大數據“掘金”的九個洞察

杰基清 米克爾·哈格斯特羅姆 阿里·利巴里亞 哈立德·利福

全球每天都有數十億部手機、傳感器、支付系統和相機等設備催生出指數級增長的數據量，可以說，大數據和高級分析的時代已經到來。錯失高級分析帶來的代價頗高。最有遠見且敏捷的企業競爭優勢最大，而落后的企業將會逐漸衰落。數據分析不應僅僅是企業首席信息官（CIO）的職責。雖然，CIO的專業知識非常豐富，但其對全盤業務缺乏充分理解會導致錯失重大機會，也缺乏推動公司進行高級分析變革的權力。因此，高級分析工作一定要由首席執行官（CEO）和業務部門領導共同參與指導，才能加快企業內部變革步伐，同時保證投資決定的科學性。麥肯錫研究發現，這種模式已經逐漸形成常態：超過一半的CEO認為自己在牽頭管理企業的高級分析工作，而且這一比例還在穩步增長。

麥肯錫就高管領導高級分析的現狀訪問了300多名優秀企業的高管。本文提煉出九個深刻洞見，幫助管理者推動企業高級分析的變革工作。

洞見1：厘清高級分析背后的邏輯

高級分析可以創造新機會，從而顛覆行業，但很少有高管能夠厘清這一現象背后的邏輯。“在高級分析漸成主流的大趨勢下，企業的五年愿景是什么？與之對應的，我們要如何重新定義商業模式、企業文化、投資組合和價值主張？”全球的CEO們都該考慮這些問題。高級分析的崛起會顛覆許多行業的主流商業模式，對于CEO來說，當務之急是厘清背后的邏輯。除了對現有商業模式重新定位，那些重視發展高級分析能力的領先企業還在積極探索如何創造并把握新機遇。企業也從單純的囤積數據轉變為共享數據。一些企業將數據匯集工作視為行業聯盟的必要部分，以此豐富數據庫的同時也賦予了數據更高價值。一些過去專注于產品的企業開始把數據和分析作為增值服務添加到產品中打包銷售。部分企業走得更遠：他們向客戶提供付費分析服務，而不是直接銷售產品。例如，某噴氣發動機廠商已經把標價單位從發動機的臺數改成了飛行時長，這項戰略轉型得以落實主要依靠從接入發動機的傳感器直接獲取數據，實時監控發動機使用情況，確保維修維護工作及時開展。

這一洞見有兩方面值得企業深思：第一，在解讀高級分析能力的潛力和長期趨勢之前，企業應充分理解，其將如何顛覆現有商業模式？可以從領先行業學到哪些先進經驗？如何通過迭代商業模式更好滿足客戶需求？第二，以數據為切入點開始抓住新機會，分析數據價值、了解數據的不同之處、洞察其價值、學會與其他資源結合實現增值。然后，企業方可認真思考其商業模式。一個簡單的入門方法是對市場上的數據分析類公司和同業深入考察，了解其動向，由此診斷企業當前的市場定位和競爭方式，并在生態系統中找準長期方向。

洞見2：明確高級分析應用領域和價值創造的方法

只有通過在實際業務問題中運用大數據分析和高級算法設計出優化的解決方案，高級分析才能真正為企業創造價值。企業可以通過對可實施的使用案例進行識別、衡量、優先級排序，搭建一個可以持續創造價值的高級分析戰略。例如，某國際消費品公司的CEO表示，通過在收入增長管理、供應鏈優化等業務領域應用高級分析和機器學習，企業實現了多達40億美元的收入增長。

然而，能夠對公司業務和職能部門有如此詳細的價值洞察的高管實在寥寥無幾。訪談中我們聽到更多是類似的觀點：

“有時候我們更多像是為了分析而分析，要說具體是在創造什么樣的商業價值我們自己也是云里霧里。”不少企業都是淺嘗輒止，缺乏通盤考慮，而能真正思考如何將分析能力變現的企業更是少之又少。在缺少全局視野的情況下，企業領導人很難制定出可靠的商業方案，同時也難以傳達高級分析能力的重要意義，而這恰恰是驅動企業下決心開展高級分析變革的關鍵。

對這種情況的建議是：與高管團隊明確高級分析能帶來最有前景的價值來源。首先，企業要確定價值鏈中最具潛力的部分。例如對于消費品公司來說可能是產品開發或庫存優化；對于保險公司來說可能是風險模型。然后根據公司規模提出相應數量的可行使用案例，大公司可能達到上百個，小公司可適當減少，并分析數據和技術能力可以扮演怎樣的角色。對每個使用案例進行外部對標以衡量其價值。最后按照使用案例的經濟效益、適配性、可行性和實現速度等條件進行優先排序。

洞見3：數據分析的難點是如何獲取正確的數據

隨著數據科學漸入主流，有不少商業分析和代碼共享平臺紛紛推出算法庫和分析工具產品，這還是沒有解決如何利用這些分析工具的問題。在訪談中，某工業企業高管反復重申一點：“我們把大量時間花在了數據獲取上，一旦能夠獲取并準確儲存這些數據，建模就是立竿見影的事。”

每個數據集都是獨特的，準備分析數據需要時間，其中關鍵問題是公司內部很難就什么是“單一事實來源”達成共識，不同部門經常采用各自方法衡量同一個指標。例如，銷售部門可能會通過交易總數來衡量產品銷量，而運營部門會通過庫存增減來衡量。大多數公司尚未將實時數據納入日常業務流程，部分公司還沒有確定自身真正所需的數據。企業還面臨著如何統一標準實現數據集互通（例如交易數據和客戶檔案）、提高數據質量和數據可用性等常見挑戰。對這一點的建議是：數據是一片汪洋大海，同時還在呈現指數級增長。為避免翻船，企業高管必須將數據戰略與分析戰略相結合。在探索新數據源時高管要牢記從特定使用案例出發，并思考數據的來源是商業供應商還是開源，對業務數據的熟悉度是企業實現數據變現的第一步。企業要不斷提高數據質量，落實企業治理和商業流程，確保所有獲得授權用戶的直接訪問數據的權限，鼓勵優秀的數據和元數據實踐，自動構建數據協調過程，不斷驗證新數據是否符合質量標準。企業可以選擇在集中式存儲庫（又稱“數據湖”）中實現不同數據集互聯。同時企業要化繁為簡，避免為所有歷史數據構建數據湖這樣耗時數年的行為。麥肯錫建議企業應從優先使用案例所需的數據開始，再逐步添加其他數據，數據構建始于已有數據，避免過度追求完美而作繭自縛。

洞見4：數據所有權和訪問權需要民主化

企業拒絕采用與直覺相違背的高級分析洞見的最常見理由是基礎數據無效。避免這一問題的前提是由業務部門負責數據質量，同時授權業務負責人隨時訪問數據。具備卓越分析能力的企業會盡可能提供數據訪問權限，同時確保內部統一“單一事實來源”的定義，幫助員工共同使用數據，群策群力，與時俱進。某大型制藥公司的CIO對麥肯錫表示：“向公司全員公開數據，是消除業務部門和科技部門之間互相推諉職責的關鍵”，這種做法有利于在企業中貫徹數據驅動的決策思維。

對這一點的建議是：企業應設計有效的數據治理方案，落實權責，指定負責數據定義、創建、校對、管理和驗證的牽頭部門，如業務、科技和分析中心等。同時對數據采取“業務主責，通用訪問”的雙重原則。即使儲存和支持數據的是科技部門，業務部門也應當對數據負主要責任。企業還可以創建數據利用平臺，便于前線員工輕松自助提取數據的服務門戶，同時舉辦數據利用教程，提升全員對數據分析的認知水平。

洞見5：變革管理和數據科學同樣重要

企業內傳統的工作方式素來根深蒂固，包括對分析工作的潛在不信任。高管們亟待解決的一個關鍵問題是，如何說服一線員工利用高級分析獲得的洞見改變其決策方式。通用電氣前CEO杰夫·伊梅爾特對麥肯錫表示：“一開始我以為，增加幾千名技術人員，再升級軟件就可以解決這個問題。事實證明我錯了，產品經理、銷售人員和一線支持人員必須一起改變。”

業界不乏成功案例，而成功的一項必要前提是高管要公開、堅定地支持高級分析能力建設。某高管曾向麥肯錫介紹業務部門負責人怎樣通過高級分析工具處理庫存數據，每周呈送領導班子會議，指導所有渠道經理采取相應行動。

同時，企業必須重視把這些洞見融入日常工作流程。另一位高管談到，企業內部的銷售人員對分析模型結果不屑一顧，而依賴于直覺判斷。于是他指導團隊重新設計了工作流程，“隱藏”分析推介系統的步驟，銷售團隊只需看到終端建議并依此執行。

對這一點的建議是：只有當員工理解改革，并把自己看作是改革力量的一部分時，他們才真正接受改變。因此，在設計高級分析解決方案時要以用戶為本，在最初環節就要引入業務部門的參與，最好搭配一位既懂數據科學，又理解如何落實于業務應用的“翻譯”，全程主導使用案例開發。企業要做到人盡其才：業務人員識別機遇，數據科學家開發算法，用戶體驗設計師塑造交互界面，軟件開發人員專注開發原型，流程工程師實施修正工作流程，變革小組執行落地。企業要為每個使用案例設計一套戰術手冊，抓好培訓和溝通。除了單個使用案例之外，企業還要設計一份宏觀層面的改革方案，培養高級分析能力，驅動企業范圍內的整體數字化轉型。

洞見6：學習關注指標，然后衡量再衡量

如果缺乏明確衡量高級分析能力價值的指標，又無法保障內部順暢溝通，企業很難為其對分析能力的投資提供有力支持和佐證。而由于分析能力通常應用在支持決策制定，很難與其他計劃分隔來看，所以對分析能力的量化評判更難實現。

一個有效的衡量策略一般包含具體的指標并直接關聯于業務績效。對于正在制訂的具體分析使用案例，企業應該檢視其相關聯的業績指標，并判斷這些使用案例對實現業績做出了多少貢獻。例如：成功的分析運用能夠降低2%的客戶流失率，那么這一舉措為公司節約了多少成本？

對這一點的建議是：企業可以建立包含所有關鍵業績指標的績效儀表盤，并關聯數據庫實現自動更新，輕松掌握實時動態。在此基礎上，企業必須相信數據。

洞見7：放諸四海而皆準的流程

在此要強調兩條原則。其一，分析功能應集中化以確保最佳實踐落實；其二，應由承擔利潤目標的業務部門負責推動實現高級分析的價值，一旦開發出了解決方案，業務部門高管就要肩負起創造價值的責任。

高級分析的最佳運營模式是什么樣的？核心問題在于集中化負責數據分析的卓越中心（COE）和業務部門應如何分配職責。事實上，只要使用得當，每一種模式都可以成功。麥肯錫近期一項研究發現，分析部門的組織模式與其成效之間幾乎沒有相關性。重點在于高級分析的運營模式應該與商業模式協同一致。

對這一點的建議是：企業領袖應評估高級分析的決策權位置：到底是在總部還是在業務部門，基于此設計一個充分利用現有結構優勢的分析組織模型。對于已經存在的卓越中心（COE）則需要評估其效用，包括：決策速度有多快？分析解決方案有否足夠業務的投入？這些解決方案是否捕獲了預期價值？

洞見8：要關注數據科學家和“轉譯人員”

高級分析人才市場依舊緊張，大多數接受采訪的CEO均表示自己的企業已經雇用了數據科學家，反而現在更需要的是精通分析的商業專家，也就是我們提到的那些能發現機遇、構建問題、制定解決方案并掌控變革的“轉譯人員”。某CEO對麥肯錫表示：“要找個會做生意的業務人員或者通曉技術的軟件工程師不難，真正緊缺的是那些既懂業務又會技術的人才。”可見這一問題的關鍵是要找到能夠理解和處理數據，并能將數據轉化為價值的人才。

對這一點的建議是：找準一批有統計學、計量經濟學等數理背景的優秀人才，然后設計有針對性的培訓項目來強化他們的分析能力。培訓課程不應局限于數據科學，還應包括領導力和管理技能用來領導端到端的使用案例識別和實施，同時引領文化變革。課程設計要結合在職培訓、面對面授課和在線復習等授課方法，并授予畢業認證。通過這類舉措，企業可以形成統一的內部溝通方式和標準。

洞見9：實現重大創新的捷徑是培養數據驅動

企業總是報喜不報憂，成功時總是大張旗鼓，遇到困難就習慣遮遮掩掩。與此同時，許多初創公司和敏捷型企業則遵循數據驅動、測試和學習相結合的文化準則。公司高層在明確愿景之后，樂于鼓勵員工探索新機會，快速完成概念證明，然后用數據說話。這一過程的關鍵在于迅速產生非直覺的新觀點，測試后進行決策取舍。此時，企業可以盡快坦然地公布失敗信息，并從中汲取利于再次迭代的經驗。誠然，短時間內并不要求企業所有部門都做到這一點，但對那些致力于打造分析卓越中心并保持領先地位的業務及職能部門來說，這么做至關重要。

對這一點的建議是：企業可以采用沙盒模式。顧名思義，這種模式的可塑性很強，用戶可以快速進行拆建。沙盒模式可以提供有效發現新功能、運行相關性測試并執行分析的工具、技術和計算機能力。當出現新的信息和需求時，企業也可以快速拆除舊框架，無需再走一遍冗長的數據安全性、合規性和清理流程。

全面轉型要求企業全體業務部門圍繞共同的戰略愿景進行變革，打造基本功和轉型動力。這一過程通常需要兩到三年的時間，因此，企業采取行動的時間窗口已經十分緊迫。這是一個不進則退的境地，落后的企業很難翻盤，正如某CEO說的，“現在已經不是大魚吃小魚的時代，而是快魚吃慢魚的時代。”

本文作者杰基清是麥肯錫前咨詢顧問。米克爾·哈格斯特羅姆是麥肯錫前咨詢顧問。阿里·利巴里亞是麥肯錫駐紐約分公司的全球資深董事合伙人。哈立德·利福是麥肯錫駐紐約分公司的全球董事合伙人。