最近在知乎有一个百万浏览量的热议话题
文章图片
BAT还停留在送外卖，共享单车，移动支付这些已经充分竞争甚至过分竞争的领域。
而反观制造业，很多设备还相当原始，根本没有用到大数据或人工智能这一类的先进技术，很多甚至连自动化还没有实现。
这么大的发展机遇，为什么BAT们不去研究，却一个劲儿的整这些生活中本来已经很方便的服务，比如团购啊，外卖啊，零售啊这些很一般的东西，却投个几百上千亿去搞。
放着制造业水平落后人家几十年，很多设备还需要买进口的，想想就来气。
为什么BAT不像德国那样搞智能制造生产设备呢？
其实答案很简单
因为赚不到钱！
把制造业企业作为客户？这些客户本身没钱，基本都是以最低价中标。比如到菜市场买菜，每天挑最便宜的买，本质上不新鲜也能吃饱饿不死。想从这种人身上赚钱？你到底在想什么？
【报表开发|知乎百万热议（互联网已成红海，为什么BAT却不涉足传统制造行业）】
文章图片
互联网大厂，讲究的是快，干事快，投入快，产出快，我开发一个app全员加班加点，一个月能初步有雏形了，2个月就能上线了，我做做广告，搞搞商业化，钱自然而然就来了。
同样的，还有电商、游戏，阿里最赚钱的部门是淘宝，字节最赚钱的部门是抖音，百度最赚钱的地方是搜索，腾讯最赚钱的地方是游戏和投资，再不行，我把手伸到买菜上，赚钱这么容易为什么要走另一条路？
文章图片
搞几个人做做智能制造、数字化转型这种B端项目得了，云嘛，现在有阿里华为腾讯三大云，想插手也很难，再说阿里云当年不也快做没了吗？
to b辛辛苦苦，一年才几个钱？你让我去和制造业打交道？我只想做甲方，不想做乙方。
总的来说就是，市场规模不大（制造业也不好过），技术复用不高，投入产出不快。
文章图片
但这块事情必须也得有人做，所以今天在这里我想说说传统行业的数字化转型。
做过太多的数字化转型项目了，总结起来就一句话：用数据为企业赋能。
这是句套话，看完也是似懂非懂的，不过别急，听我解释。
其实现在的中台、数字化转型，很多年前就已经在做了，只不过当时的互联网并没有现在这么发达，声量不能够被放大。而且说白了，数字化转型就是数据化管理。
文章图片
领导看得见的东西：
你通过数据把销售额提升了1000万
你给公司做了一个实时的可视化大屏
你从0-1建立了一个数据部门，每天老板来都能准时看到报表，且业务人员认可度很高
领导看不见的东西：
你sql写了很长很长时间，就是一个机器，一度怀疑自己
你的工作得不到别人认可，成就感低，一度想离职
这些都是数字化转型中会遇到的问题。
其实，数据在没有积累到一定程度时，是很难发挥出它的智能价值的，绕不过“看数”的阶段。只要业务成熟到一定程度，数据才能发挥出它的增值潜力。
数据如何驱动业务
知乎百万热议：互联网已成红海，为什么BAT却不涉足传统制造行业
文章图片
第一步：提高数据支持类工作效率
数据支持工作繁杂，但又不得不做，数据维护是业务正常运转和项目推进的基础，既然无法避免，我们只能通过效率提升来缩短时间。
1、规范需求流程
面对业务繁杂、多样的需求，我们可以规范化需求提出、需求评估与承接、需求开发与数据结果校验等的流程，一方面避免因为需求评估、排期和业务扯皮，另一方面也培养了数据分析师的工作习惯和分析问题的思维。
2、管理业务预期
对业务需求做好优先级排期，除非紧急性需求要以最高优先级最短时间内交付结果，其他的需求按照正常的节奏产出。
做好需求排期和需求交付的公开透明公示，避免业务方因为不了解而猜忌是数据同学敷衍拖延，需求管理的本质是承诺管理，自己承诺出去在什么时间交付什么结果，自己就得尽全力做到，除非有不可抗力。
文章图片
第二步：搭建基础数据设施，常规问题工程化
在业务的数据支持需求中，有一部分需求是可以通用的方法解决的，比如日常的报表查询、制作等，这些问题可以直接做成通用报表，让业务自行查看。
一些中大型企业会通过报表平台的建设来完成一些固定报表模板的开发和管理，比如通过报表工具FineReport直接与数据库对接，并将数据库中的数据按照字段实时更新，这样就解决来取数的问题，做好的报表模板可以实时更新数据，并且可以集成到OA系统、ERP系统之中，这样就避免了很多重复的数据支持工作。
文章图片
剩下的问题再根据重要性和紧急程度逐个攻破，相信这时数据分析师应该有时间着手其他问题了。
第三步：理解业务，掌握主动性
在我的理解里，数据驱动就是：通过数据分析理解业务，验证思路，发现利用率不足的资源并对之进行重新整合，从而做出ROI高的增量价值。
在我们做了很多数据支持工作之后，你会发现数据只是充当了一个辅助工具，帮助业务验证某一个已有的想法，而不是去帮助业务解决问题。数据驱动应该是全面、系统地从数据角度发现和解决业务问题，是一个数据建模的完整过程，而不是仅仅让数据在辅助验证某一个想法。
所以数据分析师来说，对业务的深刻理解和判断是数据驱动的上限，掌握再多数据分析模型、思维和方法，也只是让你不断的逼近这个上限。
文章图片
那如何快速理解业务？没有捷径，最关键的就是：多问。
大部分的数据分析师都是被动接受需求，根据业务提供的逻辑完成需求。但业务理解数据能力往往是不如我们的，所以就需要数据分析师掌握主动性，多去和对接的业务方了解对方要做什么，进而盘一盘我能为他要做的事情提供点什么。
第四步：搞定“人”
数据分析师搞定了自身能力，剩下最大的阻碍的就是搞定“人”：怎么让业务部门、集团领导能够心甘情愿的使用数据分析，参与数据分析，从而看到数据分析的价值。
在这个问题上，我有深刻的体会，在我刚开始组建数据团队的时候，非常渴望和业务合作一些项目，搞点事情来让领导看到我们团队的价值，我第一个想到是找业务部门的领导描绘我蓝图，但是被一口拒绝了。
文章图片
后来经过多次的沟通与尝试，终于达成一致，展开了项目，这里我总结一些经验让大家参考：
1、找准关键业务部门，主动切入。用句不恰当的俗语“擒贼先擒王” ，要想撬动业务对数据分析价值的认可，先要从核心业务下手，核心业务在公司的关注度高，如果能做出价值，必然在其他业务部门推动时会更轻松。
2、从小入手，先让业务尝到甜头。在和业务配合的时候，上来描绘伟大蓝图，要大修大改，业务很难信任配合，最好的办法就是先帮助业务解决问题，让业务尝到甜头，比如比如业务部门每天需要整理大量的数据，用人工的手段来处理往往效率低下，当你主动提出用工具的方法帮助业务部门解决问题后，就获取了业务部门的信任，后续再推自己的分析模型和想法就顺利多了。
3、搞定老板。比搞定业务更快办法，就是直接搞定老板，让老板认可数据分析价值，从而推动数据分析在各个业务部门的应用。领导和高层的核心工作是企业管理，我们的目的是能让数据成为企业管理的工具之一，帮助领导更快、更全面地掌控业务情况。比如一些数据大屏、移动端报表等数据产品建设。
文章图片
私信回复：报表，可获取报表下载方式。
推荐阅读
- python|Python数据分析与处理——北京高考分数线统计分析
- python|图文并茂，Python轻松生成PDF数据分析报告
- 面试|python实现图书管理系统(带gui)
- 历史上的今天|【历史上的今天】6 月 12 日（美国进入数字化电视时代；Mozilla 的最初开发者出生；3Com 和美国机器人公司合并）
- 前端与Python|Pandas 函数方法汇总一览查询（持续补充改进）
- 数据分析|豆瓣电影Top250数据分析
- 大数据|Java 结构化数据处理开源库 SPL
- 数据分析|七种常见的数据分析方法拆解，打工人必备｜6000字解析
- 数据分析|pandas数据分析之数据清洗（上）