本文将企業大資料體系的建構分為六個層級，但并非是線性過程，每個層級之間或有基礎關系，但并不是說一定要逐層建構。例如創業型公司，在缺乏資料研發實力的時候，多數會借助第三方平台進行資料上報與分析。
下面一張圖，是本文的精華概括，後面一一展開與大家探讨。
一、資料基礎平台
基礎的資料平台建設工作，包含資料平台建設，資料規範，資料倉庫、産品資料規範，産品id，使用者id，統一sdk等。
很多公司的資料無法有效利用，就是缺乏統一規範，産品資料上報任由開發按照自己的了解和習慣上報，沒有标準化的sdk和上報協定，并且資料散落在各個部門産品的伺服器，無法建構結構化的資料倉庫。
做資料平台的架構，很多人會了解為高大上的技術活，其實整個資料平台價值的展現，需要公司各個部門的配合，例如關鍵資料名額體系的建立，需要從各個部門業務名額進行提煉，并得到業務部門認可。常見的關鍵名額有：dau、pcu、wau、mau、按天留存率(1-30日留存)、累計留存率（7日、14日、30日累計留存率），新增使用者，有效新增使用者，活躍轉化率，付費轉化率，收入名額，arpu個人所得，管道效果資料等。
下圖是騰訊和阿裡的資料平台架構。
阿裡大資料業務架構：
阿裡雲梯分布式計算平台整體架構：
二、資料報表與可視化
在第一層級中，進行資料名額體系規範，統一定義，統一次元區分，就可以很友善的進行标準化可配置資料報表設計，直覺的可視化輸出設計，包括行為、收入、性能、品質等多種資料類别。
在ppt中以友盟、迅雷、百度、騰訊等公司的資料報表體系進行詳細講解。
騰訊資料門戶
阿裡資料地圖
三、産品與營運分析
在建立資料平台和可視化基礎上，對已有的使用者行為、收入資料等進行各種分析，輸出日報、周報、月報、各種專題分析報告。常見的資料分析工作如下：
1. a/b test進行産品分析優化；
2. 運用漏鬥模型進行使用者觸達分析，如tips、廣告等曝光到活躍的轉化；
3. 收入效果監控與分析，包含付費轉化率、管道效果資料等；
4. 業務長期健康度分析，例如從使用者流動模型、産品生命周期分析産品成長性和健康度；
5. 營銷推廣活動的實時回報；
使用者畫像也是常見的資料分析方式，包括使用者如性别、年齡、行為、收入、興趣愛好、消費行為、上網行為、管道偏好、行為喜好、生活軌迹與位置等，反映使用者各種特征，以達到全面的了解使用者，針對性的為使用者提供個性化服務的目的，通常每半年做一次使用者畫像的專題分析。
下圖是常見的資料分析思路：
常用分析工具：excle，spss，sas，enterprise miner，clementine，statistica。個人用的比較多的是：excel和spss。
下圖是spss常用的資料分析與挖掘方法：
四、精細化營運平台
基于資料基礎上搭建的精細化營運平台，主要的平台邏輯多數是進行使用者細分，商品和服務細分，通過多種推薦算法的組合優化進行商品和服務的個性化推薦。另外還有針對不同産品生命周期，使用者生命周期建構的産品資料營運體系。
五、資料産品
廣義的資料産品非常多，例如搜尋類，天氣預報類等等。這裡主要講狹義的資料産品，以bat三家公司的資料産品為例進行分享。
騰訊：廣點通、信鴿
阿裡：資料魔方、淘寶情報、淘寶指數、在雲端
百度：百度預測、百度統計、百度指數、百度司南、百度精算
截取幾張ppt如下：
六、戰略分析與決策
戰略分析與決策層，更多的是跟很多傳統的戰略分析、經營分析層面的方法論相似，最大的差異是資料來自于大資料。
有很多企業錯誤的把“業務營運監控層”和“使用者/客戶體驗優化層”做的事情放在經營分析或者戰略分析層來做。傅志華認為“業務營運監控層”和“使用者/客戶體驗優化層”更多的是通過機器、算法和資料産品來實作的，“戰略分析”、“經營分析”更多的是人來實作。很多企業把機器能做的事情交給了人來做，這樣導緻發現問題的效率較低。
建議是，能用機器做的事情盡量用機器來做好“業務營運監控層”和“使用者/客戶體驗優化層”，在此基礎上讓人來做人類更擅長的經驗分析和戰略判斷。
在變化極快的網際網路領域，在業務的戰略方向選擇上，資料很難預測業務的大發展方向，如果有人說微信這個大方向是通過資料挖掘和分析研究出來，估計産品經理們會笑了。從本質上來說，資料在精細化營銷和營運中能起到比較好的作用，但在産品策劃、廣告創意等創意性的事情上，起到的作用較小。但一旦産品創意出來，就可以通過灰階測試，資料驗證效果了。
原文釋出時間為：2014-07-01
本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号