你知道「VUCA」吗？
VUCA原本用于形容20世纪90年代冷战之后美国社会，Volatility不稳定性、Uncertainty不确定性、Complexity复杂性和Ambiguity模糊性。现在看来，VUCA更像是为当下世界贴身打造的，更为残酷的是，它似乎无限贴近当下企业们的真实状况——每一天的经营都充满不稳定、不确定、复杂与模糊。
企业如何找到出口？
张溪梦没有正面回答这一问题，反而说起了大气。张溪梦是GrowingIO创始人/StartDT首席数据科学家，他告诉我们，大气的变化里最本质的理论叫做「混沌理论」，混沌理论是对不规则而又无法预测的现象及其过程的分析，而天气预测正是通过对各种看似杂乱无章的数据进行综合分析得出的。
混沌中，看似并无关联的事件间实则隐藏着真相，数据是唯一的线索——无论对于大气而言，还是企业而言。
专注于数据和企业数智化的奇点云与GrowingIO（现为「StartDT集团」）似乎很好地印证了这一说。
据弯弓研究院了解，自今年4月份合并以来，奇点云与GrowingIO的研发团队已壮大至300人，在交付方面同样也有相当的人数，而业绩——2022年取得100%增长。
在VUCA特征越来越明显的这一年，当下的市况有目共睹，企业不好过，服务商们的日子也处处是坎，即便是前几年的独角兽也步入了寂静时刻，翻倍增长让人眼红。
图源：StartDT StartDT核心团队，从左至右为：叶玎玎 StartDT 副总裁/GrowingIO 联创、张溪梦 StartDT 首席数据科学家/GrowingIO 创始人、行在 StartDT CEO/奇点云创始人、刘莹 StartDT COO/奇点云联创、吴继业 StartDT 副总裁/GrowingIO 联创
我们可以从其这半年间的动作中窥见增长的答案，在过去六个月里，奇点云与 GrowingIO一直专注于升级、融合双方的数据产品能力，比如，「分析云」产品的升级，此次分析云的升级基于数据云的强大数据能力之上，其中包含数据集成、研发、运维、治理等等能力。迭代后，分析云能够帮助客户更好地处理全域数据，从巨量数据中寻找更为确切的增长线索。基于此，他们得到了更多客户的认可与关注。
但在VUCA中，数据真的能开辟另一个VUCA时代吗？——让企业视野（Vision）更宽阔，更深刻理解（Understanding）用户，更清晰（Clarity）自身的增长方向与更敏捷（Agility）地识别机遇与风险。
本文，弯弓研究院将从奇点云与GrowingIO合并后这半年的产品策略与企业对于技术的应用匹配度两方面，希望给予大家一份突破VUCA的建议。
01
保证数据有效性和可应用
不过在展开说明数据能够为企业带来什么之前，需要明确一点：并不是所有数据都能发挥价值。
说起数据，很多人都会把重点放在「数据分析能够得到什么」，包括很多的服务商在内，在售卖自身的产品的时候也会强调这一最终能够得到的结果，然而「数据分析基于什么」却鲜有人把其作为重点说起，但实际上，数据来源、数据量大小、数据丰富度、数据质量、数据管理，都会影响最终的分析预测结果。
举个例子，服务商们都喜欢对企业说「开箱即用」以说明可以快速上手，快速有成效。然而，数据产品的「开箱」与「即用」实际上是两回事，例如，CDP的「即用」需要建立于梳理好数据链路、梳理好不同的数据源等打好数据基础，保证门店、各电商平台、各媒体平台、公域、私域等等系统、渠道数据已经被全部整合梳理——也即数据需要全，全域数据的全，而后才是分析。
你可以理解为，数据需要3步才能产生价值：Step1-采集储存所有渠道数据，Step 2-把所有数据梳理成可被分析对象，Step 3-分析——如果你有这个思路，说明你的数字化能力已经发展得相对超前。
简而言之，大众常规认知里的数据分析，只是数据价值产生的最后一步，这里并不是否定分析的重要性，只是采集储存需要跨越数据孤岛，同时考虑后期数据量增长造成的运维成本攀升，数据梳理也需面对数据脏乱差的问题。
对于企业来说，数字化转型的关键就在于更有效地利用数据和分析来为其业务模型提供动力，但也正如维克托【注释¹】所说的，「大数据是指不用随机分析法这样的捷径，而采用所有数据的方法」，如果不考虑数据的「全」与「有效性」，分析还是随机的分析，与薛定谔的猫异曲同工，企业永远无法从这既定的混乱中找到支撑起该企业的精准营销与生意预测。
更何况，在企业数字化中最基础的要求就是构建一方数据资产，所谓「一方数据资产」也即企业自有的第一方数据，即企业自己积累的关于消费者/用户相关数据，而非来自于合作方或第三方。那么，这对于基础数据源与处理基础数据的能力绝对是重中之重。
奇点云和GrowingIO合并半年以来就一直在解决这个问题。
今年5月，他们发布了公开并购后迭代升级的全新产品矩阵「数据云+分析云」，这是奇点云和GrowingIO针对VUCA输出的第一个产品策略，而其中的数据云的核心功能层，数据云平台DataSimba，就是为企业提供全链路数据能力，为企业内部搭建数据生态，从控制台、数据规划直到数据治理，覆盖数据集成、研发、运维、服务、治理等功能，企业可以通过线上下、公私域数据的高效沉淀，构建自己的一方数据资产，从而激发数据潜能。当然，数据云的整体产品体系里还包含了数据安全、数据存算等板块。
图源：StartDT 数据云支持一键导入分析云数据
更新后的数据云能够更加轻松应对海量数据、复杂架构、大规模并发作业、超大任务量等高难度挑战，也就是说，数据挖掘分析、驱动决策的时间大大缩短。 在对抗不确定性中，低成本、高性能，快速达成对线上和线下数据的有效治理，保证可用数据全而有效，基于丰富的数据源与数据梳理能力，此时的企业可以看到的是更为全面的生意图景，真正拥有正确识别增长线索与全面理解用户的根基，减少因视野不够全面而带来的误差，避免营销成本的巨大浪费。
在进入分析环节之前，数据质量越高，意味着企业越主动。
这也是为什么奇点云和GrowingIO在11月份再次更新「分析云」产品的原因——StartDT副总裁/GrowingIO联合创始人叶玎玎告诉我们，分析云此次的更新建立于数据云能力的基础上，是由「数据能力的增强带来产品能力的增强」。
你可以理解为分析云的底层能力中复用了数据云的核心能力，拥有了全域数据的处理能力，要知道，我们如今所谈论的用户行为分析型产品，其实大多数聚焦于线上数据，并不能让企业真正得到生意「全景」。
图源：StartDT 数据云+分析云矩阵
关于这次更新，叶玎玎表示是基于对过往服务过的企业业务需求的研究和观察，据了解，目前StartDT已经服务超过1500家客户，他发现，企业对于「数据分析」的认知过于跳跃，直接跳过了作为分析基础的数据能力，随着公司规模越来越大，对于数据的要求就会越高，但由于基础没打好，在应用上也会有相当的限制。相反，企业一旦掌握了数据丰富度，能做的事就会倍增。
数据云上的分析云，是企业对抗VUCA的第二个关键——奇点云和GrowingIO用它为企业找到不确定中的「确定性」，分析云担当将数据转化为价值的重要职责，从洞察、分析到赋能业务，以数据驱动增长。 叶玎玎对分析云的评价是，「让企业对用户有更立体的了解，从售前、售中、售后整个生命周期跟消费者建立连接，从销售走向个性化服务。」
02
挖掘数据中的「确定性」
数据分析并不是一个新鲜赛道，在过去的几年里，数据分析赛道上的各个产品都是 MarTech 领域的资本宠儿和话题中心，比如，中台、CDP（Customer Data Platform，客户数据平台）、UBA（User Behavior Analytics，用户行为分析）、MA（Marketing Automation，营销自动化）等等【注释²】，你会发现，但凡提到企业数字化的地方必然会有这几个关键词，甚至已经到了滥用的地步，他们究竟能发挥什么价值，在行业内却一直众说纷纭。
然而，我们也可以很明显感觉到，企业在营销方面的精细化运营需求很急迫，即便对于数据分析产品还处于尚未完全清晰的状态，却也或多或少已经开始应用，重点是，往往抱着用了某一款工具似乎就能一劳永逸的心态。
但各种数据产品都有着自己的擅长的领域，尽管各自都宣称自身有华丽的能力。举个例子，UBA 和 BI 都是数据分析工具，后者虽更为「普适」，但在产品架构上就决定了 BI 无法实现 UBA 对于用户行为的细节点的部署，从而无法实行全链路洞察分析。
对于不同的渠道，不同的需求，当下的企业很有必要运用多种技术工具，我们可能不需要完全清楚每一产品的具体职能，但必须明确每一产品对应解决什么场景问题，以及最重要的：需要有全局观，要考虑到企业全渠道数字化，而非局部数字化。
跟前文提到的数据的「全」一样，这也是保证企业能够更为确定应对未来的条件之一。
基于此，分析云的架构很值得我们进行拆解——
- 底层能力：也就是我们前面提到的复用自数据云的能力，在分析云中，这一部分叫做「数据能力中心」——支持整合50+种数据源，并完成治理、管理。简单理解，即是打通混合多端的用户数据，举个例子，以往用户行为分析可能只是单纯的线上数据，而现在用户行为数据能够进入数据云平台 DataSimba，与商品管理后台的维表等更多源的数据做融合，甚至细化到商品上架信息、库存信息、历史促销记录等等，这些关联、融合后的数据再来做进一步深化分析，可想而知，决策有了更为可靠的支持
- 中层能力：这里是客户数据平台（CDP），在数据云全域数据的支撑之下，客户数据平台打造了「消费者七层塔标签体系」，并具备低代码标签开发能力，企业能快速地构建全量全景的精准画像。有多快？叶玎玎告诉我们，用传统方式手动开发标签至少需耗时7天，分析云则只需要1-2小时；
- 上层能力：获客分析（广告监测平台）+增长分析（UBA）+A/B测试+智能运营（MA）的数据分析全家桶。接力打标签环节之后的，完成从获客、活跃用户、转化、复购在内的一条完整的用户运营链路的跟踪分析，而增长分析（UBA）中内置的20+分析模型，覆盖流量运营、用户运营、体验运营，让企业能够俯瞰用户的完整生命周期，帮助企业从纷繁复杂的用户全旅程中找到优化关键。反过来，UBA 中的用户行为数据又会自动流入底层的数据云平台（数据中台/云数仓），极大丰富数据云平台里面的数据种类和数量。
图源：StartDT 分析云全域分析场景（优选自50+场景）
张溪梦把分析云的这些能力总结为「四全」：全域数据能力、全域标签能力、全域分析能力和全链数据合规（数据合规，如字面意思，这里不展开阐述）。 据叶玎玎透露，分析云的能力让那些重视用户运营和销售的行业倍加青睐，如泛零售、汽车、房产、保险等行业，他以某国际玩具零售集团的案例为例向我们展示了分析云的运作过程。
叶玎玎告诉我们，该集团特别重视标签画像，在上一阶段的服务过程中，分析云为其打通了全域数据，把用户精细化为400个标签，随后对标签进行分群、针对细分群体做数据分析和洞察，最后作用于全渠道营销中。借助分析云，该集团在营销成本上降低了30%，分析时间则降低了40%。
这一案例中看似逻辑极其简单，似乎就是打个标签的事，实则是围绕「标签」展开的一系列分析，其中其实涉及了全域数据的应用与分析云整体运用：
1、底层数据能力：整合全域数据，极大丰富用户标签，满足营销预测；
2、客户数据平台：构建ONE ID及全域标签，让用户更为立体；
3、获客分析：全渠道广告流量效果跟进及优化；
4、增长分析：实时地了解营销情况，包括各营销环节访问量、用户量、停留时长等，并从中找到用户痛点，为用户体验升级提供参考；
5、A/B测试：对比不同版本的内容效果，识别哪一个版本对于用户更具吸引力；
6、智能运营：面对大量用户时自动完成营销任务，实现千人千面的精细化运营，同时提升人效。
图源：StartDT 消费者七层塔标签体系
仔细斟酌，你还会发现，分析云所做的除了与营销这件事情本身相关，其实还包含企业营销的效果（ROI）、内容、人效、用户生命周期的规划等等，帮助企业做到降本、增效与结果优化。这是一个极其容易被忽视的关键：企业增长，所有环节都无法忽视。
例如，如果只追求ROI极致比，却忽略人效高低，于企业而言可能是得不偿失。如果不把所有环节都纳入增长范围之内，增长，到底是增了哪一部分的长？这么说或许更直白——企业利润中需要扣除成本、营销费用、所得税等等，得到的净利润才是真正赚钱的部分。
这是我们从分析云与数据云找到的关于企业确定性的解决方案：只有把全部因素都纳入考量，得出的结果才能说得上是「确定」的。
「全」，是关键。
03
企业数字化的阶段性与应用
不过，企业又该如何落实对数据的应用与实现全面的数字化呢？ 张溪梦和叶玎玎都表示，企业数字化每一阶段对于技术、对于数据、对于营销、对于最终结果的要求都是不同的，企业需要有全局观，针对对应阶段有序部署：（下文「阶段」代指营收阶段。阶段划分仅作参考，不代表所有企业的对应方向）
企业在百万-千万阶段：这一阶段的企业实际上还未到达做深入数据分析的时候，寻求增长的时期应该更多考虑如何找到市场，例如，更需要的可能是广告监测与增长分析（UBA），前者让投放有迹可循，极大程度节省营销预算，后者则挖掘用户需求，总的来说是偏「点」的优化，较为细节；
企业在亿级到十亿阶段：其渠道和潜在渠道会在企业快速增长的过程中产生海量数据，这时候应该注重数据能力的全面整合，不止于用户运营，整个企业的经营效率优化都需要通过数据优化，用数据分析治理企业内部，例如协同效率，这一阶段属于「面」的提升，不过，其中最重要的一点是，团队根据数据反馈进行迭代的过程中浸入数据思维，这是企业数字化的内功；
企业在十亿到百亿阶段：需要用到全域的数据分析产品（分析云）与数据云，针对流程进行分析与管控，例如，对内的核心管理流程、对外的客户服务/价值交付等，这一阶段的企业需要提升每一个效率节点的效率与利润率，因企业体量大，只要提升看似很小比例的效率，也能带来很大的价值；相反，如果不抓住（数据）价值，将让企业成本徒然增加。
更具体一点，可以以分析云产品采买为例：
对于小规模企业，他们一般单独购买分析云里的某个数据分析产品，就能满足某个业务场景的增长；
如果企业发展到一定地步，需要实现用户全生命周期、全域全场景的精细化运营，则更建议打包购买分析云整体，分析云产品里本身复用了数据云的核心能力，首先能够满足基于业务需求的数据分析及数据生态的搭建，方便企业后续开展更为全面的数据分析洞察；
如果是已有云数仓/数据中台的企业，也能够直接采买分析云进行数据分析，毕竟已有完善的数据基础；
对于已经有了海量数据、有高并发和极致性能需求的企业，他们的数据使用范围可能涉及集团内外部，包含消费者域、渠道、内部管理等等，这时候，就必须考虑同时采买分析云与数据性能、数据能力上更为完善的数据云，才能够真正实现数据驱动企业增长。
不过，张溪梦也提到，基于目前中国企业数字化还未进入精细化阶段，尤其数据思维方面依然在路上，因此，当下的企业数字化解决方案还是以「全家桶」为主，也即企业更倾向于购买一站式解决方案，而未采用针对个别阶段的部署和优化的方式。同时，企业们也迫切追求业务效果，因此，「应用场景」【注释³】的构建在当下的中国数字化阶段很重要。
在美国，数据分析师非常多，可以专注研究数据模型支撑业务决策，然而中国的发展太快，一定程度上而言，几乎来不及等待数据分析师这一角色成长起来为中国企业所用。
对于服务商而言，快速证明产品效果的方法或许就是搭建应用场景，毕竟，只有帮助企业用起来才能真正推动发展，这里的「发展」指三方面，一是指企业（客户）的发展，二是指服务商自身的发展，三则是 MarTech 乃至数据智能行业的发展。
前文有提到分析云有围绕场景做了20+高价值场景（实际上这20+高价值场景是基于50+场景中优选出来的），分析云团队以具体的场景为驱动，业务属性非常强。
如此一来，可以极大企业缩短数据驱动决策的时间，因为企业有可能不需要苦哈哈地搭建分析模型，避开这一分析中最难的部分，只需借力完成——
图源：StartDT分析云中的全量增长分析模型
关于「应用」，张溪梦还提到了StartDT的想象力，基于数据云平台化且开放的特点，他们提出了一个类似「应用市场」的概念，这就相当于操作系统Windows，而置于系统之上的各种产品就是Office套件——而GrowingIO的分析云产品就是最早置入的标杆套件，当然，他们也正在为其他厂商的接入而努力中。
基于「云」搭建的StartDT应用市场可以说是既开放又具备扩展弹性，这与美国 MarTech领域KOL Scott Brinker近几年来也强调的MarTech第二个黄金时代的决定性特征相似——从单个产品到与同类产品集成为平台生态系统。这是MarTech行业最具确定性的趋势之一。
对于企业而言，「平台+应用市场」的模式可以说是好处多多，例如运维成本的降低，采购成本的降低，产业链上下游的高效对接等等，不过，这就取决于服务商们的努力了。
当下，企业与服务商双方都正处于 MarTech 需求爆发的震中，能否从这一轮企业数字化转型/发展的站起来，自身的努力固然少不了，双方的互相扶持更必不可少。
结语
计算机科学家Alan Kay在1989年的一场演讲中说了这么一句话，「预测未来最好的办法就是创造未来。」
或许我们不应该把问题聚焦于寻找VUCA解法，而是找到创造发展空间的方法。
你可以在奇点云与GrowingIO这半年以来的产品迭代中可以找到灵感。
尤其他们在数据云与分析云的能力融合上，从「全域」到「性能」的考量确实能够赋予企业数字化新的力量，用张溪梦的话说，他们通过数据帮助企业在纷繁杂乱中抽离出趋势，发现本质。
另外，我们还关注到此前数据云的更新中提到了「轻量级」，例如在使用门槛与成本方面的降低，这意味着企业能用更低的成本享受优越的性能，对于当下预算不多但希望试水数据驱动增长的企业而言，这或许是重中之重。
也许在最初，这都是为一小撮用户的刚性需求而推出的解决方案，是切合特定用户特定需求的产品，但与客户站在一起，自然也能深得客户喜欢。
张溪梦告诉弯弓研究院，StartDT 创立的初心是「数据普惠」，也即帮助更多企业实现更多数据价值。不过，照 StartDT 搭建「应用市场」的目标来看， StartDT 似乎正往着平台、生态化的方向进发，价值不至于企业，更在于整个行业甚至社会。
注释：
【1】「维克托」：维克托·迈尔-舍恩伯格，奥地利数据科学家，数据科学的技术权威，是最早洞见大数据时代发展趋势的数据科学家之一，《大数据时代》作者。
【2】「CDP、UBA、MA」：CDP，Customer Data Platform，客户数据平台是面向业务增长以消费者为中心的客户数据赋能平台，用于收集和统一来自多个来源的第一方客户数据，将来自不同场景、不同渠道的实时数据和离线数据进行采集、整合、分析和应用；UBA，User Behavior Analytics，用户行为分析，即使用大型数据集对用户的典型和非典型行为进行建模分析；MA，Marketing Automation，营销自动化，自动识别客户并自动转化客户，通过最大化协同公司市场、销售部门的数据、人员、流程等要素，促进业绩增长。除了代指具体的软件、系统等工具，MA也被看作是一种商业概念或管理理念。
【3】「应用场景」：指企业需要分析的业务环节，企业的分析主要分为管理分析和经营业务分析，分析整体的思路是：明确业务场景——确定分析目标——构建分析体系——梳理核心指标。以电商为例，常用的业务分析场景有销售、商品、渠道、竞品、会员等等，而商品可进一步细分为商品的库存、商品的利润以及关联销售分析。
