大数据“掘金”的九个洞察

杰基清 米克尔·哈格斯特罗姆 阿里·利巴里亚 哈立德·利福

全球每天都有数十亿部手机、传感器、支付系统和相机等设备催生出指数级增长的数据量，可以说，大数据和高级分析的时代已经到来。错失高级分析带来的代价颇高。最有远见且敏捷的企业竞争优势最大，而落后的企业将会逐渐衰落。数据分析不应仅仅是企业首席信息官（CIO）的职责。虽然，CIO的专业知识非常丰富，但其对全盘业务缺乏充分理解会导致错失重大机会，也缺乏推动公司进行高级分析变革的权力。因此，高级分析工作一定要由首席执行官（CEO）和业务部门领导共同参与指导，才能加快企业内部变革步伐，同时保证投資决定的科学性。麦肯锡研究发现，这种模式已经逐渐形成常态：超过一半的CEO认为自己在牵头管理企业的高级分析工作，而且这一比例还在稳步增长。

麦肯锡就高管领导高级分析的现状访问了300多名优秀企业的高管。本文提炼出九个深刻洞见，帮助管理者推动企业高级分析的变革工作。

洞见1：厘清高级分析背后的逻辑

高级分析可以创造新机会，从而颠覆行业，但很少有高管能够厘清这一现象背后的逻辑。“在高级分析渐成主流的大趋势下，企业的五年愿景是什么？与之对应的，我们要如何重新定义商业模式、企业文化、投资组合和价值主张？”全球的CEO们都该考虑这些问题。高级分析的崛起会颠覆许多行业的主流商业模式，对于CEO来说，当务之急是厘清背后的逻辑。除了对现有商业模式重新定位，那些重视发展高级分析能力的领先企业还在积极探索如何创造并把握新机遇。企业也从单纯的囤积数据转变为共享数据。一些企业将数据汇集工作视为行业联盟的必要部分，以此丰富数据库的同时也赋予了数据更高价值。一些过去专注于产品的企业开始把数据和分析作为增值服务添加到产品中打包销售。部分企业走得更远：他们向客户提供付费分析服务，而不是直接销售产品。例如，某喷气发动机厂商已经把标价单位从发动机的台数改成了飞行时长，这项战略转型得以落实主要依靠从接入发动机的传感器直接获取数据，实时监控发动机使用情况，确保维修维护工作及时开展。

这一洞见有两方面值得企业深思：第一，在解读高级分析能力的潜力和长期趋势之前，企业应充分理解，其将如何颠覆现有商业模式？可以从领先行业学到哪些先进经验？如何通过迭代商业模式更好满足客户需求？第二，以数据为切入点开始抓住新机会，分析数据价值、了解数据的不同之处、洞察其价值、学会与其他资源结合实现增值。然后，企业方可认真思考其商业模式。一个简单的入门方法是对市场上的数据分析类公司和同业深入考察，了解其动向，由此诊断企业当前的市场定位和竞争方式，并在生态系统中找准长期方向。

洞见2：明确高级分析应用领域和价值创造的方法

只有通过在实际业务问题中运用大数据分析和高级算法设计出优化的解决方案，高级分析才能真正为企业创造价值。企业可以通过对可实施的使用案例进行识别、衡量、优先级排序，搭建一个可以持续创造价值的高级分析战略。例如，某国际消费品公司的CEO表示，通过在收入增长管理、供应链优化等业务领域应用高级分析和机器学习，企业实现了多达40亿美元的收入增长。

然而，能够对公司业务和职能部门有如此详细的价值洞察的高管实在寥寥无几。访谈中我们听到更多是类似的观点：

“有时候我们更多像是为了分析而分析，要说具体是在创造什么样的商业价值我们自己也是云里雾里。”不少企业都是浅尝辄止，缺乏通盘考虑，而能真正思考如何将分析能力变现的企业更是少之又少。在缺少全局视野的情况下，企业领导人很难制定出可靠的商业方案，同时也难以传达高级分析能力的重要意义，而这恰恰是驱动企业下决心开展高级分析变革的关键。

对这种情况的建议是：与高管团队明确高级分析能带来最有前景的价值来源。首先，企业要确定价值链中最具潜力的部分。例如对于消费品公司来说可能是产品开发或库存优化；对于保险公司来说可能是风险模型。然后根据公司规模提出相应数量的可行使用案例，大公司可能达到上百个，小公司可适当减少，并分析数据和技术能力可以扮演怎样的角色。对每个使用案例进行外部对标以衡量其价值。最后按照使用案例的经济效益、适配性、可行性和实现速度等条件进行优先排序。

洞见3：数据分析的难点是如何获取正确的数据

随着数据科学渐入主流，有不少商业分析和代码共享平台纷纷推出算法库和分析工具产品，这还是没有解决如何利用这些分析工具的问题。在访谈中，某工业企业高管反复重申一点：“我们把大量时间花在了数据获取上，一旦能够获取并准确储存这些数据，建模就是立竿见影的事。”

每个数据集都是独特的，准备分析数据需要时间，其中关键问题是公司内部很难就什么是“单一事实来源”达成共识，不同部门经常采用各自方法衡量同一个指标。例如，销售部门可能会通过交易总数来衡量产品销量，而运营部门会通过库存增减来衡量。大多数公司尚未将实时数据纳入日常业务流程，部分公司还没有确定自身真正所需的数据。企业还面临着如何统一标准实现数据集互通（例如交易数据和客户档案）、提高数据质量和数据可用性等常见挑战。对这一点的建议是：数据是一片汪洋大海，同时还在呈现指数级增长。为避免翻船，企业高管必须将数据战略与分析战略相结合。在探索新数据源时高管要牢记从特定使用案例出发，并思考数据的来源是商业供应商还是开源，对业务数据的熟悉度是企业实现数据变现的第一步。企业要不断提高数据质量，落实企业治理和商业流程，确保所有获得授权用户的直接访问数据的权限，鼓励优秀的数据和元数据实践，自动构建数据协调过程，不断验证新数据是否符合质量标准。企业可以选择在集中式存储库（又称“数据湖”）中实现不同数据集互联。同时企业要化繁为简，避免为所有历史数据构建数据湖这样耗时数年的行为。麦肯锡建议企业应从优先使用案例所需的数据开始，再逐步添加其他数据，数据构建始于已有数据，避免过度追求完美而作茧自缚。

洞见4：数据所有权和访问权需要民主化

企业拒绝采用与直觉相违背的高级分析洞见的最常见理由是基础数据无效。避免这一问题的前提是由业务部门负责数据质量，同时授权业务负责人随时访问数据。具备卓越分析能力的企业会尽可能提供数据访问权限，同时确保内部统一“单一事实来源”的定义，帮助员工共同使用数据，群策群力，与时俱进。某大型制药公司的CIO对麦肯锡表示：“向公司全员公开数据，是消除业务部门和科技部门之间互相推诿职责的关键”，这种做法有利于在企业中贯彻数据驱动的决策思维。

对这一点的建议是：企业应设计有效的数据治理方案，落实权责，指定负责数据定义、创建、校对、管理和验证的牵头部门，如业务、科技和分析中心等。同时对数据采取“业务主责，通用访问”的双重原则。即使储存和支持数据的是科技部门，业务部门也应当对数据负主要责任。企业还可以创建数据利用平台，便于前线员工轻松自助提取数据的服务门户，同时举办数据利用教程，提升全员对数据分析的认知水平。

洞见5：变革管理和数据科学同样重要

企业内传统的工作方式素来根深蒂固，包括对分析工作的潜在不信任。高管们亟待解决的一个关键问题是，如何说服一线员工利用高级分析获得的洞见改变其决策方式。通用电气前CEO杰夫·伊梅尔特对麦肯锡表示：“一开始我以为，增加几千名技术人员，再升级软件就可以解决这个问题。事实证明我错了，产品经理、销售人员和一线支持人员必须一起改变。”

业界不乏成功案例，而成功的一项必要前提是高管要公开、坚定地支持高级分析能力建设。某高管曾向麦肯锡介绍业务部门负责人怎样通过高级分析工具处理库存数据，每周呈送领导班子会议，指导所有渠道经理采取相应行动。

同时，企业必须重视把这些洞见融入日常工作流程。另一位高管谈到，企业内部的销售人员对分析模型结果不屑一顾，而依赖于直觉判断。于是他指导团队重新设计了工作流程，“隐藏”分析推介系统的步骤，销售团队只需看到终端建议并依此执行。

对这一点的建议是：只有当员工理解改革，并把自己看作是改革力量的一部分时，他们才真正接受改变。因此，在设计高级分析解决方案时要以用户为本，在最初环节就要引入业务部门的参与，最好搭配一位既懂数据科学，又理解如何落实于业务应用的“翻译”，全程主导使用案例开发。企业要做到人尽其才：业务人员识别机遇，数据科学家开发算法，用户体验设计师塑造交互界面，软件开发人员专注开发原型，流程工程师实施修正工作流程，变革小组执行落地。企业要为每个使用案例设计一套战术手册，抓好培训和沟通。除了单个使用案例之外，企业还要设计一份宏观层面的改革方案，培养高级分析能力，驱动企业范围内的整体数字化转型。

洞见6：学习关注指标，然后衡量再衡量

如果缺乏明确衡量高级分析能力价值的指标，又无法保障内部顺畅沟通，企业很难为其对分析能力的投资提供有力支持和佐证。而由于分析能力通常应用在支持决策制定，很难与其他计划分隔来看，所以对分析能力的量化评判更难实现。

一个有效的衡量策略一般包含具体的指标并直接关联于业务绩效。对于正在制订的具体分析使用案例，企业应该检视其相关联的业绩指标，并判断这些使用案例对实现业绩做出了多少贡献。例如：成功的分析运用能够降低2%的客户流失率，那么这一举措为公司节约了多少成本？

对这一点的建议是：企业可以建立包含所有关键业绩指标的绩效仪表盘，并关联数据库实现自动更新，轻松掌握实时动态。在此基础上，企业必须相信数据。

洞见7：放诸四海而皆准的流程

在此要强调两条原则。其一，分析功能应集中化以确保最佳实践落实；其二，应由承担利润目标的业务部门负责推动实现高级分析的价值，一旦开发出了解决方案，业务部门高管就要肩负起创造价值的责任。

高级分析的最佳运营模式是什么样的？核心问题在于集中化负责数据分析的卓越中心（COE）和业务部门应如何分配职责。事实上，只要使用得当，每一种模式都可以成功。麦肯锡近期一项研究发现，分析部门的组织模式与其成效之间几乎没有相关性。重点在于高级分析的运营模式应该与商业模式协同一致。

对这一点的建议是：企业领袖应评估高级分析的决策权位置：到底是在总部还是在业务部门，基于此设计一个充分利用现有结构优势的分析组织模型。对于已经存在的卓越中心（COE）则需要评估其效用，包括：决策速度有多快？分析解决方案有否足够业务的投入？这些解决方案是否捕获了预期价值？

洞见8：要关注数据科学家和“转译人员”

高级分析人才市场依旧紧张，大多数接受采访的CEO均表示自己的企业已经雇用了数据科学家，反而现在更需要的是精通分析的商业专家，也就是我们提到的那些能发现机遇、构建问题、制定解决方案并掌控变革的“转译人员”。某CEO对麦肯锡表示：“要找个会做生意的业务人员或者通晓技术的软件工程师不难，真正紧缺的是那些既懂业务又会技术的人才。”可见这一问题的关键是要找到能够理解和处理数据，并能将数据转化为价值的人才。

对这一点的建议是：找准一批有统计学、计量经济学等数理背景的优秀人才，然后设计有针对性的培训项目来强化他们的分析能力。培训课程不应局限于数据科学，还应包括领导力和管理技能用来领导端到端的使用案例识别和实施，同时引领文化变革。课程设计要结合在职培训、面对面授课和在线复习等授课方法，并授予毕业认证。通过这类举措，企业可以形成统一的内部沟通方式和标准。

洞见9：实现重大创新的捷径是培养数据驱动

企业总是报喜不报忧，成功时总是大张旗鼓，遇到困难就习惯遮遮掩掩。与此同时，许多初创公司和敏捷型企业则遵循数据驱动、测试和学习相结合的文化准则。公司高层在明确愿景之后，乐于鼓励员工探索新机会，快速完成概念证明，然后用数据说话。这一过程的关键在于迅速产生非直觉的新观点，测试后进行决策取舍。此时，企业可以尽快坦然地公布失败信息，并从中汲取利于再次迭代的经验。诚然，短时间内并不要求企业所有部门都做到这一点，但对那些致力于打造分析卓越中心并保持领先地位的业务及职能部门来说，这么做至关重要。

对这一点的建议是：企业可以采用沙盒模式。顾名思义，这种模式的可塑性很强，用户可以快速进行拆建。沙盒模式可以提供有效发现新功能、运行相关性测试并执行分析的工具、技术和计算机能力。当出现新的信息和需求时，企业也可以快速拆除旧框架，无需再走一遍冗长的数据安全性、合规性和清理流程。

全面转型要求企业全体业务部门围绕共同的战略愿景进行变革，打造基本功和转型動力。这一过程通常需要两到三年的时间，因此，企业采取行动的时间窗口已经十分紧迫。这是一个不进则退的境地，落后的企业很难翻盘，正如某CEO说的，“现在已经不是大鱼吃小鱼的时代，而是快鱼吃慢鱼的时代。”

本文作者杰基清是麦肯锡前咨询顾问。米克尔·哈格斯特罗姆是麦肯锡前咨询顾问。阿里·利巴里亚是麦肯锡驻纽约分公司的全球资深董事合伙人。哈立德·利福是麦肯锡驻纽约分公司的全球董事合伙人。