之前在知乎看到了一篇文章，讲芯片制造的难度，颇有感触，这里截取一段与大家分享一下：“制造芯片两千多步工序。每道工序合格品99.9%，算下来总良品率是多少？13.5%！不要小看99.9%，这已经是3西格玛了，我国企业能做到3西格玛的并不多”。
某位大佬在公开场合说过，要把芯片的成本做到跟沙子一样，这种论断，听一听就好了。
为什么今天引出了这个话题呢，是因为最近一直在读一本书，叫作《企业全生命周期数据分析应用之道》。就像一本工具书一样，对于企业数据该怎么做，写了种种的方法论与实践经验，看下来之后，觉得受益匪浅：自己虽然在从事这个方向，但也跟个傻子一样，好像什么都懂，但又好像什么都不懂。我们一直在强调，我们是互联网企业，追求的是速度，但是速度真的会带来想要的结果吗？未必。
就像是制造业一样，每一个行业、每一位工匠、乃至于每一道工序，都是漫长的时间与实践经验，带来的每一点提升，所累积的结果。也许一个人的提升微不足道，但几万人、十几万人的提升，累加到一起，最终还是会产生质变。就像是光刻机一样，我们都知道它的重要性，国家也知道，也肯给投资，但是真要把这东西做出来，需要全产业链达到6西格玛才能做到。其中的艰辛，非常人所能体会。
什么时候可以看到摆脱美国卡脖子的希望呢？先看行业的薪资水平什么时候能上去吧。
企业的经营也是一门细活
任何一个企业，一门生意，在发展初期的时候，都是蓬勃向上的。这个阶段里，技术人员面对的需求压力，也一定是压力十足的。这是好事，因为“忙”，就意味着团队在发展，要不断扩大规模，你也就有了晋升的可能性；这也是坏事，因为所有的问题，都被高速的发展所掩盖了，问题再多，往往也抵不过给的钱多。
但是当增长放缓以后，一切就不一样了。
如果企业已经做到了一定的规模，那么单纯的继续做大，就失去了意义，而如何深耕细作，就会成为这个企业非常长的一段时间内，持续追求的目标。
以零售行业为例，发展初期可以追求GMV一路高歌猛进，但一旦增长放缓，那么精细化管理的能力就显得非常重要，这个阶段压缩成本就要比扩大规模，来得更加猛烈。运营、采购、市场、技术…… 几乎每个方向都会暴露出这样那样的问题，一点一点的把前人挖的坑都填上，受不了这种枯燥又乏味的工作，就有产生人员变动，而新入职的人又要在不熟悉业务的情况下，强行达到业务目标，颇有一种“开着飞机换引擎”的味道。
这种风气，是技术人一定绕不过去的。
数据人在这个阶段的难点
简单来说，在精细化运营阶段，数据人面临的需求，通常就是八个字：“压缩成本、提升效率”。这个阶段，大家的心情，也是八个字：“方向模糊、无从下手”。解决方法呢，还是八个字：“拆解问题，化繁为简”。
成本是一个很复杂的指标，如果对业务过程不熟悉，那么很难拆解，这个时候，用数据的方法来对目标进行拆解，用数据来梳理出业务流程，并以此为基础进行产品设计，最后通过数据策略进行运营驱动，“降低成本”这个业务流程，才算是运转了起来。
产品和数据，天生就是相辅相成的，产品运用数据做目标拆解、策略预警，是无形的思维；运用功能模块做任务流程，是有形的行动。二者互相衔接与配合，才能真正形成数据流程上的闭环，形成杠杆，从而产出更大的业务价值，也从侧面解答了，“数据有什么用”的问题。
数据才是精细化运营的基础。
但是这个阶段很难做，一来大多数数据人并不了解业务，只是执行任务的工具人；二来业务也看不起数据，吃几顿饭、谈多点关系，比什么数据，立竿见影多了。所以数据人天生就要具备一种口才，比业务人员更能说，才能驱动业务方来听自己的，用数据产品来做事情。
这就像有经验的老工人一样，一个人的深耕效果不大，但一群业务数据科学家在一起，效果就不一样了。
数据质量也是一种西格玛标准
数据的事情，说起来简单，做起来难。规范化、标准化、流程化…… 数据清洗、数据建模、数据分析…… 件件事情，都不是简单掌握了大数据原理所能解决的，需要在对业务有比较深刻的理解下，才能正确的选择数据工具，并寻找合适的切入点，解决对应的业务数据问题。
如果说数据也有西格玛标准，那么数据质量就算是衡量标准。有谁能在数据源头产出的时候，一直保障到最后的决策报表，一条链路上，一点问题都不出呢？如果做不到这点，那么是否意味着，我们做决策、搞运营，所依赖的数据，本身就是有错误的呢？在错误的基础上，就如何能做出对的决策？
用某个部门的话说：“如果数据分析人员使用的数据是错误的，那么你做出来的汇报，就是一次P1故障”。
所以说，搞企业数据，搞数字化、智能化，搞城市大脑、智慧城市，等等，都是依赖于一大批，有着丰富的专业经验的数据人员，共同努力的结果。而当前浮躁的社会氛围里，或许产品上能够通过非凡的创意，或者是强有力的运营手段，来实现我们的数字化目标。但当我们走出国门后，面对那些高标准建立起来的互联网公司时，我们又能有几成胜算？
所以中国在互联网崛起前，先实现了工业化的伟大目标。在光刻机牛逼前，互联网出海只能算学习经验。
