在数据变现过程中，你可能会遭遇两大障碍。第一大障碍是数据的可获取性和质量。我们的研究发现，只有约四分之一的公司会向员工和客户开放那些他们最急需的数据。如果没人使用，那数据变现就成了一句空话。
第二大障碍是责任感的缺失。数据变现的三种途径都需要勇于承担义务的领导者，他们可以引导员工的行为，向外界传递出重要的新价值主张。
解决数据的质量问题，你首先想到的可能是对新的基础设施进行大规模投资。对此，我们建议先解决责任问题，这会制造一种紧迫感，让员工愿意投入到解决数据质量问题的工作中来——因此，我们建议先从第二个障碍开始。
通过改进流程使数据变现，需要强有力的流程负责人。这些负责人会系统地运用数据来分析现有流程的产出，并检验关于改进建议的假设。以微软为例，销售经理指派特定人员重新设计销售方式，并使之制度化。最终，流程负责人需要对最佳实践的设计、正确数据的获取、工具的供应，以及对所有员工数据使用的培训承担最终责任。
通过包装使数据变现，则需要强有力的产品负责人。和任何产品创新一样，这些负责人需处理核心产品或服务产生的数据——他们必须使其达到同样的质量标准。在第一资本金融公司，产品负责人知道为信用卡增加数据或分析功能的价值所在，他们会跟踪信息带来的收入增长，以及提供信息的成本。产品负责人组建团队来设计实验和方法论，以帮助分析信息特征的影响，并采取适当的调整措施。
通过销售使数据变现，需要强有力的业务单元负责人。这位负责人必须组建一个高效团队，开拓和发展让大多数公司都感到陌生的新业务。新业务负责人先要确保数据及相关服务对于潜在顾客的价值。不过，这位业务负责人和他的团队也必须设计数据、分析方法和看板，以监控现有业务和确保对新业务机遇的快速响应。
每种数据变现策略都需要配备新的流程、技能和企业文化，以产生最大回报。拥有数据变现经验的公司发现，只是将数据和工具塞到员工手中是完全不够的。微软重新调整了目标，清理了数据，完善了报告和算法，培养了人才，并改变了习惯；第一资本和强生则重塑了产品管理的人才、平台和能力；而道富银行则重新设计了组织结构，创造出了一种能够单独从信息中产生利润的全新赢利模式。
数据变现所取得的卓然成果并非来自一时的灵光闪现。相反，明确的数据变现策略，再加上适度的投资和精力投入，才是产生这些成果的真正源头。
■翻译：徐黄兆
关注“商评小微”（微信号：xmi8607），即刻拥有你的企业家交流圈。
作者简介： 芭芭拉·威克瑟姆和珍妮·罗斯均为麻省理工学院信息系统研究中心（MIT Center for InformationSystems Research）的首席研究科学家。
专题
* * *
价格优化耗时耗力，但机器学习
让这项工作变得更高效。
用机器学习给产品定价
■戴维·西姆奇-莱维（David Simchi-Levi）
长 期以来，几乎只有某些库存有限的行业才能进行价格优化，例如航空和酒店业。这是一项复杂的工作，需要分析海量数据，并深入了解竞争对手的行为。很少有企业能够一次为多种产品制定最优价格。
然而就在最近，情况正在发生改变。随着内外部数据越来越容易获得，机器学习持续发展，以及运算速度不断加快，价格优化法可以得到更广泛的应用。我们已经可以做到近乎实时且持续不断地为上千种库存商品制定最优价格。
在和三家零售电商进行定价技术的测试时，我们发现每家电商的收入、市场份额以及指定产品的利润都实现了两位数增长。需要指出的是，尽管本文案例涉及的是网上零售商，我们研发的价格优化法同样适用于实体零售商。最近，我们对一家啤酒公司采用了类似的方法，在多种零售渠道优化了该公司的销售与定价，同样取得了良好效果。
价格优化三部曲
产品最优价格的制定包括三个阶段：
1.预测 我们将具有类似销售特点的一组产品与正在进行价格优化的产品放在一起比对。然后，我们使用一种名为“回归树”（regression tree）的机器学习技术预测产品价格。“回归树”包含了一系列从“前提”到“结论”（if-then）的推理。借助公司的历史销售数据，我们运算产生出多达20种从“前提”到“结论”的推理，从而预测需求与价格之间的关系。这些信息进而可以用来制定价格。
2.学习 接下来，我们让价格在实际销售过程中接受检验，重新绘制定价曲线以匹配实际销售结果。学习阶段结束时，我们就知道产品卖得好不好，并利用产品销量信息对需求价格曲线进行调整。
3.优化 一旦学习阶段结束，我们就运用新的曲线将成百上千的产品价格在不同时间段进行优化。
价格优化实践
价格优化的三个步骤在实践过程中并非缺一不可。例如，总部位于波士顿的闪购电商Rue La La就不希望我们在48小时的销售过程中进行价格变更，因此我们跳过了学习环节。而当我们与总部在芝加哥的团购网站Groupon 进行合作时，我们意识到该公司的业务性质决定了很难做需求预测，因此我们专注于当前的销售情况。以下是我和我的同事们将价格优化技术应用于三家零售电商的经历，它们分别是Rue La La、Groupon和B2W Digital。
为Rue La La的限时折扣制定最优价格 作为一家时尚电商，Rue La La提供品牌服装和配饰的限时折扣，即闪购。像Rue La La这样的闪购电商通过限时（通常仅为几天）和限量（库存有限）的方法提供价廉物美的商品，它们要营造购物的紧迫感和商品的稀缺感。在Rue La La的官网上，顾客能看到一连串的促销活动。每次促销分别代表一组相似产品，并通过倒计时告知顾客活动何时结束。
Rue La La的主要挑战之一是给从未销售过的商品定价。这种公司眼中的“首秀商品”是销售的主力军。例如，某部门一半左右的首秀商品在促销活动结束之前就已经售磬，说明Rue La La完全可以在提高价格的基础上保证高销量。相反，很多首秀商品在促销期结束之前销量尚不足库存的一半，说明定价可能过高。
Rue La La实际采用的是传统的成本加成定价法，也就是在产品成本的基础上加上一定比例的利润。然而，有些商品库存紧张供不应求，有些商品库存剩余供大于求，说明公司损失了赢利机会。若想增加收入并提高市场份额，Rue La La需要一种定价算法来调整首秀商品的价格。
我们的方法分为两部分：先为首秀商品设计需求预测模型，再将需求预测数据输入价格优化模型以实现收入的最大化。在设计需求预测模型时，我们面临的两个最大挑战分别是估测由于库存不足而造成的销售损失，以及对没有历史销售数据的首秀商品做出需求预测。
为了应对第一个挑战，也就是因库存不足而造成的销售损失，我们将历史销售数据分为两类：第一类数据涵盖促销结束前尚未售罄的所有商品，第二类数据包括所有脱销商品。
我们计算了这两类商品在促销期间每小时的销售百分比，从而得出前几个小时销售比例的需求曲线。然后，我们采用聚类技术（即寻找具有相似结构的所有需求曲线），将第一类未售完商品的所有需求曲线汇总为少数几条清晰可见并能够加以阐释的曲线。
聚类技术显示，共有四条曲线可以描述第一类未售完产品，每条曲线都和促销开始的时间有关。例如，从下午开始的促销活动每小时的销售额，与从周末晚上开始的促销活动每小时的销售额是不一样的。
我们用第一类未售完产品的销售数据来分析因脱销而导致的销售损失。在研究了所有促销期间的脱销商品后，我们根据促销开始的时间在四条曲线中找到了合适的一条。 由于我们知道每种商品的断货时间，我们能够根据第一类数据中的相应需求曲线立即估算出该商品的总需求量。例如，假设某一脱销商品的促销时间从下午3时开始，10小时后售罄，而相关曲线显示60%的销售是在第10个小时发生的，那么，用原先库存量除以0.6便是该商品的总需求量。
一旦我们运用了聚类技术对脱销商品进行需求分析，我们就可以预测未来的需求。“回归树”是20世纪60年代发展起来的机器学习技术，目前已被证明是预测需求的最有效工具。原因有两个：一是它能够成功区分所有过去已经售出的商品，只需要使用相关商品来预测目前某种被研究商品的需求；二是它适用于特殊商品的定价，如体现逆向价格关系的奢侈品，它们的价格上升反而会导致需求的增长。时尚和高端产品的价格通常被认为是品质的风向标，给它们定价至关重要。相比较而言，传统的线性回归法则做不到这一点。
于是我们设计了一套新颖的价格优化方程式，通过运算使得Rue La La公司每天都能够及时为第二天的销售制定最优价格。为了让价格优化法得以推行，我们研制了一个全自动的定价决策支持工具，每天为商家第二天的促销活动提供价格指导。
通过与Rue La La公司长达6个月、包括6,000种商品在内的实地试验，我们在不同价格区间对这一定价决策支持工具的财务和市场影响进行了量化。最终，决策支持软件让Rue La La公司的收入增长了10%，而收入的增长则直接转化为利润的增加和利润率的提高。
为Groupon公司进行产品需求预测 Groupon是另外一家与我们合作的公司。它是一个大型电子商务平台，每天为客户提供来自本地商家的折扣商品。比如，你只需花费17美元购买优惠券，就可以在当地餐馆享用一顿价值30美元的晚餐。
观点概要
随着内外部数据越来越容易获得，机器学习持续发展，以及运算速度不断加快，我们已经可以做到近乎实时地为上千种库存商品制定最优价格。产品最优价格的制定包括三个阶段：
1.预测 将具有类似销售特点的一组产品与正在进行价格优化的产品放在一起比对，然后使用一种名为“回归树”的机器学习技术对产品价格进行预测。
2.学习 让价格在实际销售过程中接受检验，重新绘制定价曲线以匹配实际销售结果。
3.优化 一旦学习阶段结束，就运用新的曲线将成百上千的产品价格在不同时间段进行优化。
我们将价格优化技术应用于三家零售电商——Rue La La、Groupon和B2W Digital，结果每家电商的收入、市场份额以及指定产品的利润都实现了两位数增长。尽管本文案例涉及的是网上零售商，但这种方法同样适用于实体零售商。
Groupon 每天都会限时推出成千上万种新优惠。一方面是庞大的产品数量，另一方面是有限的销售时间，这两者的结合使得需求预测异常困难。尽管Groupon需要有效的需求预测模型来优化其价格，但发现很难做预测。
为解决这个问题，当公司网站推出一个新的优惠商品时，我们会做出多种预测。这种做法的目的是为了设计多种需求函数，这样一来，总有一种需求函数能接近真正的需求价格关系。
当然，当某种特惠商品开始销售的时候，我们不知道在多种预测中究竟是哪一种需求函数最能捕捉到消费者行为。针对这一问题，我们将该商品在网上的销售时间分割为两部分：学习时间和价格优化时间。在学习阶段，我们采用测试价格，观察消费者的决定。学习阶段结束时，我们知道了具体的销量，从而可以识别出和测试价格的销售水平最接近的需求函数。这是我们最终使用的需求函数，也是第三阶段价格优化的基础。
显然，我们的价格优化法需要做出取舍。如果测试阶段耗时过长，我们固然能够深入理解真正的需求函数，但几乎没有时间进行价格优化。相反，如果对销售反馈的研究只是蜻蜓点水，虽然为价格优化争取了更多时间，却无法洞察客户需求。
第一次使用价格优化法时，我们为每种商品推导了10个需求函数。很快我们便发现这远远不够。最终，我们为每种新商品推导了100个需求函数。推导这些需求函数时，需要考虑的因素主要包括商品交易所在的城市或地区、价格区间以及折扣力度。
然而，在价格优化法最终的实际操作过程中，Groupon 设置了一些限制条件。首先，测试价格已经由Groupon和当地商户协商决定，并不取决于运算数值。第二，在价格优化阶段，Groupon只允许我们把降价幅度控制在5%到30%以内。第三，当地商户得到的是固定价格。例如，在前面提到的价值17美元的餐馆优惠券的交易中，当地商户能获得10美元，如果学习结束时，运算结果建议将价格降到15美元，当地商户依然能够得到10美元，其中2美元的利润差由Groupon承担。这意味着降价之后，当地商户仍然是受益者，不但每笔交易额一分不少，更低的价格还可能为他们带来更多的销量。
在为Groupon做的一次包括1,295种商品的实地测试中，运算结果均建议降价。于是我们追踪了两组数据：一组是顾客在Groupon上所购买的商品总金额（即订购额），另一组是Groupon支付完商家后剩下的金额（即收入）。结果固然要视交易商品的类别而定（如餐饮类还是美容类），但总体而言，订购额增长了116%，收入增长了21.7%。
对此次实地测试的结果进行深入分析，我们发现降价对于销量低的商品影响巨大。对于每天订购额低于一般水平的商品而言，平均收入增幅达到116%，而对于每天订购额高于一般水平的商品而言，收入增幅仅为14%。
对B2W Digital公司进行的价格预测、学习和优化 与我们合作的第三家公司是B2W Digital，一家总部位于巴西里约热内卢的大型网上零售商，竞争对手包括亚马逊（Amazon）和沃尔玛（Walmart）。这家公司拥有海量产品，其历史销售数据可供查询，同时具备一天之内多次调价的能力，这些都让我们拥有一个独一无二的机会，那就是将预测、学习和优化三个阶段有效结合起来。首先，我们结合内外部数据为研究中的每种商品做出预测。内部数据包括网站流量、定价、折扣、广告支出以及B2W Digital网站提供的竞争性产品和它们的价格。外部数据包括竞争对手在其网站上的定价、广告以及天气条件。和Rue La La的案例一样，“回归树” 是预测需求价格关系的最佳工具。
第二步便是学习。我们每隔几小时便观察网站流量、消费者对于B2W产品的需求以及竞争对手的行为。注意到这些变化以后，我们不断更新，从而使得“回归树”能够更好地反映当时的市场状况。最后，我们对B2W提供的所有产品都进行了价格优化，这些产品在同样的市场上相互竞争。
2015年8月，B2W公司开始使用我们的系统。当时，价格优化模型使用了学习过程中产生的新预测。在没有人工干预的情况下，所有价格被直接挂到网上。
我们对比了两组同类产品的表现：对照组由B2W销售商采用传统的定价策略，测试组则采用新技术将价格直接挂到B2W网站上。结果表明，对于低价产品而言，收入增加了66%，利润提高了44%，代表市场份额的销量增长了141%。畅销产品虽然调价效果不如低价产品明显，但也表现不凡：收入增加17%，利润提高30%，销量增长30%。
我们对高端产品进行的试验充分说明了价格优化即第三个阶段的重要性。由于只完成了第一和第二步，也就是预测和学习，跳过了第三步，结果显示：测试组的收入相较于对照组减少了264%， 利润降低了416%，销量降低了216%。然而，当第三步，也就是价格优化引擎开始启动时，测试组的收入相较于对照组增加了471%，利润提高了366%，销量增长了391%。
我们整个研究测试持续了几个月。结束时B2W公司反映，新的价格优化技术不仅提高了收入、利润和市场份额，而且拓展了所销售产品的种类。和对照组相比，测试组不仅卖出了更多的产品，而且卖出了更多独特的产品。