提升企業“宏觀數據力”

員工A：“我們公司使用數據的能力非常強，我們售出的每一臺機器，都可以遠端回傳機器使用的日志文件（log file）。依據歷史資料以及各項參數的性能設定，我們可以預測機器可能在什么時候會出現問題、需要什么配件，進而預測各項關鍵配件的囤貨量，并與維修紀錄作對照，微調上下游廠商每一季的配件訂貨數量?！?/p>

員工B：“我們公司使用數據的能力非常落后，業務單位完全無法掌控客戶對維修問題的不滿；營銷部門因此無法針對高回報率維修的痛點準備有力說明，所以業務部門都只能默默拜訪客戶，聽客戶的不滿。”

事實上，員工A與B其實來自同一家公司。同樣一家企業，不同部門為何對自家掌握數據的能力有截然不同的看法？究其根本，數據并不是問題核心，真正的問題是，一家企業缺乏跨部門溝通，也就是只有“微觀數據力”。

在這個資訊爆炸、計算能力強大的時代，數據力的重要性呈指數成長，企業數據思維不足的文化難題也隨之放大。或許你會想，耳熟能詳的數據應用三步驟“定義數據要解決的問題”“定義數據解決后要產生的效益”“數據分析方法與模型的選擇”好好應用不就解決了嗎？ 但是在現實中，即便企業在每個能運用數據分析協助的商業問題中，都切實應用了這三步驟，數據力還是可能等于零。最大的癥結點就在于，企業只用“微觀數據力”，完全忽略了“宏觀數據力”才是制勝關鍵。

用上述的員工對話來舉個簡單的例子。假設我們定義一個要用數據來解決的問題為“針對維修配件做季度預測，以減少囤貨跟增加現金轉換能力”。用“微觀數據力”來分析的話并不困難，根據這個問題的定義，企業可搜集機器設備的功能回傳記錄檔，再針對設備研發時的“最佳起始參數”做標桿分析，定義出回傳記錄檔中的數據代表什么意義、反映出什么情況。如此一來，自然能針對使用機器做出基本的維修需求規劃，以此推測維修需要的配件，最終的配件規劃就可以達到最低囤貨、最高現金轉換能力的效果。

然而，從“宏觀數據力”的角度來探討時，共有三大重要步驟：1.目前定義要用數據來解決的問題，順利解決后所產生的效益，會對企業更高階的策略目標有什么貢獻或犧牲？2.數據搜集、建模的每一個步驟中，有哪些可以與其他數據、部門結合，而達到企業最終的商業目標。3.在這些可合作的部門中，哪些資源、人員與決策流程需要安排，以便將最后的分析結果轉化為實際行動。

回到上述舉例，假設一個企業的終極目標是成長，而成長來自于鞏固現有客戶及增加新客戶，那么，在定義維修配件這個命題時，即可用宏觀數據力提升命題高度。首先，需思考達成“針對維修配件做季度預測，以減少囤貨跟增加現金轉換能力”的效益后，對企業的終極目標有什么貢獻和犧牲（由于企業資源有限，達成一個目標時，往往也會犧牲另一個目標）。其次，設定預測模型所需要的數據來源與參數，以及模型建立的流程中，有哪些步驟可以與其他部門的數據、資訊、功能結合以提升現有客戶/新增客戶的成長？最后，針對可能可以結合的方案，思考哪些部門會需要共同執行？ 需通過哪些管理層的同意？ 有哪些人員可以協助整合應用？

準確預估維修配件這個任務，除了用基礎的“微觀數據力”來思考之外，還能延伸思考維修預測能如何提升現有客戶對“預防性維修”的滿意度。

通過對“預防性維修”的營銷來讓客戶理解，雖然有高回報率的維修問題存在，但企業本身是以客戶利益為出發點，以預防問題產生。

結合兩種數據力來深入思考一項看似單純的任務，需要業務、營銷與新服務開發部門一起努力，將這些數據可能產生的附加價值，以及其他業務、營銷等可以整合運用的數據做更好的包裝，增加客戶滿意度的同時，也可作為招募新客戶的手法。

簡言之，“微觀數據力”可凸顯企業文化本身存在的問題，但不能用來定義一個企業應用數據科學的能力；而“宏觀數據力”才能從根本上激發數據策略，并協助串聯企業各部門合作。