一个企业如果想高效的利用数据来驱动增长，那么部门或团队的负责人需要同时具备数据分析能力、营销能力、工程和产品能力。

我们通过对领英的数据分析、数据科学等各方面做了一个金字塔。结果显示，数据是从业务而非数据库或数据平台开始的。我们需要理解，所有的数据都是从我们的客户、产品和服务来生成的。那么，如果一个分析师、数据科学家不理解业务、产品、服务，无论他的技术多么优秀，都很难为公司创造价值。

在生成数据之前，我们必须要做有效率的数据追踪，因为如果我们在数据收集上没有前瞻性，会使数据团队变成一个数据清洗团队，工作效率很低。所以聪明的公司会花很多的时间和功夫在数据采集环节。

我们需要知道非结构化数据、半结构化数据、结构化数据存储在什么样的技术平台上效率是最高的，同时还要兼顾成本和计算时间。一般来说我们会在分析部门或者数据科学部门里做很多专题性分析，因为大部分公司是把BI或者商业智能直接放在了数据平台上面，这样的企业大部分都会以失败告终。我们直接把分析部门加在了BI和数据之间，因为大量的分析结果是不需要做成报表的，而是直接进行分析。只有这些持续的、可重复的、有运营意义的东西，才能进入我们整个商业智能BI的平台。

这三种不同流派应该互相结合、互相协作，而非每一种模型完全应用于另外一种模型。这之上还有一层优化层，再在这之上才是真正的商业洞察和洞见。我们发现很多的数据科学家或分析师做的很多研究结果都很有趣，却不能落地。这种有趣却不能落地的东西毫无疑义，必须要把商业分析的结果放在业务里面，让业务能够直接产生决策和商业价值，这样的结果才是真正有价值的结果。从来没有任何一家企业做一件数据上的工作就产生了百分之百的价值，不积小流不足以成江海，一般都是不断的积累、迭代、学习，每周比上周好3%或者是5%，最终产生几何级数的变量。

目前大多数公司对数据价值的认知是非常高的，但数据团队的价值落地艰难。其实大部分的原因还是因为我们太关注于技术底层的建设，而忽略了上层的商业本质。这其实也是一个两难的境地，下层的技术框架搭建耗时长，没有人能越过这些下层一下子就跳到最后一个决策层去。
因此，L2Cplat强烈建议，无论是数据团队还是工程团队，或者是数据科学团队，应该用技术的方法，尽量的把底部做得很小。我们必须要把我们的时间和精力尽量的花在上层，因此，就要求我们今天的数据团队要尽量的把底下数据追踪的时间、建立数据平台的时间、做基本的BI系统的时间缩小，甚至包括我们今天建立业务的时间都要自动化，都要缩小。比如我们的产品对建立销售预测模型的机制是自动的，系统可以自动预测，其中选出来有益的商机。这就减轻了我们数据工程团队在技术上花费的时间，他们会花更多的时间和业务端，如和产品端、服务端来探讨怎么用这些数据能直接产生商业价值。这样会使价值变现更快更大。