一本讀透影響時代的七大技術

---

大數據實用指南 ——讓高級分析工具為你服務

鮑達民（Dominic Barton）和大衛·考特（David Court）| 文 魯志娟 | 譯

大數據及其分析工具已經火箭般躥升至企業日程表首位。借助數據開發能力，谷歌、亞馬遜以及其他公司建立起威力強大的新商業模式，這令競爭對手們黯然失色，更讓其他公司的高管們艷羨不已。他們還發現，大數據能夠從IBM和惠普等科技領頭羊那里吸引到可觀的投資。與此同時，私募股權基金和風險投資對大數據的投資也是一浪高過一浪。

雖然這一趨勢制造了不少噱頭，但我們認為，高層領導者們應該關注這一趨勢。大數據能夠改變企業的經營方式，能夠給企業帶來20世紀90年代那樣的業績增長；在當時，主要的增長動力來自對企業核心流程的重新設計。隨著數據推動型戰略占據主導地位，它將逐漸成為企業實現差異化競爭的重要方面。根據麻省理工學院教授安德魯·麥卡菲（Andrew McAfee）和埃里克·布林約爾松（Erik Brynjolfsson）的研究，那些將大數據和分析工具納入到經營中的企業，生產率和利潤率較同類企業高5%~6%（參見本期文章《大數據：一場管理革命》）。

盡管如此，我們了解的情況表明，多數企業并不確定如何推進大數據應用。企業領導者們對于大規模投資大數據和高級分析工具持狐疑態度，這點可以理解，因為他們認為自己的企業還沒有做好準備。這些企業可能尚未充分理解他們已經擁有的數據，或者他們在數據倉庫項目上浪費過一大筆錢，因為這些項目從來沒有和業務流程結合起來，再或者，他們現有的分析項目過于復雜抑或沒能帶來實用的見解，或者上述所有可能性都存在。難怪，人們對大數據會滿腹狐疑。

很多CEO們也回憶起在20世紀90年代中期，應用客戶關系管理系統（CRM）時的經驗。當時，CRM正受到熱捧。專家們會突然造訪董事會，承諾如果采用新的IT系統收集大量客戶數據，將帶來驚人的結果，但結果并非如此。很多高管們對新CRM在實施層面意味著什么盲然無知，比如，為了使用這些技術，企業需要進行復雜的組織流程調整，并對員工進行相應的技能培訓。這一技術承諾的業績增長往往相當滯后，因為新系統與公司、一線經理們的實際決策過程脫節，而數據管理帶來的新要求卻讓公司運營變得更加復雜。公平點說，多數公司最終還是讓CRM項目步入了正軌；但在這之前，一些公司已經遭受不小的損失，而一些CRM項目的支持者也因此喪失了職業發展的勢頭。

基于這樣的歷史背景，我們能理解那些對大數據持謹慎態度的高管們。不過，我們認為，現在需要專門確定一套關于大數據和高級分析工具的實用方法，集中于如何利用數據作出更好的決策。

從數據量最豐富的6大行業中，我們選擇了幾十家公司進行研究，結果發現，若想充分利用數據和分析工具，需要具備三種相互支撐的能力（參見圖表“如何從大數據中獲益”）。第一，企業必須能夠發現、合并以及管理多個數據源。第二，他們需要具備建立高級分析模型的能力，以便用這些模型來預測和優化結果。第三，也是最關鍵的一點，管理層必須具備讓組織轉型的能力，這樣一來，數據和分析模型才能真正帶來更好的決策。這些能力依賴于以下兩點：其一，一個關于如何利用數據和分析工具去競爭的明確戰略；其二，對合適的技術架構和能力進行安排部署。

同樣重要的是，為了達到期望的業務影響，必須在數據來源、建模和組織轉型方面三管齊下。這樣，企業可以避免常見的陷阱，即先拿到數據然后再問這些數據能為自己做什么。領導者們應該投入充分的時間和精力去協調組織內的所有經理人，讓他們通力合作來支持這項任務。

1. 選對數據

過去幾年，數據和建模領域出現了翻天覆地的變化，信息量增長迅猛，特別是來自社交媒體和傳感器這類新源頭的信息。通過合并數據來擴展認識的機會也越來越多，因為功能更強大、價格更低廉的軟件可選擇余地越來越多，人們幾乎可以隨時隨地地獲取信息。更多、更完善的數據可以讓企業以更全局、更具體的視角看待其商業環境，進而改善運營、客戶體驗及戰略。但是，　　企業要想掌控商業環境，需要調整其游戲規則，通過審慎且有創意的方式從現有數據中發現有用數據，并嘗試非常規的信息來源。

尋找數據源也需創造性 通常，企業已經擁有應對商業問題所需的各種數據，但是管理者只是不知道如何用這些信息作出關鍵決策。例如，對于每日或每小時工廠及客服數據，運營高管可能體會不到其中的潛在價值。首先，企業需要明確他們希望解決的商業問題或者希望抓住的商機，然后再更全面地審視信息來源。例如，一個銀行團隊希望改善客服運營效率，他們以一種360度的視野，將來自ATM交易、網上詢問、客戶投訴等方面的信息整合起來。這樣一來，他們可以發現那些冗余的互動模式，進而降低成本并優化客戶體驗。

在挖掘外部數據源及新數據源潛力這點上，經理人還得兼備創造力。社會化媒體以對話、照片和視頻的形式生成數千兆非傳統及非結構化數據（Unstructured Data）。此外，傳感器、監視流程以及包括本地人口統計數據、天氣預報在內的外部來源也能產生數據流。“如果我們擁有所需的全部信息，那么能作出什么決定？”，這一問題有助于我們以更開闊的思路去思考潛在數據。根據這一邏輯，某航運公司借助特制的天氣和港口可用性數據提高了船隊的準點率，而之前他們并不知道可以獲得這些數據。

在這點上高管們要做表率。一家大型貨物包裝公司的CEO告訴我們，他把數據視為是一項戰略資產，當評估潛在收購交易時，他會計入其價值。不過，各個層級的管理者也必須習慣通過新方法來收集并有效地使用信息。隨著互聯網時代商業實踐的不斷演變，環顧一下外部環境，企業往往能從中獲得靈感。例如，某家公司的財務高管可能會從Kabbage這樣的公司中獲得靈感。作為一家初創公司，Kabbage主要為互聯網企業提供運營資本貸款。為了降低貸款擔保所需的時間，Kabbage要求企業主也參與進來，提供他們的客戶反饋評級、Facebook互動信息以及電子運輸記錄。那些客戶評級最高且業務量最大的公司能獲得更多貸款。

必要的IT支持 落后的IT架構可能會阻礙新型數據的獲取、存儲和分析活動。現有IT構架可能會阻礙孤島信息整合，并且管理非結構化數據通常超出了傳統IT技術的能力范圍。很多落后的系統只能批量傳送數據，因此不能為實時決策提供源源不斷的信息流。

徹底解決這些問題往往要數年的時間。不過，商業領袖們可以與首席信息官合作，列出優先需求，解決短期內的大數據需求。這意味著，快速識別、連接最重要的數據并運用到分析工具中，之后對重復數據進行校準、合并等清理工作，然后再處理缺失信息。這一短期策略可能會讓公司求助于專門提供分析服務或新興軟件的供應商。新的云技術也有助于成比例地提高或降低計算能力，以較低成本、滿足大數據的要求。運用所有這些方法，我們能夠建立起IT基礎架構，從而，通過促進合作、快速分析和試驗來推動創新。

2. 建立業務結果預測及優化模型

數據很重要，但業績改善和競爭優勢卻來自于分析模型，因為分析模型能夠讓經理人預測和優化結果。更重要的是，最有效的建模方法并不是從數據開始，而是要先發現商機，然后再考慮如何通過模型來改善業務表現。

遺憾的是，并非所有模型構建都遵循這一路徑。比如，僅僅使用數據挖掘這一種方法會導致不一致的結果。吸收海量數據集能讓企業進行多次數據測試，發現潛在模型，但是如果經理人不能有效地利用其中的關聯性來提高業務表現的話，是不會有所收益的。純粹的數據挖掘通常只是在無窮盡地搜索數據的真正含義。

某公司曾以一種更有針對性的策略來優化復雜的產品定價過程。其核心內容是一個基于產品的歷史價格彈性、銷售數據、競爭對手的反應及其他變量而制定的模型。為了提高成功概率，該公司在建模之初會預測哪些因素會影響銷售量（例如，競爭對手的定價和促銷），之后考慮哪些數據和模型能給商業決策帶來最有用的洞見。我們發現，這類假設導向型的建模方法能更快產生結果，并且由于模型根植于實際數據，它更容易被經理人理解。

要切記的是，任何建模實踐都有內在風險。盡管高級統計方法毫無疑問會帶來更好的模型，但是統計學專家設計出的模型有時過于復雜、不具可操作性。例如，一個有30個變量的預測模型可能會十分精確地解釋歷史數據，但是管理如此多的變量會讓多數組織感到力不從心。公司應該不斷思考一個問題，“能夠提高業務表現的最簡單模型是什么？”

3. 轉變公司能力

高管們最擔憂的是，他們的經理人不理解或者不信任基于大數據的模型。某大型零售商希望通過模型來優化廣告支出回報，但是，盡管進行了大量投資，該模型并未被投入使用。原因很快就找到了：做關鍵性廣告支出決定的一線營銷人員并不相信該模型的結果，并且完全不熟悉其運作模式。

很多公司都遇到了類似的問題，這往往是因為組織現有文化和能力與成功運用分析工具所需的新技巧不一致。簡而言之，這個新方法與公司實際做決策的方式不一致，或者它們未能提供一個實現商業目標的明確藍圖。那些工具似乎是為建模專家設計的，而非一線人員，鮮有經理人認為，那些模型足夠吸引他們，以至于他們想運用這些模型，這是導致新模型無法滲透到組織內部的主要因素。歸根到底：大數據應用需要在組織上進行審慎的調整，以下三大措施可以幫你實現這點。

開發實用且與業務相關的分析工具 就像客戶關系管理軟件早期的不幸遭遇那樣，大數據和分析工具早期執行時屢屢失利的原因在于，它們與公司日常程序和決策規則不符。之前提到過一家希望優化價格的公司，它的做法可以啟發我們如何去規避那些常見的問題。這家公司首先成立了一個分析工作組，工作組與負責定價和促銷的經理們召開了一系列會議，以便更好地了解他們在制定價格時會作出哪類決定，以及這些決定最終給收入和客戶的去留帶來什么影響。為了讓自身行為與公司大目標一致，經理人需要作出一些商業判斷，模型設計者們會向經理人了解判斷的類型。這些談話確保定價分析工具及其產生的場景工具能對現有決策過程做補充。模型能夠幫助公司實現最終目標：隨著產品推出步伐加快，更有效地管理產品價格和銷售量之間的關系。

將分析融入到簡單工具中，供一線人員使用 若要在日常工作中應用這些新模型和運算法則，經理人需要顯而易見的方法。要改善企業營銷、風險管理和運營，不可避免地，要用到數千兆數據和成熟的模型。其關鍵是，把統計專家、軟件開發商與經理人區分開來，因為后者才是數據結果的使用者。例如，某大型工業公司試圖更好地預測勞動力需求，以反映本地市場變化。從歷史上看，由于該公司試圖將勞動力成本維持在低位，所以它經常會發現，公司在一些市場上人手不足，導致出現大量的延期成本以及服務混亂的局面。

為了糾正這一問題，該公司召集了一個由分析師和IT程序員組成的小型工作組，他們開發出一系列預測模型，基于假期時間、缺席情況和勞動合同的規定，預測出員工可以工作的時間。這些模型包括數百萬的新數據點，涉及到很多地方的數千名員工。但是，工作組并沒有把這樣的海量數據和復雜模型直接交給經理人，而是開發出一個簡單的可視化界面，突出顯示了預期的勞動力需求和必要行動。最終，這種通過一個簡單的工具進行復雜性分析的方法，提高了勞動力規劃效率，并降低了招聘新員工的需求以及對現有員工的加班需求。

發展大數據應用能力 即使有了簡單且實用的模型，大多數組織還需要提高他們的分析技能和素養。經理人必須將分析工具視為是解決問題和發現機會的關鍵，將它融入到日常運營中去。每家公司的目標和預期時間表各不相同，所需付出的努力也各異。實地操作加課堂學習的方式往往更能讓成年學習者獲益，這樣，他們可以參與到現實世界基于分析工具做出的工作決策中去，邊干邊學。

有一家工業服務公司，其大數據應用的使命是讓大約200名銷售經理使用基本的分析工具。在培訓開始時，每位銷售經理領到的現場任務是閱讀一份簡短文件，然后收集基本的市場事實。之后，這些經理人集中起來接受培訓，在培訓過程中，他們要搞明白如何利用分析工具和市場現狀去改善銷售業績。然后，他們回到工作崗位中，將學到的知識應用到實際工作中去。數周之后，他們再集中到一起，進行過程評估，接受指導，學習對數據進行二級分析。最終，在整個銷售管理組織中，通過四人小組建立起了數據應用能力。通常，調整文化和思維定式需要多管齊下，包括培訓、領導者的表率作用以及通過激勵手段等來強化某些行為。某大型消費品公司就成功地應用了這一方法。它創造了一套復雜程序，和零售商一道提高了促銷支出的盈利能力。該程序包括，在管理層的帶領下，對銷售代表進行培訓，并向他們提供新的促銷分析工具。不過，在大規模推出該程序不久，這套程序及分析工具的應用就宣告失敗了。其原因在于，他們遇到了這樣的障礙：公司針對銷售經理的激勵政策和報告規定追蹤的是銷售額與銷售增長率，而非利潤。因此，銷售經理們認為這一以利潤為中心的程序過于官僚化，與他們的核心銷售目標無關。在與經理人進行一系列談話之后，該公司重新推出了這套程序，提供了針對利潤改善的新激勵政策，并為與利潤相關的數據量身打造了報告規定。盡管目前還需要持續的訓練和輔導，但這些努力逐漸改變了人們的思維定式，促銷分析工具目前被用于促進利潤率增加這一共同目標上。

大數據時代風云變幻 但是，高管們并不需要對公司進行大調整，而是應該集中力量進行數據篩選、建模以及組織文化的轉型。這些努力有助于保持公司的靈活性。這種靈活性很重要，因為隨著信息以及信息管理和分析技術的不斷發展，各種機會將源源不斷地涌現出來。隨著越來越多的公司學會大數據應用的核心技術，在不久的將來，培養一流的數據應用能力可能會成為一項具有決定性意義的競爭資產。

鮑達民是麥肯錫公司董事長兼全球總裁。 大衛·考特是負責麥肯錫公司高級分析工作，辦公地在達拉斯。