數據和高級分析已經來臨。可用數據量呈指數增長，電話、傳感器、支付系統和相機每天產生的數據都在迅速增加。機器學習正變得無處不在，組織正在努力將數據變成價值。
回報雖然誘人，但風險也極高。發展最快的組織將具備明顯的競爭優勢;落伍的組織可能變得無關緊要。分析并不是首席信息官(CIO)的唯一職責，盡管有時候確實是。首席信息官可能對整個業務沒有足夠的了解，無法發現機會和威脅，或者沒有足夠的影響力來確保公司恰如其分地解決這些問題。首席信息官帶來的專業知識固然必不可少，但業務部門的領導者和首席執行官必須負責分析工作，以加快變革步伐并確保明智的投資。這已經開始發生：麥肯錫發現，過半數首席執行官認為自己主導著分析議程，而且這一數字一直在穩定增長。
有鑒于此，我們與300多家大型公司的高管進行了交談。在這里，我們根據這些對話提供了九個見解并向業務領導者建議可取的行動。
分析可以創造新的機會并顛覆整個行業，但很少有領導人能講明如何做到這兩點
“由于有了高級分析技術，我們有望在五年內發展到什么程度?這對我們的業務模式、文化、投資組合和價值主張有何影響”?全世界的首席執行官都有充分的理由提出諸如此類的問題。分析有可能顛覆許多行業中流行的業務模型，首席執行官都在努力了解如何做到這一點。他們迫切需要了解。
除了重新定位現有的業務模型外，分析領域的領導者還正在學習如何創造并利用各種新機會。組織正在從存儲數據轉移到共享數據。有些企業將數據匯總為行業聯合體的一部分，以提高其綜合性并因此提高其價值。以產品為基礎的組織正在將數據和分析作為增值服務添加到其產品中。有些公司則走得更遠，它們對支持分析的服務收費，而不是直接銷售產品。例如，有些噴氣發動機制造商如今出售飛行小時數而不是發動機。由于傳感器所提供的數據有助于它們了解使用情況和所需的維護，這一切才成為可能。
正式建議
我們有兩個領域可以研究。首先，我們要了解分析如何顛覆現有的業務模型，請騰出時間專注于長期目標。我們能從發展更為長遠的其他行業中學到什么?通過新的業務模型我們可以更好地滿足客戶的哪些需求?
其次，要抓住新的機會，首先要從數據開始，分析其價值和獨特性，誰會發現它們的價值，以及如何將它們與其它來源結合起來以實現增值。然后，仔細考慮一下業務模型。一種簡單的開始方法是在市場中考察數據和分析領域的人員以及考察競爭對手以了解他人可能正在做的事情。還要確定在生態系統中參與這項活動的進展和方法。
令人驚訝的是，鮮有公司知道分析能夠在哪里創造價值，以及如何創造價值
當將大數據和高級算法應用于業務問題以產生比以前更好的解決方案時，分析便可以創造價值。企業可以創建可產生價值的分析策略，其方法是發現所有可應用的用例，調整其規模并確立其輕重緩急。例如，一家全球消費品包裝公司的首席執行官指出，將高級分析和機器學習應用于業務職能(例如收入增長管理和供應鏈優化)可帶來多達40億美元的收益。
但是，鮮有高管對自己的業務部門和職能對價值有如此詳盡的看法。更為常見的評論是這樣的：“有時候我覺得我們是為了分析而分析。我們必需更加清楚地說明自己要創造什么樣的商業價值”。一位高級主管這樣說道。大多數高管都試驗了一些用例，但缺乏全面的看法。考慮過分析如何創造新的收入來源的高管更是寥寥無幾。如果缺乏統轄整個企業的視角，那么業務領導者很難為分析制定合理的業務案例。他們很可能難以傳達分析這樣的信息——為什么分析很重要，而這對于使組織致力于變革至關重要。
正式建議
與行政團隊一起開展嚴格的流程，從而確定最有希望的價值來源存在于何處。首先，確定價值鏈中哪些職能或哪些部門最具潛力(例如，對消費品公司而言可能是產品開發或庫存優化。而對保險公司而言則這可能是風險模型)。然后提出可能的用例(對某家大公司而言可能多達100個用例)以及如何將新數據和技術應用于這些用例。使用外部基準有助于你了解既定用例的價值。最后，決定工作的輕重緩急，考慮經濟影響、與業務適合的契合度、可行性和速度。
數據科學這部分比較容易實施。獲取合適的數據并準備好數據進行分析則要困難得多
隨著數據科學漸漸成為主流，業務分析平臺和代碼共享平臺正在提供各種算法庫和分析工具。對大多數組織而言，這簡化了數據科學的實際應用。但這仍然遺留了由誰來處理的問題。在我們的對話中，我們常常聽到這樣的話：“我們的大部分時間都花在了獲取數據上”，一家先進工業公司的一位高管這樣說道。“一旦我們將數據科學落實到位，建模就會很快。”
每個數據集都是獨一無二的，我們需要花費時間來準備進行分析。一個主要問題是，我們很難就“單一事實來源”達成一致，因為不同部門往往使用不同的方法來衡量同一指標。例如，銷售職能可以衡量通過交易出售的商品數量，而運營部門則可以通過庫存移動來進行衡量。大多數公司尚未將實時數據整合到日常業務流程中。許多公司還在努力確定需要哪些數據來提高競爭優勢以及因此需要創建什么數據。其他常見的難題是實現唯一的標識符來將不同的數據集(例如交易數據和客戶資料)連接起來并填補數據集的空白以提高質量和可用性。
正式建議
數據的海洋十分龐大且呈指數擴大。為了避免溺水，高管們必須將數據策略與分析策略聯系起來。在研究新數據源時，無論是通過商業供應商還是通過開源的方式，牢記特定的用例并思考如何獲取數據是大有裨益的。了解企業擁有什么樣的數據;這可以成為一種有利可圖的資產。為了不斷提高數據質量，請實施治理和流程并確保合法的數據負責人可以直接訪問這些數據。強制執行良好的數據和元數據慣例并創建自動數據對賬流程，以不斷驗證新數據是否符合質量標準。為了獲得新的洞察，請將不同的數據集互相聯系起來，這些數據集可能位于中心化的存儲庫(或“數據湖”)中。抵制復雜性的誘惑;不是為所有遺留數據創建數據湖(一個項目可能耗時數年)，而是逐漸填充數據湖。從高優先級的用例所需的數據開始，然后逐漸添加內容。從現有的資源著手，你不必做到盡善盡美，只要做到優秀就足夠了。
數據所有權和訪問權必需得到民主化
企業拒絕采用違背直覺的分析洞察而提出的最常見借口是基礎數據無效。如果由企業負責確保數據質量并且業務領導者可以隨時訪問數據，這樣的接口就很難說得出口了。成功的分析機構可以確保盡可能多的人訪問數據，同時確保有唯一的可靠來源，以便員工可以一起操作這些數據并提出各種新想法或者拋棄那些已經過時的想法。一家大型制藥公司的首席信息官表示：“我們正在考慮消除業務與IT之間在數據上的相互指責，其方法是使所有人都能使用數據”。這樣，整個組織就會運用以數據為驅動力的思維方式。
正式建議
設計高效的數據治理并指定負責人來負責數據的定義，創建和驗證——即業務，IT或分析中心。接受企業所有權和廣泛使用的雙重原則。即使IT部門負責數據并為數據提供支持，企業也不能免于此責任。創建使一線員工可以輕松提取數據的數據發現平臺(例如基于網頁的自助門戶)。主辦數據發現會議以提高數據素養。
嵌入分析的本質既是變革管理，也是數據科學
舊的工作方式已根深蒂固，如果人們從根本上不信任分析，那么情況就更甚了。因此，高管們要問的另一個問題是如何影響一線員工以利用分析工具提供的見解來改變決策方式。通用電氣的首席執行官Jeff Immelt向麥肯錫表示：“我認為，如果我們雇用數千名技術人員，如果我們升級軟件或做諸如此類的事情，這么做就對了。然而我錯了。產品經理必須與眾不同，銷售人員必須與眾不同，現場支持也必須有所不同。”
這里有一些成功故事。一個普遍且必要的因素是領導層必須致力于分析。有一位高管告訴我們其業務部門的負責人如何使用分析工具來計算有關庫存水平的數字。然后，該負責人將結果提交到每周舉行的領導層會議并要求每位渠道管理者采取行動。
將各種洞察整合到日常工作流程中，這一點也很重要。另一位高管談了銷售人員如何抵制由分析模型生成的銷售線索，他們反而希望依靠自己的直覺。他的團隊能夠設計工作流程，從而使“推薦”引擎“不可見”：銷售團隊只管獲得銷售線索，然后對此采取行動——成功地采取行動。
正式建議
當人們了解變革并感到自己身在其中時就會接受變革。因此，分析解決方案的設計必須以用戶為主導并從一開始就參與到業務流程中。雇傭一名“翻譯者”(這名翻譯者不僅了解數據科學而且了解如何將其應用于業務)并從始至終由他來主導用例的開發。將人才用到刀刃上。企業發現各種機會，數據科學家開發各種算法，用戶體驗設計師設計各種用戶界面，軟件開發人員運行各種產品，流程工程師重新設計各種工作流程，變革代理人則實施這一切。為每個用例開發一個劇本，確保不會忽略重要的采用要素，例如培訓和溝通。除了個人用例之外還應設計更廣泛的變革計劃，從而培養分析素養并將組織轉變為擁有數據驅動文化的組織。組織層面的變革管理已廣為人知，而這里則關系到將這些原理應用于分析。
學會喜歡指標并不斷地進行衡量
“我怎么知道我在分析方面的投資是值得的?有哪些指標可以衡量?我如何將價值歸因于分析和團隊正在做的所有其他事情”?這些由某大型保險公司的高管們提出的問題十分常見。同樣常見的是，與我們交談過的高管幾乎都無法回答這些問題。
如果分析的價值沒有得到明確的衡量就傳遞了出去，那么擴大支持力度并因此證明投資的合理性則并不總是那么容易，由于分析通常用于支持決策，因此其價值不可能總能與其他計劃分離開來。
在成功的衡量策略中，指標十分詳盡且在邏輯上與業務成果相關聯。對于生產中的每個分析用例，請評估相關的成果指標并詢問它們如何對業務成果做出貢獻。如果使用分析就可以將客戶流失率降低2%，那么這意味著節省了多少錢呢?
正式建議
創建一個儀表板，該儀表板包含所有引人注目的績效指標并具備自動數據饋送功能，以便人們可以輕松掌握最新情況。然后，要信任數據所揭示的信息。某投資銀行的一位首席執行官說：“只要依靠統計信息而非直覺，你就可以讓數據將你導向正確的地點。永遠不要受困于當下的紛繁蕪雜，這是獲得成功的方法之一。”
借助自動化和數字化就可以實時看到變革，而不必等到月末，季末或年末。而且由于人們可以進行更頻繁的衡量，所以他們沒有理由不這樣做。數字只有在投入使用時才有價值。企業必需確定最佳節奏并做到最好。
沒有組織分析操作模型的通用方法
但是，這里有兩個普遍的事實。其一，應該有一個中心職能來維持最佳實踐并利用硬資產的規模經濟。其二，誰掌管了最終贏利，誰就負責獲取價值。一旦開發出解決方案并獲得業務投入就必需讓業務負責人負責價值的獲取。
那么最佳的分析運營模式是什么呢?這種緊張關系介于卓越中心(COE)和數據業務部門之間，而卓越中心是數據科學的核心職能。如果使用得當則每個模型都可以工作。麥肯錫最近的研究發現，分析的組織方式與成功之間幾乎沒有任何關聯。重要的是，運營模型必須與業務模型保持一致，以便它可以利用現有文化和實踐的成功要素，同時仍可促進一切分析工作賴以成功的各種跨職能實踐。
正式建議
領導者必需評估決策力在其組織中(在中心還是在業務部門中)所處的位置，然后設計一個利用現有結構優勢的分析組織模型。如果已經有從事分析的卓越中心，那么評估其效能是非常重要的。這是要考慮的問題之一：可以多快做出決策?分析解決方案是否有足夠的業務投入?我是否從這些解決方案中獲得了我所期望的價值?
用人方面的難題不僅在于尋找數據科學家，還在于培養“翻譯人員”
盡管人才仍然十分缺乏，但我們采訪的大多數首席執行官都說自己的公司已經雇用了數據科學家。這些首席執行官需要更多精通分析的業務專家，這些專家能夠發現機會，提出問題，制定解決方案并倡導變革。一位首席執行官指出：“我請了很多懂業務人，我也可以輕松地請到懂技術的軟件工程師。但很難找到兩者兼具的翻譯人員”。關鍵是找到這樣的人，他們能使數字為業務所用。
正式建議
找到具備定量背景的高績效人員(例如統計學家和計量經濟學家)，然后設計一個能力培養計劃以擴展他們的分析技能。該課程不僅要包含數據科學，還應包含能主導端對端用例的確立和實施所必需的領導力技能以及刺激文化變革所需的變更管理技能。在設計這些程序時，請結合成人的學習原則，結合在職培訓，面對面學習和在線進修課程之類的方法。請考慮為成功完成這些課程的人員設計正式的證書。
實現一個大創意的最快方法是培養數據驅動的測試與學習文化
沒有哪家公司不熱衷于慶祝成功，因為這既有趣又容易。但是許多公司并不熱衷于傳達壞消息。許多公司還存在假設偏差，它們會按現有議程來調整數據。
另一方面，許多新興企業和其他敏捷企業中存在著一種數據驅動，測試和學習的文化。一旦設立了高遠的愿景，它們就鼓勵員工去發現機會所在，快速開發概念驗證，然后讓數據來說話。重點是迅速產生各種違背直覺的洞察和新想法，對其進行測試，然后要么繼續開展這樣的工作，要么放棄。壞消息要盡早傳達出去，傳達壞消息并不可恥，因為錯誤是改進和下一次迭代的源泉。雖然并非組織的所有部門都必須全盤采用這種文化，但卓越的分析中心以及需要保持領先地位的業務部門卻需要全盤接受這種文化。
正式建議
沙盒(sandbox)是一個充滿創造力的地方，在這里創建的內容也可以迅速拆除。這樣做的目的是：提供發現新功能，運行關聯和執行分析所需的各種合適工具，技術和計算機功能。然后，要實現這一點——當新信息和新需求取代舊信息和舊需求時可以將沙盒拆除，而無需進行大量的數據安全性，合規性和清理方面的工作。
這是創建一種文化的部分工作，在這種文化中，數據(而不是猜測)會對這些問題產生影響，并且人們可以適應不斷變化的環境。人們必須將傳播和聽取壞消息視為日常業務的一部分。即使人們承認大多數努力都會失敗，他們也要為投資設立明確的階段關卡(stage gate)，然后隨著各個階段性成果的實現而加大投資規模。強調對速度的需求。一家消費品公司的業務部門的負責人指出：“在分析方面，我們失敗的頻率要遠遠高于成功。但我們正在嘗試更快地從失敗中學習并進入下一個迭代。”
許多行業并未充分利用數據和分析。要做得更好就必須使挑戰具有緊迫感并愿意以不同的方式做事。總體而言，與我們交談的高管都了解這一點。
完成全面轉型意味著圍繞共同的戰略目標來調整業務，確立基本原則并產生動力。這往往需要兩到三年的時間才能實現。因此，組織僅僅在一個狹窄的窗口中工作。否則它們將落伍，甚至永遠無法追上。一位首席執行官若有所思地對自己說，“這不再是大魚吃小魚的時代，而是快魚吃慢魚的時代。”
版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。
京公網安備 11010502049343號