中国移动的经营分析系统和CRM系统，2003年开始做规划，2005年开始进行建系统，至今将近10年时间。在数据分析方面，中国移动做了不少摸索，也积累了很多经验和教训。一直在中国移动业务支撑部门，从事经营分析系统建设的宁宇处长谈到了这些年的体会。
经验之一：数据的目标是做分析，这需要业务部门和IT部门共同探讨和碰撞
首先，数据使用者有很多业务思想迸发出来之后，会提出理念想法，再和开发者进行互动式的交流和探讨，开发人员要理清数据使用者的思想，从技术角度进行分析，然后再通过数据分析工具进行分析。分析结果最终为公司的决策和生产提供价值。
其中具体分析什么，需要数据使用者根据经验，发挥主观能动性去创造，形成数据分析应用的一个核心驱动力，即分析思想。分析思想是可遇不可求的。在市场竞争不激烈的时候，这种分析思想较难产生。中国移动也是进入3G时代以后，面对了竞争对手的众多挑战，数据分析应用才随之活跃。
数据分析的重点是数据的开发者和数据的使用者，需要紧密结合，一起碰撞，才能擦出思想的火花。单靠数据使用者，不和IT人员进行交互，数据分析也很难实现。而当IT人员对业务有一定了解时，这时数据分析的效率会更高，体会也会更深刻，有助于本身系统的开发和分析结果的产出。如果IT人员对业务不熟悉，也没有和业务人员进行深入的探讨和交流，这种情况下产生的数据分析往往是效率很低，成本很高。
经验二：数据分析的工具并非企业核心竞争力
我们所购买的分析工具其实是无差异化的产品。一个企业的创新来自于企业内部，这才是核心竞争力。如果一个企业的核心竞争力是依托外部创新，即便所购产品有一定程度的领先优势，也无法成为企业真正的核心竞争力，因为IT企业会把同样的产品出售给企业的竞争对手。此外，基于分析思想和分析工具之外，数据的丰富性和正确性是数据分析的基础，需要长期积累和管理才能做到。这些数据是企业的核心资产和核心竞争优势的源泉。
经验三：数据创造价值的方式。
数据创造价值的方式有两种，一是通过使用者使用分析结论来间接创造价值，这就是各样报表、数据统计分析的结果。这是一种间接的方式。第二是通过分析应用和操作性应用的互动，来直接创造价值。即使用智能化的一些生产方式，建立分析模型，并将其放回到实际的生产系统当中，随时随地进行相关的营销和服务。比如中国移动在推广12593这样一个语音IP的业务（即打长途费是1分钟3毛钱，而常规的每6秒钟7分钱的资费），移动的营销通过前期的一些模型分析，认为应该向这种使用长途业务的用户进行营销。于是进行技术改造，在用户长途电话挂机时，触发一个短信流程，告知用户刚才的电话若使用12593，会节约多少钱，进行触发式营销。
经验四：数据分析要控制在合理成本范围内
要以持续的优化技术架构，同时配套进行投资模式和管理机制的调整，以合理的成本和可实现的期望，推动数据分析长期可持续的发展。在数据分析领域，要警惕一种现象：就是为了单纯满足领导需要，直接对底层数据进行抓取，数据清洗、加载、转换分析，最后到应用展现。虽然这样以最直接和最快速的方法实现了目标，但是很多数据没有沉淀下来，这使得在增加新应用的时候，成本极高。数据分析需要用合理的成本，实现合理的分析需求。大数据时代，有海量的数据可以拿来分析，但需要研究这样的成本到底有多大。这需要技术部门不断和业务部门探讨磨合。如果分析获取这些数据的成本，远远大于可能的收益，这样的数据分析需求需要被禁止。
经验五：加强数据分析应用生命周期管理，实现资源的循环利用和优化利用，同时建立应需而动的应用开发模式的弹性投资机制
即将资源有效的利用起来、滚动起来。平时，经营分析系统的数据只是通过一些报表产生价值的，但是这些资源若能更有效地滚动起来，价值会更大。
经验六：建立数据投资和管控策略。即把数据作为基础性的工作，以资源利用率作为投资的一个依据
数据的有效利用率越高，越有价值。很多数据看上去很有价值，若经过评估之后，发现其利率用并不高，采集成本很高，而这种数据一次性用完之后就废了，这种情况下就不要采集。但是由于云计算、大数据的采用，使数据仓库、数据挖掘和数据分析的成本能够下降，会使很多以前认为不能做的分析，成为可能，这就需要IT部门积极跟进调整IT系统结构，去适应技术发展。持续优化架构会获取好的投资回报，也更有利于资源循环利用。
比如，中国移动根据业务的发展，构建了一些数据集市。这些数据集市有些是静态的，有些是动态的。建立一批动态的数据集市，是为了根据业务部门的需求进行灵活的资源调配。对于不适合应用的，或者一次性使用的数据，可以退出，并将数据集市的资源释放出来。而对于一些成熟和长期适用的应用，会把它变为一个细化的、可量化的模块，放进中国移动的经营分析系统里面去。有些数据则成为企业级数据仓库里的数据，提供报表和数据统计的常规分析。而对一些可能近期不再使用的数据，形成退出机制，使得资源能够循环利用起来。
经验七：面对数据分析，IT部门的职责是提供干净的数据，将数据资产盘活，为专业分析提供原料或半成品，为业务部门提供全方位的服务和综合分析
例如，中国移动的客户价值分析，就是其IT部门给业务部门所提供的半成品。IT部门根据业务部门提出高价值客户和低端客户的标准，把一些用户信息，变成标签进入用户资料库，这样对于用户分群，可以避免从底层开始重新做，还可以根据用户的实际情况，做下一步的分析。
在大数据时代，全方位的通过建立模型，进行整体分析是IT部门的优势。业务部门是在共性中找差异，而IT部门是要在差异中找共性，把一些共性的应用，固化到IT系统中，从而提高企业运行效率，降低运行成本。
在大数据时代，数据的运营方式分为大数据的生产和大数据的分析。此时， IT部门要面对互联网速度的挑战，需要在IT系统的设计和规划中，考虑如何快速适应和怎么让海量数据快速运行。针对大数据分析，则是需要有会分析的人，了解如何在部门之间进行分工作。毕竟，数据越大，产生分析的难度越大，提取价值信息的阻碍越大，能用的信息会越少，而且不同的数据维度，会产生不同的数据分析结果。值得一提的是，大数据的投资很大，不仅涉及IT技术问题，更关键的是企业运营成熟度的问题。企业若不明白大数据怎样产生价值，那么就需要三思而后行，切忌人云亦云。
