數據不是萬能的，不進行數據轉型是萬萬不能的

鄭渝川

數據不是萬能的。浙江人民出版社、湛廬文化近日引進出版了全球著名的商業思想家、流程再造、知識管理、注意力經濟等商業概念的提出者、美國知名商學院巴布森學院教授托馬斯·達文波特，與埃森哲卓越績效研究院高級研究員珍妮·莫里斯、資深企業顧問羅伯特·莫里森合著的《工作中的數據分析》。這本書出人意料的在全書開篇談到了數據分析的局限，以及當前企業界在數據分析中的視角和方法錯誤。

數據分析的局限在于，首先，很多情況下，商業決策需要快速作出，來不及或者不具備條件進行周密的數據分析；其次，當遇到沒有先例即不存在歷史數據的情況下，只能借助于經驗、直覺進行判斷；第三，歷史信息存在誤導，就像是證券投資中，僅僅根據過去的周期信息，很可能遭遇“黑天鵝”和“灰犀牛”風險一樣，對于歷史信息在任何情況下都需要進行甄別采用；第四，當一些事物、事件難以測量其關鍵變量的情況下，數據分析的啟動難度很大。

2008年金融危機以及之后的歐債危機，證明數據分析也可以出現嚴重的視角和方法錯誤，比如基于無效的、錯誤的、過期的假設。金融危機發生以前，華爾街的各大投行所建立的按揭證券交易模型建立在美國房價會一直上漲的（錯誤）建設之上，而信用違約模型基于信用市場的流動性的建設，投行對于風險、信用的認知存在巨大偏差。書作者據此歸結出，數據分析需要分別避免邏輯錯誤和過程錯誤，前者包括沒有提出正確的問題、做出了錯誤的假設且未加驗證、篡改數據和模型來為特定的結論服務、沒有正確理解數據的全部內容。

《工作中的數據分析》這本書指出，無論是金融服務業，還是其他行業，數據分析雖然存在技術上的局限，還會出現視角和方法錯誤，但仍然值得倚重，其決策可靠性要大大超出基于直覺和經驗。書作者改寫了蘇格拉底的名言指出，“未經檢視的決策是不值得做出的決策?！?/p>

《工作中的數據分析》這本書包括兩大部分。第一部分給出了DELTA模型，即data（可用的高質量）數據、enterprise企業視角、leadership領導力、target戰略性目標、analyst分析師，由這五大要素組合起來成為重塑企業在數據時代競爭力的框架。

首先，企業應致力于提升數據水平，使之提升質量，具備獨特性、整合質量，并能得到很好的監管和保護。書中以美國部分企業案例為據，說明了如何收集具有唯一性和專有性的數據，并指出企業完全可以通過深耕基礎運營的信息來挖掘數據金礦。比如，美國加州的一家牙科診所，就通過分析多年來的索賠數據，對于投保客戶與其對應牙醫的行為模式進行了更加清晰的了解。談到企業內外部多個數據源所獲得的數據進行聚合，應當將之納入業務需求的運行流程，并且要摒棄完美主義傾向，要能夠應對和處理存在缺陷、缺失的數據。書中還強調，無論是金融服務商，還是其他行業的企業，而今都必須高度重視數據隱私，建立必要的分級權限體系和防泄漏規范。

其次，要以改善企業競爭發展水平為目標，建立大數據戰略，打破信息孤島。企業不同部門、流程、業務板塊都有動機，對于數據進行封閉處理，特別是跨國的金融或多行業經營的企業，不同的業務部門、區域總部會舉出種種理由，來避免業務信息在公司內部共享。書作者建議，企業的大數據戰略必須建立在一個較好運行的信息共享平臺之上。

第三，應當使得企業自上而下各級管理人員，包括數據分析部門、職能部門、業務單元及基層執行部門的領導者，都能以數據分析為導向，具備數據領導力。書中梳理指出，數據分析領導者通常應具備人際交往能力、自覺使用數據和分析、傾向于雇傭具備數據分析能力的人才、梳理數據分析使用的習慣、勇于承諾結果、教導數據分析技術、以數據分析為基礎來建立績效指標等素質，同時對于數據分析的局限和常見錯誤也有清晰的把握。書作者就此舉出了一些企業管理者的實例，講授在不同行業培養管理者數據領導力的方法和步驟。

第四，應該跳出行業，深刻把握技術革新、社會轉型所導致的行業不斷分化和跨界融合的趨勢。

第五，積極培養、正確使用和激勵不同層級的數據分析人才。書作者將數據分析人才分為四類，第一類是行業頂級數據分析師，這類人才通常精通行業分析技術，在行業內擁有很高聲譽，有能力履行高層管理職責；第二類是擁有最強的量化分析能力的人群，擅長趨勢分析、聚類算法、預測模型、統計模型、優化和模擬以及各類數據挖掘等技術的分析專家。這一類人才也就是人們常說的技術大咖，很可能也是怪才，企業需為之設計特有的施展空間的制度環境、激勵政策。第三類是準分析專家，能夠將前兩類人才開發的模型和算法為其他業務部門服務，起到承上啟下的作用。第四類是分析愛好者，將企業數據分析技術和指導政策轉化到基層執行，能夠敏銳的將市場信息轉化為有價值的數據并納入企業數據系統。書作者指出，企業大數據戰略及其應用，最重要的就是要立足于人，改善發展環境和激勵政策，最為充分的發揮各層次的數據分析人才的作用。

《工作中的數據分析》一書的第二部分立足于企業的數據化轉型，聚焦數據分析與具體業務的深層次融合，提出了一系列建議。數據化轉型首先要選擇好切入點，一些上規模的企業對于數據化轉型持排斥態度，很可能出于數據轉型成本較高等擔憂，以及對于轉型效益不明朗而缺乏動力，這種情況下，應當使之了解數據對于流程提升的潛力。數據化轉型其次應組織并管理數據分析所需的資源，要通過精密組織以確保較好的應對數據分析能力的供不應求等情況。

讓數據分析與業務流程高度融合，應當明確流程中的關鍵決策點，確保擁有足夠的數據來支撐相關決策，將決策置于事實、數據的基礎上，將分析技術逐項整合到運營系統和流程之中，通過流程部署、模型部署、系統部署、人員部署四個步驟解決數據分析融入業務流程的難題。

在此基礎上，還要積極打造數據文化。書作者指出，數據文化可以確保數據為導向的思想被企業上下廣泛接受，使得企業體系能夠自覺的探尋真相、發現模式并追根溯源、對于市場信息盡可能細致的分析、搜尋數據做出判斷從事實出發而不是傳聞和直覺、能夠坦然的接受負面結果和正面結果。很顯然，數據文化對于提升企業文化的水平，建設更加具有開放度、透明度的企業運營架構具有幫助。