做好个人大数据管理
今天，如果你开始关注某一领域，想对某一种知识进行积累，在开始养数据的过程里，你会如何开始呢？这就是一个棘手的问题。没有人能够在第一次做运营数据的时候，就知道这个数据是好的，是对自己有用的，或者，什么数据是不好的，是对自己没用的。就像开始做企业大数据时，他们根本不知道哪些数据一定有利，或者在未来可能对自己产生重要的价值。所以，你可能一开始会把每天关注的那些数据收集回来，这可以方便你做数据管理。
瑞斯是一家电商的负责人，时至今日，在瑞斯积累的数据中，已经有超过上万篇关于他过去经验的PPT及早上收集的电商新闻，如果瑞斯没有一个非常好的分类和标签管理体系，瑞斯就不可能做到这一点。
所以，要完成这个大数据积累的闭环，要求放进去的数据，一定要能够非常快速、实时地调用出来。瑞斯一直在训练自己怎么使用两个关键词就能够在10秒钟内调出自己积累的有效数据。
当瑞斯想要使用数据做决策时，有效的数据就在手边，这个时候运营数据，即养数据，已经产生了作用。
现在，瑞斯每天依然在继续收集数据，对于他在微博里关注的人，他按照两个维度来分类：一是他们懂什么东西，即有什么特长；二是重要性，进行5～20分钟，或者45分钟关注度的划分。这样划分的意思是：如果今天早上我只有5分钟，那我就只看重要朋友发布的信息；如果我有10多分钟，我会把重要性为5分钟和20分钟的朋友发布的信息都看完。
这就是瑞斯的个人大数据管理，能让我们有一定的借鉴作用。
从收集数据的角度来看：首先，瑞斯在选择有效的数据源；其次，瑞斯有重要性的选择，所以瑞斯能很好地控制自己的时间。瑞斯每天做完这些数据收集的时间大约是一个小时，时间久了，瑞斯现在对每个数据源甚至提供数据的专业人士的能力都了若指掌。某一个学者的观点是怎么样的；腾讯的记者能力如何；哪个网站周六日是不用关注的；凤凰网比较勤奋，周六是有人上班的；腾讯网最努力，每天都有新闻……甚至，各家媒体参加了哪些会议，这些瑞斯都知道。
瑞斯现在已经对数据积累与决策质量之间的关系具备了一种直觉，所以他开始对电子商务有了领悟。
当然，在运营数据和数据化运营的这个闭环里，我们一定要假设一切都在变化，一定要去关注还有没有一些新的数据收集源头，现有的数据源会不会出现问题，还有什么新的数据源头是缺失的。比如，近年来兴起的虎嗅网这样的新媒体；比如1991年，特别喜欢发表大数据文章的人。要想成为一个“大数据专家”，你就要了解更多信息源，摄取更多的信息。这就像和行业内的高手过招，我们在积累的过程中是在动态中不断迂回地走向目标的。
用标签管理个人大数据
前面提到，大企业需要“养数据”。个人在“养数据”的过程中需要注意哪些呢？我们要清楚，关键词标签是进行数据管理最重要的工具，透过标签我们可以快速定义一篇报告的内容，而数据每次调用的顺畅情况则可以用来衡量这一标签是否有效。
在个人大数据管理中，最常见的关于标签的矛盾点是，你给某篇文章上了标签，但这个标签却一直是动态变化的。过了一段时间，你会发现这个标签失效了，而你设置标签的时候却是正确的。举个例子，你给某个朋友贴上的标签是“美女”，但是过了10年后，她老了，你这个“标签”就失效了，就要进行升级了。
我们把这个现象称为标签的生命周期。
你以前的标签是对的，但是经过一段时间之后，这个标签就失效了，所以你需要更新索引，而这个过程所花费的力气非常大。多年来，有人不断地去寻找与电子商务有关的标签，以下是数据专家总结的3点经验，可以分享给大家。
1.越有效的标签就越能让人快速地调取数据。标签的用途多样，比如做知识分类的、识别来源的、情景和人物描述的以及表明时序的等。
2.要注意知识范畴的培养。例如，在电子商务中，可以运用各种分类标签，其中行业标签有：B2B、B2C、C2O、外贸B2C、外贸B2B等。技术支持方面的标签有：大数据、营销方法、用户体验、微营销等。
3.场景的标签分为公司与人物，再加上时间。
可见，由时间链、共识面（公司、人物、来源）、知识体系（标签）和格式（内容）所构成的一张知识图谱是解码决策分析的依据。
试想，你正需要一篇关于物流的文章中的数据做参考，你回忆起来这好像是上周的。再增加一个维度去看的话（共识面），就可以用“过去两周＋物流”去看在这两周内还有谁提到了“物流”。
你会发觉数据标签中有些是历久弥新的，即生命周期比较长的，比如人的名字，不论这个数据从哪儿来、在哪里、谁说的，都不会对数据标签产生影响。但有些标签是对趋势的界定，则需要经常地总结或细分。
收集到的数据要如上述这样贴上标签。当要调取数据时，你会在心里想一下数据的来源是哪家媒体、哪个人、什么时候获取的。这样一来，时间线和来源就成了你锁定想要数据的重要线索。
从另一个角度来说，当你想知道亚马逊在物流中的新动向时，不妨先锁定物流行业和公司标签，再配合时间线做决策。如果你想到“大数据＋周涛＋3个月内”，你往往根本不用想文章的细节，就可以将之调取出来。这就是大数据让我们已经发生的改变——我们只要记住几个标签作线索，就可以轻松地调用1万篇文章内的数据。
但千万不要觉得你可以一劳永逸了，因为这些标签会随着时间变化而“失效”，这样数据管理就成为了重要的一环。数据分析师都有变态的数据洁癖，他们对数据的来源极为看重。所以，将人和公司进行区别对待。人是特别的，可以离开某家媒体和公司，是流动的，但是如果将数据管理定位在人之上，就是表示你认为人更重要。如果定位在了公司和媒体的背景之上，那么公司或媒体就更重要了。
这就是变化。在大数据的世界中，没有人要求你获得细节，没人要求你成为一名数据分析方面的专家，但是要求在你需要拿到一个专家的数据时，能够快速地调出来。做到这样的话，就已经突破了人类短时记忆的短板，你就会成为一个很成功的人。
让自己成为数据分析师
有一个故事：一个互联网公司的数据分析师下班回家，在电梯里遇到保洁员大妈。两人打了个招呼后，保洁员大妈淡淡地问道：“最近你的压力大了不少吧？”数据分析师心里一惊，心想：
“难道她知道老板找我谈话的事？不可能吧……”于是带着怀疑问保洁员是怎么知道的。保洁员大妈淡淡一笑，回答说：“你们这帮人中，就你一个人抽中华烟，我发现这几天中华烟的烟头多了不少，就这么猜测了。”数据分析师深感佩服。
这个故事跟大数据没什么关系，却跟数据分析有点关系。同样是垃圾，一点小的线索也能让保洁员大妈做出正确的判断。可见，数据是随处可见的，只要是有心人，哪里都能够进行数据分析，人人都可以做个数据分析师。
