牌。分店向总店缴纳加盟费，总店对整个集团的品牌推广负有重大责任。但是，从分店的角度看，它们并不希望总公司对自己的实际收入情况了解太多，尤其是那些收入很好的分店。他们担心，如果让总店知道了他们的卓越业绩，明年的加盟费会增加。因此，分店有很强的冲动去虚报部分数据。
这么看来，上述数据分析结果，对于一个以加盟为主要商业模式的连锁酒店意义不大，对以直营为主的连锁酒店，也许更有意义。这说明对商业模式理解的重要性。对于一个具体的企业，正确理解它的商业模式，是创造数据商业价值的基本前提。小结
这是一个所谓的大数据时代，又是一个极其浮躁的时代。人人都在讨论数据，人人似乎都在讨论“价值”。太多人在讨论N个V，还有“砖家”说他家的AI整合了2000亿个算法！在我的眼里，这些观点和方法无法对真实的数据产业实践，做出任何有实际意义的指导。因为真实的产业实践全部基于卑微的业务。而整个行业，无论是学界，还是业界，都鲜有人从业务的角度去定义“价值”，去理解“价值”。对这样一个根本性的问题，都缺乏科学系统的见解，如何践行数据商业价值？整个行业缺乏对业务足够的敬畏，而被“大数据”“人工智能”等一大堆被定义得似是而非的概念迷惑了头脑。
（作者为北京大学光华管理学院商务统计与经济计量系系主任、教授）