在過去的十年中，數字分析技術的進步改變了企業的運營方式。從營銷，定價策略到客戶服務和制造業，高級分析現在是許多公司職能的核心。但是，戰略還沒有達到這樣的程度——至少現在還沒有。
盡管戰略制定始終需要富有創造力和思想的高管來設立志向并做出大膽的選擇，但分析工具可以給企業帶來優勢。高級分析可以用來完成以下任務：
• 在分配資源之前，你先要調整戰略獲得成功的可能性，從而減少決策中的偏見。
• 發掘新的增長機會以揭示增長的隱患，其方法使用傳統的頭腦風暴以外的方法。
• .發現早期趨勢，其方法是實時記錄業務環境的發展狀況，以便你可以先于競爭對手采取重大舉措。
• 預測復雜的市場動態，其方法是生成巨大影響力量的專有洞察。
這些應用程序中的任何一個都可以增強業務領導者對競爭領域以及如何定位自己以取得勝利的看法。但這需要將高級分析作為戰略流程的重點。
減少決策偏見
當Daniel Kahneman和Amos Tversky認為，即使是經驗豐富的計劃人員也往往低估了完成項目所需的成本和時間，他們將這種現象稱為“計劃謬誤”。他們認為，這種趨勢是由于人們根據手頭案例的具體情況和他們的個人經驗和直覺(通常稱為“內部觀點”)做出預測而產生的，而沒有考慮到類似案例結果的分布情況(因此，許多預測都過于樂觀。兩位合作者繼而提出了一種稱為“參考類別預測”的糾正程序，其中涉及用來自類似案例的參考類別的真實結果或“基本比率”的數據對內部觀點進行補充。
這項技術在過去20年獲得了令人矚目的應用，數百篇文章重點介紹了該方法在學術和實踐環境中的應用。迄今為止，此類調整在很大程度上僅限于項目管理領域，但是在戰略規劃期間做出的預測也面臨著類似的挑戰。戰略計劃也涉及估算各種投資的未來成本和收益，對這些決策能產生影響的外部觀點也同樣具有價值。
在最近出版的《曲棍球球棒以外的戰略(Strategy Beyond the Hockey Stick)》(由威利出版社于2018年2月出版)一書中，我們介紹了使用數據分析在戰略中引進外部觀點的想法。由于采用了外部觀點，你可以先估算該戰略的成功幾率，然后再為該策略分配資源。例如，如果你的目標是在下一個十年中每年增加1億美元的經濟利潤，而你知道僅有35%的大公司在十年內成功實現這一目標，這則消息對你難道不是很有用嗎?還有，如果我們告訴你實施計劃性并購戰略并在生產率提高方面名列前五位的公司，實現該利潤目標的可能性要提高1.5倍，難道你不會考慮在戰略工作中優先考慮這兩個領域?
我們經常采用這種方法來根據數以千計的上市公司的數據來調整戰略和業績方面的期望。該方法可用來激發大膽的戰略行動，而在某些情況下，這表明如果沒有非常強大的執行力就不可能實現雄心壯志。例如，有一家能源公司看到了這種方法，那時它意識到其計劃戰略僅在10%的歷史案例中實現了他們所針對的經濟績效。這個戰略實在太保守了。這導致該公司重新評估了該計劃并采取了更宏大，更大膽的戰略舉措，這將提高他們實現預期收益的可能性。另一個極端情況是，有一家材料工業公司制定了這樣一個戰略，即在某個數據庫中只有5%的公司能夠成功執行。強調這一雄心壯志有助于證明為該計劃的交付確立嚴格的執行力管理和績效管理基礎設施的重要性，而這有助于降低市值80億美元的投資風險。
發掘新的增長機會
高級分析還可以增強戰略規劃，其方法是發掘其它情況下很難發現的增長機會，這些增長機會可能是極具吸引力的行業領域和收購目標，新產品或服務的構想，甚至是用于現有產品的新應用程序。這些算法中最高效的方法是使用復雜的網絡分析和自然語言處理來解析和查找數百種不同的文本數據源之間的連接，這些文本數據源包括公司說明，專利申請，并購數據和學術論文。
例如，有一家專門生產溴化化合物(主要用于洗滌劑等商品化學領域)的公司掃描了有關此類化合物的所有公開信息(包括逾1.2億項專利和1億篇學術出版物)，以發現數百種對其產品的潛在的新應用。該組織優先考慮了30種利潤率更高的應用(例如利基醫療設備)，這些應用最終共同為其增長計劃帶來了5000萬美元的收入。同樣，當另一家專門研究高性能材料的公司想要分析墊片和絕緣材料領域的增長機會時，它使用文本聚類算法和網絡分析來確定五個聚類中的45個潛在增長領域，每個聚類中都有值得收購的公司。
發現早期趨勢
最先進的人工智能引擎可以實時分析跨越數十億網頁，專利申請，新聞來源，臨床試驗報告，收益電話記錄等的公開可用信息。只要在這些不同的數據源中找到模式就有助于主管人員發現新興趨勢，例如，通過測量數據中術語出現頻率的變化來發現趨勢。
以一家制造公司試圖決定投資哪種電動汽車電池技術為例。這并非微不足道的決策，因為僅資本支出一項就將耗資數十億美元，而且有可能使該制造商長年使用某項特定技術。了解相關趨勢如何發展以及何時使用特定技術就有可能會擁有明顯優勢，這家公司的高管將因此而受益匪淺。他們可以通過近乎實時地跟蹤專利和學術出版物的發展勢頭，公告以及跨不同技術的投資來獲得這些洞察。他們還可以跟蹤相關的法規變化，例如刺激電動汽車需求的零排放車輛法規或在鋰電池能得到集中供應的國家的本地保有量規則。
這些實時工具中的一些工具還可以執行“情感分析”，這種情感分析使用受過訓練的算法根據事件或主題，所涉及的公司以及與每個公司相關的正面或負面情緒對新聞和社交媒體內容進行分類。尋求短期市場效率低下因素的量化投資者使用此類數據為交易提供信息。制定戰略的公司也同樣可以利用此類分析并及時了解客戶情緒或信譽風險。
在充滿不確定性的世界中，公司必須在制定和管理戰略計劃方面靈活多變。這就要求將眾多管用且不會令人遺憾的舉措結合起來，而且可以進行一些更宏大，更大膽的博弈，一旦執行團隊感到滿意，有利的情況就漸漸彰顯。只要使用高級分析來跟蹤新興趨勢，你就可以先于競爭對手觸發這些偶然的舉措。
預測復雜的市場動態
通過接近現實世界的行為，數學建模和仿真可突出顯示與各種戰略選擇相關的重要權衡和假設，預測不同情況下的市場需求并幫助管理人員理解和預測競爭對手的反應或客戶行為。當前可用的建模方法包括系統動力學，基于智能體的仿真，蒙特卡洛分析以及一系列機器學習方法。這些模型在評估復雜的市場和競爭情況時特別有用，因為在這些情況下，管理直覺不足以充分說明許多相互依存的各方的行動所產生的影響。
不妨考慮一下某電力運營商的經驗，該運營商使用詳細的能源流動模型，根據未來能源組合(風能，太陽能，核能)的不同方案來制定資本支出戰略。該模型考慮了10000多個變量，包括所有電網資產，當前和未來發電能力及其概況，預期的負荷分布及其概況以及進出口能力。然后，概率優化引擎進行了4000萬次迭代，使該電力公司能夠確定如何以這樣的方式部署數十億美元的資金，即最大程度地減少停機時間和成本，同時確保電網能產生可靠的電力容量。結果就是該公司節省了約5億美元。
模型在分析具有許多獨立實體的系統時特別有用，在這些系統中，行為無法在總體級別上預料到，因為行為是由眾多對象(例如客戶或競爭對手)的相互作用和選擇以不可預測的方式演變而來的。在這種情況下，戰略制定者可以求助于所謂的基于智能體的建模和仿真。這些工具為每個業務代表分配一組決策規則，然后根據每個業務代表可用的信息來模擬其選擇。行為以通常使用更傳統的自上而下模型無法預測的方式從系統中“衍生”。
盡管基于智能體的建模通常用來對動態的社會行為，流行病和自然系統進行建模，但它尚未廣泛應用于戰略中。但是，在充斥著客戶，競爭對手或供應商的市場中運營的公司(例如電子商務和數字生態系統)可以發現這種模型很有價值。例如，有一家消費品公司使用這種方法來開發一個集成的市場模型，以捕獲客戶，供應商和競爭對手的行為。然后，它使用該模型來了解新產品的發布以及競爭對手的定價策略將對其產品的需求所產生的影響。
相較于大多數公司職能，戰略尚未抓住高級分析的優勢，錯過了潛在的重要洞察。只要利用這些技術來補充團隊創造力就可以從根本上改善戰略成果。
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