很多公司的大數據規劃付之闕如，本文將告訴你如何入手和實施。
問題所在
“大數據”及高級分析帶來的技術挑戰與組織挑戰，很容易導致企業采用成本高昂卻低效的解決方法，或就此陷入。
為什么重要
數據挖掘正成為日益重要的技術優勢。如果一開始的數據規劃就沒步上正軌，日后在競爭中很可能落于下風。
如何實施
精心制定大數據規劃。好規劃可推動公司戰略層面的決策，如篩選關鍵投資和項目取舍。這樣的計劃應聚焦三大核心因素：
收集并整合海量的新數據，以挖掘出新洞察選擇先進數據分析模式以優化運營，并預測商業決策的結果創建易于使用的工具，將模型輸出轉化為具體的行動，并培訓關鍵崗位的員工
大數據和高級分析帶給企業的好處毋庸置疑。通過對成功案例的持續研究，我們發現一旦大數據和分析技術被深入應用，可為企業帶來比競爭對手高出5到6個百分點的生產力和利潤1。全新的數據驅動型業務、對運營方式的透徹了解、更精確的預測以及更快速的測試等等，的確對企業很有吸引力。
但是要實現這些目標并不容易。需要大量投入資金，以及管理層的重大承諾。首席信息官強調要徹底改造數據架構和應用。外部供應商大力推銷黑盒子模型的無窮威力，宣稱該模型能通過破解非結構化數據找到因果關系。業務經理則苦思冥想，堅持要一開始就知道，投入以及給組織架構形成的潛在沖擊究竟能夠產生多大的收益。
答案很簡單，就是要扎扎實實地制定規劃。根據我們的經驗，大多數公司并沒有花應有的時間來創建一個數據、分析、一線工具和員工如何共同創造商業價值的簡單計劃。該計劃的作用在于提供一種通用語言，讓高管、技術專家、數據科學家和部門主管能夠一起討論最大的收益來自哪里，并且選擇兩到三個領域著手行動起來。這和管理層制定公司戰略的歷程有著異曲同工之妙。40年前，會制定周全翔實戰略計劃的公司只是少數。其中一部分領先者取得了卓越的成果。不久之后，大多數企業也掌握了當時新出現的計劃制定工具和框架。再說現在，幾乎沒有公司在一開始就制定數據和分析計劃。但我們相信，越來越多的高管很快就會意識到，制定大數據規劃是實現大數據潛力必不可少的第一步。
高質量戰略規劃的核心在于，凸顯企業必須做出的關鍵決策或取舍，并明確企業必須優先考慮的舉措。例如，哪些業務應投入最多資金，應該強調更高的收益還是更快的增長，以及需要哪些能力以確保強勁的業績。在大數據和分析計劃推行的初期，企業應該解決類似這樣的問題：選擇需要整合的內外部數據，從一大堆潛在的分析模型和工具中找出最能夠支持商業目標的那部分，并培育相應的組織能力。
成功地做出以上取舍，需要公司高層進行跨部門的戰略對話，以確立投資重點，平衡速度、成本和接受度，并為一線互動創造條件。如果制定的計劃能夠解決這些關鍵問題，那么實現具體商業成果的可能性會更大，也可為高管層帶來足夠的信心。
大數據計劃的內容
成功的規劃應聚焦于三大核心要素。
數據
制定收集和整合數據的策略非常關鍵。企業忙于收集信息，但是BU橫向或職能部門縱向經常出現各自為政的問題。關鍵的數據可能存在于過去的IT系統中，且涵蓋客戶服務、定價和供應鏈等各個領域。關鍵信息經常以非結構化格式散落于公司外部，例如社交網絡的對話，更加劇了問題的復雜性。
要讓這些信息成為長期資產，通常需要大力投入建設新數據能力。規劃可以強調，未來需要對數據架構進行大規模重組：包括對混亂的數據庫進行篩選（將交易從分析報告中剝離出來），創建清晰的“黃金來源”2數據，并實施能夠有系統地保持準確性的數據治理標準。
一種信息在企業中僅存儲一次，以保證其準確性的做法。
就短期而言，有的企業可以采用更簡易的方法：將問題外包給數據專家，由他們使用云系統軟件整合足夠的數據，以抓住最初的分析機會。
分析模型
整合數據本身并不會創造價值。需要高級的分析模型來實現數據驅動的優化（例如員工排班表或運輸網絡）或預測（例如航班延誤情況，或根據購買歷史、在線行為來預測客戶的需要及行動）。計劃必須能夠識別以下情況：模型可以在哪些領域創造額外的商業價值，誰需要使用模型，以及模型在組織內推廣時如何避免不一致和不必要的數據重復。
和新的數據來源一樣，企業最終會希望將這些模型連在一起，解決跨職能或跨BU的、更大范圍內的優化問題。事實上，一個計劃可能需要數據分析“工廠”，從一系列不斷增加的變量中組合一系列模型，然后實施系統以進行追蹤。雖然模型可能極其強大，但也必須抵御完美分析的誘惑：太多變量將增加復雜性，讓模型的應用和維護變得更加困難。
工具
模型輸出的內容可能非常豐富，但是只有當經理（很多情況下是一線員工）能夠理解并使用它時，這些內容才有價值。太復雜的輸出可能難以把握，甚至不被信任。企業需要的是易于使用的工具，能夠將數據整合到日常的流程，并將模型輸出轉換為具體的流程，例如員工排班的清晰界面，呼叫中心的交叉營銷建議，或營銷經理作出實時打折決定的方法。很多企業沒有考慮或規劃這一步驟，最后發現經理和基層員工不會使用新模型，其有效性自然會大打折扣。
要促進數據、模型和工具的發展，組織能力也是一大關鍵推手。很多戰略規劃之所以失敗，原因就在于組織缺乏實施的能力。因此，如果組織缺乏合適的人才或能力，大數據計劃的結果很可能會令人失望。企業需要一張路線圖，按照合理的規模和構成來建設人才庫。最好的計劃還將進一步講述如何培養數據科學家、分析建模師和一線員工，讓他們在新的富含數據和工具的環境下發揮自身才華并努力實現更好的業績。
具備這些要素后，企業就可以制定綜合的大數據計劃（見下圖）。當然，不同行業在分析方法、決策支持工具和業務價值的來源等細節上皆有所不同。但值得注意的是，所有行業都具有結構相似性：絕大多數企業都需要為主要的數據整合活動制定計劃。這是因為，很多最具價值的模型和工具（如下圖右邊顯示）在建立時會越來越多地使用海量的數據來源（如下圖左邊顯示）。一般來說，這些來源將包括來自客戶（或病人）、交易或運營的內部數據，以及來自價值鏈或在線合作伙伴的外部信息。此外，未來還可能來自內嵌于物體的傳感器。
為了建立一個優化治療和住院系統的模型，一家醫療保健行業的企業可能需要整合一系列患者和人口信息、藥品效果數據、醫療設備投入以及醫院的成本數據。而一家運輸企業可能需要整合實時定價信息、GPS和氣象資料以及員工的勞動生產率，以預測哪些航線、船只和貨物組合能夠產生最高的經濟效益。
三大挑戰
根據我們的經驗，大數據規劃要引起總部高層領導的注意，包括確定投資重點、平衡速度和成本、確保一線員工認可。這些內容聽上去很耳熟，因為它們也是很多戰略計劃的組成部分。但是大數據和高級分析規劃還有一些重要的不同之處。
1. 投資重點和業務戰略的匹配
制定大數據規劃的一個普遍難題是如何將不同領域的交易、運營和客戶互動等數據整合起來。整合工作能夠帶來強有力的商業判斷，但是要建立新的數據架構、開發盡可能多的模型和工具，其投入巨大，因此應有所選擇。對于低成本、高銷量的零售商，可以通過門店銷售數據來預測庫存和勞動力成本，以維持低價。而與之相比，高端、高水平服務的零售商則需要進行更高的投資并對客戶數據進行匯總，以推廣客戶忠誠度項目，吸引客戶選擇利潤更高的產品，并提供定制服務。
就微觀層面而言，這是選擇投資重點所面臨的挑戰：兩種方法聽上去都不錯，事實上也完全符合企業各自的業務需求。可想而知，這些方法也吸引了其他零售商的注意。那么在資源缺乏的情況時，如何在這些可能性（或其他可能性）中做出選擇？
在確定投資重點時，沒有什么能夠代替高管團隊的積極參與。在一家消費品公司，首席信息官通過大數據、建模和培訓等建立了價值創建潛在來源的熱圖，范圍涵蓋了公司所有業務系統的投資選擇。這份熱圖讓公司高管獲得了扎實的數據基礎，啟發他們開展討論并進行明智的取舍。盡管討論成果并不是一份完整的計劃，但一定是計劃成功的開始。
再來看一家大型銀行的例子。為了解決一個市場問題，該銀行建立了一支由首席信息官、首席市場官和BU負責人組成的團隊。銀行家們對直接營銷活動的結果表示不滿，因為成本居高不下，新產品的接受度卻令人失望。他們發現問題的核心在于各自為政的市場營銷方法。單個BU對客戶的財務背景和偏好不加考慮，向銀行所有客戶群推銷多種產品。那些可能最需要投資服務的客戶獲得的卻是存款產品的信息，反之亦然。
為了解決這個問題，高管團隊決定收集企業數據庫中的所有信息，包括收入水平、產品歷史、風險檔案等方面的數據。中央數據庫讓銀行能夠有針對性地向客戶提供他們可能更需要的產品或服務，從而提高了業務點擊率和營銷活動的效益。很多企業都會需要強大的計劃流程來凸顯類似的投資機會，并推動高管層拿出應有的參與度。
2. 平衡速度、成本和接受度
對于那些“擁有”企業數據和分析策略的高管而言，自然而然的反應是迅速開啟行動模式。一旦確定了某些投資重點，就不難找到開發相關應用和算法模型經驗的軟件及分析供應商。和內部開發的定制模型相比，這些套裝系統（包括定價、庫存管理、勞動力排班等）價格便宜，且易于安裝。但是它們畢竟不能和根據實際業務案例創建的應用相比，很難充分調動起經理們的積極性。系統有沒有結合具體行業和企業的業務特點，這在很大程度上決定了數據項目是否會成功。因此，為了盡量平衡可承受的成本和在現實業務中實施的速度（包括容易忽視的風險和組織敏感度），需要給計劃第二個維度。
忽略這一步驟的代價是什么，請看一家試圖提高小企業核保業務的銀行的經歷。分析團隊希望趕緊采取行動，因此匆匆忙忙建立了一個模型，但缺少計劃流程，也沒有讓充分了解業務的關鍵利益相關方參與進來。這個模型在理論上的測試很成功，但是實際上完全不可行，銀行為此損失慘重。管理層希望從頭再來，要求BU領導重新嘗試。修改后的模型建立在較為完整的數據的基礎上，其架構反映出不同客戶細分的差異，因此預測能力更好，最終減少了損失。這個例子告訴我們，大數據規劃面臨的管理挑戰至少和技術挑戰一樣大，沒有捷徑可走，必須付出努力，讓業務人員和數據專家通力合作，找出問題所在。
一家貨運公司的關鍵問題是如何在新數據/分析工具的潛在收益和業務風險之間找到平衡。當數據專家提議使用和客戶行為、定價和排班等相關的新模型時，由于已經習慣于現有的運營導向模型，高級經理們表示反對，且特別提出，昂貴的新數據方法是否會擾亂順暢的排班操作。數據經理于是在一個區域試點了開發原型（使用少量數據組和初步的電子表格分析），這才消除了大家的擔憂。有時候，確實有必要采取 “奔跑之前先學走路”的戰術以達到平衡，這也可以是計劃的一個組成部分。一家健康險公司面臨的關鍵挑戰則是緩解內部利益相關方的擔憂。公司設計的黑盒子模型在檢測歷史數據時，能夠非常準確地識別高于平均住院風險的慢性病患者。但臨床總監認為，不能單靠一個不透明的分析模型來確定哪些患者應該接受昂貴的預防性治療方案。最終，該保險公司選擇了一個更為簡單和透明的數據和分析方法，在當前實踐的基礎上進行了改進，但是犧牲了一些準確性，結果可能使更多患者有資格接受治療。在數據規劃的早期提出不同意見并進行權衡，可以節約時間，避免慘重損失。
最終，有些規劃工作需要在降低成本的愿望（通過標準化）和反映業務現狀的需求（通過組合數據和建模）之間找到平衡點。就零售行業而言，企業擁有獨特的客戶基礎，有不同的定價方式來優化銷量和利潤，也有著日常的銷售模式和庫存需求。比如，一家零售商很快以低成本建立了一套標準化的推薦商品模型3， 然后為網絡渠道制定了具體的推薦方案。但是，為了開發更加成熟的模型來預測區域性和季節性的購買模式并優化供應鏈運營，這家零售商必須從社交媒體上收集非結構化的消費者數據，選擇內部的運營數據，同時按產品和門店的概念定制預測算法。一個平衡的大數據規劃需要這樣的組合方法。
基于分析客戶購買歷史的算法，一種預測客戶可能購買的下一個產品或服務的模型。
3. 確保重視一線部門的參與度和能力培養
一家航空公司在大力投入開發新的定價工具之后，發現收益管理分析師的生產效率仍然低于預期。問題出在哪里呢？工具太過復雜，沒有人用得來。另一家健康險公司則出現了不同的問題，醫生們抵制一種使治療方案更經濟的網絡應用。他們表示，如果非要使用這種新系統，就必須為某些疾病提供能夠維持患者信任的治療方案，這一點他們認為非常重要。
出現這些問題的企業忽視了大數據規劃的第三個要素：調動組織的積極性。正如我們在描述大數據規劃的基本要素時所說的，計劃的第一步是建立一線主管能夠理解的分析模型。這種模型必須和易于使用的決策支持工具（可以稱之為制勝工具）相連接，并通過流程讓經理們對模型輸出運用自身經驗進行判斷。雖然少數分析方法（例如基本的銷售預測）是自動化的，只需要有限的一線員工參與，但大多數分析方法如果沒有管理層的支持就不會成功。
上述航空公司重新設計的定價工具的軟件界面，僅僅包括主要航線上競爭對手和產能利用率方面10—15種規則驅動的原型。一家零售商的情況與此類似，如果他們的商品價格比競爭對手網站上的價格高，就會出現提醒買家注意的信號，并允許買家自行定價。另一家零售商的經理現在能根據以往的銷售數據、天氣預報和計劃好的特賣活動，用平板電腦預測一天內每小時所需要的店員人數。
創建這種員工易于使用的工具僅僅是第一步。關注有效實施所需的組織能力也非常重要。多數公司認為，95%的大數據投入應該用于數據本身和建模。但是很多經理并沒有很強的分析背景，如果不能培養一線經理的能力并進行相關培訓，這些投入很可能收不到效果。因此大數據計劃的一條基本規律是，數據/建模和培訓的投入是一半對一半。
部分投入應該用于培養“雙模”經理，他們既懂業務，又深諳如何運用數據和工具做出更好、更有分析依據的決策。有這樣的能力傍身，經理自然盼望有用武之地。企業還應該建立獎勵機制，吸引分析能力強的業務領導擔任數據工作負責人，并鼓勵部門之間傳播點子。一家快遞公司發現分析型人才散落在各個部門里，于是將他們集中在一起，為全公司提供服務。
計劃制定以后，執行就比較容易了：可以按部就班地整合數據、啟動試點項目、創建新工具并展開培訓。在推動業務價值的清晰愿景下，不太可能遇到資金問題或內部抵制。當然，隨著時間的推移，最初的計劃到了將來也會有所調整。事實上，大數據和分析的一個主要益處就在于，您現在能學到以前聞所未聞的業務知識。
這可能和戰略規劃又有著相似之處。在很多組織中，正規的年度“教科書式” 戰略規劃流程已轉變為持續性、參與更廣泛的動態流程。數據和分析計劃太重要了，不可能束之高閣。但這是明天才要面對的問題。現在的狀況是，大數據規劃尚付之闕如。高管層的行動越快，企業就越有可能從數據中獲取真正的競爭優勢。
三位作者謹向Toos Daruvala，Amit Garg和David Kang對本文的貢獻表示由衷感謝。via：麥肯錫季刊
Stefan Biesdorf 是麥肯錫全球董事，常駐慕尼黑分公司；
David Court是麥肯錫全球資深董事，常駐達拉斯分公司；
Paul Willmott是麥肯錫全球資深董事，常駐倫敦分公司。
京公網安備 11010502049343號