1.1　為何數據分析會在產生成效前流產

就在兩三年前，數據分析負責人的最大挑戰還是使管理團隊了解到大數據的潛力，找到人才建立模型并構建恰當的數據橋梁，將企業內外通常是孤島的數據庫連接起來。但當他們在努力規模化應用爭取成績的時候，新的挑戰又出現了（見圖1-1）。

圖1-1

資料來源：McKinsey analysis.

首先，規模化應用需要投資，即使是為了獲得分析成果所需的投資，許多上層管理者仍不愿在這上面下賭注，因為早期的努力并沒有獲得顯著回報。很多情況下，他們在前期會關注開放性的研究，從大數據中探尋新的商業洞察。那些數據分析供應商和數據科學家也會支持，因為他們希望在數據上跑遍所有的分析方法，試圖從中尋金。很多高管都聽過他們的豪言，“只要把數據給我們，我們就可以找到推動你的企業發展的新模式和新洞察”。

這些開放性的實踐確實會有新的發現，但缺乏規模效益。比如，一位汽車制造商的高管最近投資了一個新項目，希望了解如何通過社交媒體改善對新產品的計劃和銷售預測。數據分析的結果雖然展現了客戶偏好的各種有趣細節，卻沒有對如何改進公司的產品預測提供太多指導。高管們總能找到類似這樣的例子，尋找到有趣的用戶行為模式的早期努力不能轉化為可執行的計劃，因此并不會對公司的業績產生實質的影響。結果就是，上層主管通常不愿對數據分析規?；瘧眠M行進一步的投入，包括分析中心、工具、培訓。

其次，基層管理人員和商業用戶常常會對數據分析能否改善決策缺乏信心。其中就有人曾經抱怨過這些工具像個黑匣子，管理人員無法理解分析結果或是它們給出的建議。當他們不相信分析，特別是當分析工具不易使用或者沒有嵌套在工作流程和進程之中的時候，他們會回歸到傳統的經驗上，這種現象完全可以理解。比如，在銷售客服中心，員工并沒有使用產品推薦引擎，因為他們不知道這些工具是如何得出推薦結果的，而且使用起來也不方便。而當這些工具升級改善之后，既說明了推薦算法的工作原理，又改善了用戶交互界面，接受度就有了大幅的提升。

最后，一個公司的核心流程也可能成為妨礙復雜分析（sophisticated analytics）充分發揮作用的因素。對于那些“以數據分析起家”的公司，例如亞馬遜和Facebook，其核心業務流程，如定價、廣告服務和供應鏈管理都是建立在自動數據分析基礎上的。這些企業還建立了自動化的大數據處理系統和吸引分析人才的成熟招聘程序。

但是在更多傳統企業里，企業的管理審批流程跟不上數據分析的進步。比如，擁有實時數據和自動定價引擎是非常好的，但是如果管理流程的設計是每周定一次價，那么企業就很難享受到這些新技術帶來的全部優勢了。而且，企業如果不能最大化利用這些技術，將會有落后的風險。