最近有人問了一個很好的問題：

“我們企業已經從0到1建立了數據倉庫，應該怎么樣才能更好地做好整個數據產品從0到1的規劃和工作呢?”

“現在日常的主要工作是報表、提數和數據稽核工作，我這邊的初步想法是從業務的真實情況入手去找幾個業務場景做數據分析，進而得出一些有用的數據分析結果給業務部門做參考，進而引導他們用數據思維驅動業務，最后再來考慮數據產品這塊的實現!”

我推測這是一家傳統企業，跟很多企業的大數據發展路徑類似，他們首先建設了數據倉庫，然后有了BI報表，然后是各種取數，最后發現僅靠報表取數無法更好的體現數據的價值，因此希望能更好的實現數據驅動業務，但公司的業務人員似乎還沒有這方面的意識。

FineReport做的報表

的確，報表取數之后，大數據對內應用之路該如何走對于任何一個企業都是巨大挑戰，怎么辦?

首先，當然是尋找最佳實踐，但對于大數據應用很難。

有些企業會特別強調技術，認為有了大數據技術就有了各種可能，比如hadoop、MPP、流處理、PaaS等等，但顯然技術知識手段，跟大數據應用水平的高低沒有必然的關系。

有些企業會特別強調治理，認為大數據只有治理好了，才能真正的理解企業的數據，從而發揮出數據的最高效用，但數據治理很好并不意味著應用就能做的很好，它只是一個前提條件。

我們要尋找的是對內應用的最佳實踐，不是技術、治理或變現，而這個難度顯然高的多。

那么，到底哪個行業的大數據應用水平比較高，哪些企業的實踐和經驗值得借鑒呢?其實沒有一個統一的標準。

怎么判斷兄弟公司的大數據應用水平高呢?你現在去問它，也許只給你看個PPT。

最后的辦法也許只能解決大數據底層基礎設施的問題，但對于大數據應用基本無能為力，即使是數據中臺也是如此，這是由大數據的行業特性決定的。

其次，決策支持似乎是一個機會，但時機未到。

希望去做數據分析給業務部門做參考，這當然是大數據應用的一個方向，但在大多數傳統企業，如果企業沒有賦予IT部門數據分析的職能，你所做的數據分析最多是個亮點，成為不了大數據應用的基本面。

因為數據分析當前主要是為老板的決策提供支持，非數據的因素非常多，而且IT部門在業務理解、落地執行、機制流程上都沒有優勢，IT去做這個事情大多數時候其實是事倍功半。

IT部門提供報表和數據，業務部門去做數據分析的這種合作模式其實是比較合理的，IT部門最多在數據提供的自動化水平上下下功夫，這也是當前數據中臺建設的一個重點，可惜數據中臺不是應用。

而各種BI應該在決策支持上發揮的作用始終脫離不了報表的本質，這是由企業的決策模式和人工智能的局限決定的。

在決策支持上，大數據當前的主要作用還是提供準確的數據，大數據決策支持應用的繁榮有賴于企業數字化管理水平的提升和業務人員自身的覺醒，IT人員其實很難幫到忙。

最后，從性價比的角度看，為一線賦能最有可能。

既然當前階段大數據在決策支持上的應用出路很窄，我們可以嘗試反著走，到一線去尋找大數據應用的機會。

你會發現，在大多數企業內部，一線人員主要還依靠經驗，這是一塊尚未開墾的荒地，無論從可提升的空間、服務的數量及使用的場景看，性價比都很高。

就拿擺攤來說吧，在哪里擺攤，何時擺攤，目標用戶是誰，銷售什么，都有賴于大數據的智能分析，否則，一線人員就失去了市場的“眼睛”和“腦袋”，而這種貼近一線的大數據應用并不多。

即使如互聯網公司，他們的大數據應用大多也是從賦能一線人員開始的。

但考慮到一線的應用是不分專業的，既有數據需求也有功能需求，而當前大多數企業實現這兩類需求的部門往往分屬不同的專業組織，要對一線賦能大數據就得主動往前一步，這個極具挑戰性。因為在現階段，大多數IT專業組織跟業務人員一樣，還沒有數據驅動業務的意識。

經過以上分析，也許我們也找到了當前階段評判企業大數據應用水平高低的方法，即直接去看看企業一線人員使用的工具或產品，大數據的能力是否已經內嵌在這些工具或產品內部，是否這些工具已經規模化的滲透到了企業的生產流程中，如果答案是YES，那的確可以去學習一下。

這可比大多數的“最佳實踐”靠譜多了。