革命并不是悄然而至——它已经在进行中。在管理科学中，大数据分析的革命正在改变公司组织、运营、管理人才和创造价值的方式。这种程度的变革少不了高层领导者的介入，接受这一机会的首席执行官将增加公司取得长期成功的可能性。那些忽视或低估这种巨变的最终影响的人并没有为他们的组织做好过渡准备，而这样做是危险的。

 

我们不难看出分析如何被委派或降低优先级的：首席执行官们需要为绩效和与分析相关的所有可能性担责，当下的领导者都报告了令人沮丧的结果。事实上，在我们调查一群致力于大数据分析计划的公司的领导者时，其中有四分之三的人说他们在收入或成本方面的改善不到1%。承诺和报酬之间存在的一些脱节可能归因于少计(undercounting)——部分的总和并不总是一目了然。具有讽刺意味的是，“大数据”分析的结果往往是数千个(或更多)在整个系统范围内逐渐实现的细微改进。单独而言，这些收益中的任何一个都可能看似微不足道，但是当人们总体上考虑这些收益时，它们能产生相当大的影响。

 

然而，不足之处不仅仅是看法上的问题，陷阱是真实存在的。至关重要的是，由分析实现的转型既涉及到文化变革，涉及到是分析数据和将高级工具落实到位。通用电气的首席执行官Jeff Immelt承认：“这就是我搞错的事情，我原以为这完全取决于技术。我原以为，如果我们雇用了几千名技术人员，如果我们升级了软件，或诸如此类的事情，也就这么回事，但我错了。产品经理必须与众不同，销售人员必须与众不同，现场支持也必须与众不同。”

 

致力于改变这一秩序(却想知道组织迄今为止在数据分析之旅中取得的真正进展)的首席执行官首先要鼓励顶级团队与他们进行坦诚布公的讨论。这包括清晰地评估最基本的东西，包括公司的关键价值驱动因素、组织现有的分析功能，以及最重要的事情——你当初致力于分析的目的。本文提出问题(但不是捷径)以帮助公司的高级领导者确定进度以及他们要为组织做出什么样的变革来实现高级分析的承诺。

 

 

Immelt通过见证和引领这场革命得出了这个结论。通用电气的首席执行官敏锐地意识到，到21世纪，商业和媒体的数字化使得少数美国互联网企业家能获得消费领域几乎所有的市场价值。为了工业界在未来十年上线时避免出现类似的颠覆，Immelt正在推动这家拥有124年历史的公司的文化和商业模式发生根本的转变。仅今年通用电气就花了10亿美元来分析燃气轮机，喷气发动机、石油管道和其它机器上传感器的数据，目标是到2020年将软件产品的销售额增加两倍，达到约150亿美元。为了理解这些新数据流，该公司还在创建一个名为Predix的基于云的平台，该平台将自身的信息流与客户数据相结合，并将信息流提交到分析软件，这些软件能通过大幅改进的预测性维护降低成本并延长正常运行时间。做到这个需要雇佣数千名新软件工程师和数据科学家，重新培训成千上万的销售人员和支持人员，并从根本上将通用电气的业务模式从与服务授权相结合的产品销售转向基于结果的订阅定价(subscription pricing)。Immelt说：“我们希望在未来20年像将过去50年的材料科学一样将分析视为公司的核心”

 

为了进一步了解高级分析不断增长的力量，我们还要考虑消费电子原始设备制造商(OEM)怎样在本来就增长缓慢的市场中提高速度。公司付出了极大的努力将以前在几百万设备和来源的孤岛中收集的1,000多个变量中的信息汇总起来(产品销售和使用数据、渠道数据、在线交易和服务票据，以及来自Acxiom等第三方供应商的外部消费者数据)。挖掘这一集成的大数据集使得该公司能够将精力集中在十几个未实现的商机，在这些商机中，投资模式或流程中的转变将真正成功。公司凭借一系列新的，细致入微的洞察——最有可能增加销售、减少客户流失和改进产品功能的洞察，公司在第一年实现了4亿美元的增量收入增长。随着成功的建立，领导层已经开始从根本上反思了他们应该如何从事新业务的开发以及最高管理者未来需要什么功能。

 

 

虽然前景一片大好，但大多数公司(除了亚马逊、脸书、谷歌、网飞和优步等少数数字原生代(digital native))迄今为止仍在努力实现其对大数据、高级分析和机器学习投资的少量收益。很多组织仍然专注于经典的大规模IT基础架构计划，它们尚未掌握创建干净、强大、关联数据(linked data)资产的基本任务;创建从这些数据中获取洞察所需的功能;并创造领导和指导所有这些有目的的行动所需的管理能力。

 

尽管如此，类似的痛苦也标志着之前的每一次重大技术转变。我们还处在痛苦的早期：尽管世界上有大约90%的数字数据(digital data)是在过去两年中产生的，但只有1%的数据得到了分析。这些分析通常是作为个别的一次性实验(精巧的实验)进行的，但为数不多。实际上，在很多公司中，分析举措似乎更像是不起眼的科学展览项目，而不是尖端商业模式的核心。

 

但是要产生重大突破就要对模型进行彻底改进，而这些突破的进展速度只会不断加快。随着计算机处理能力和云存储容量的膨胀，世界目前的数据洪流变成了一股潮流。到2020年，约有500亿台智能设备以及数十亿个智能传感器接入联网，确保全球数据的供应量每隔一年就翻一番。

 

 

这一切发展状况都确保了人们有大量的数据要分析。几乎按照定义，大数据分析意味着人们要深入信息杂草丛(information weed)，并以技术的复杂性(technical sophistication)来处理数字，技术的复杂性看起来如此高深，以至于高层领导只想着“把它交给专家”并退出对话。但谈话是值得拥有的。当由数据实现的洞察深深地融入文化中，以至于洞察所带来的预测和良策推动了公司的战略和运营，并重塑了组织实现这些预测和良策的方法，由分析实现的洞察的真正力量就产生了。将分析从战术洞察领域扩展到业务核心并非一朝一夕的事情，但好处可能是巨大的。例如，试想一下：

 

有一家全球航空公司将来自多个操作型系统(包括与飞机位置和航空公司位置相关的系统)的数据拼接在一起，以更准确地确定航班在出港或到达登机口时发生延误的时间和原因。航空公司先进的预测算法能够量化行李处理不当等事件的连锁影响，并帮助建立一个系统，实时对主管人员发出警报，以便他们能够在潜在问题发生之前做出反应。影响：过去12个月内航班延误减少约25%。

 

试图推动集成了大量信息的全球快消品公司将各种信息(包括金融、促销、甚至与天气相关因素)整合到一个数据源中，然后开发复杂的算法来理解增量效应(incremental effect)——在细致的级别上基于此来源而变化的效应。筛选不同的数据并从头开始积累，使公司能够发现有关其整体竞争格局的宝贵洞察，例如最佳价格点和新产品的商机。影响：一年内毛利润增加数千万美元。

 

有一家制药公司正在使用分析来阻止临床试验成本的上升。该公司在过去五年中耗费数了十亿美元进行了数百次试验后将100,000多名介入医疗过程的患者参与者(patient participant)的信息与来自财务和人力资源的运营数据相结合。制药公司在这些数以千万计的数据点中已经查明哪些位置最高效，哪种患者筛查技术(patient-screening technique)提高了“通过率(pass rate)”，以及如何最佳地配置自己的团队。例如，制药公司对电子邮件和日历数据所做的分析强调了这样一个事实——改善团队领导者与临床手术中两个特定角色之间的协作，这是预测延误最重要的因素。预期结果：成本节省超过10%，质量更好。

 

案例可谓不胜枚举：无数案例表明：流失率降低了，欺诈减少了，数据收集改善了，营销和客户获取的投资回报更高了，以及预测性维护增强了。目前，只有少数技术领域以外的领导者真正用数据对组织进行转型。但其实可以有更多这样的领导者。为此，我们指出了公司领导者必须准备好深入探讨的五个问题。

 

 

如果企业的工作不集中在对公司选择方向最为重要的领域，那么企业会浪费大量精力收集数据并从数据中挖掘洞察。成功的大数据和高级分析转型都始于你对自身价值驱动因素和能力(而不是竞争对手价值的驱动因素和能力)的评估，以及你对未来理想状况的格局的构想，一个与广泛的业务战略和关键用例相一致的格局。提出正确的问题是关键的第一步。应该从大问题开始：“这样的机会有多大?如果我通过高级分析获得了额外的洞察，我可以节省多少钱?我可以得到多少额外收入?”而且他们应该快速细化问题。为了构建和制定正确的假设，一线管理人员必须在整个过程中与分析专家一起参与。

 

例如，消费电子原始设备制造商的计划演练促使团队提出了几个问题：“谁是我们最有价值的客户，我们如何与这些客户建立联系，我们谈什么?我们如何推动一系列产品和服务的交叉销售?哪些产品功能推动了最高的使用率或互动，以及我们如何促进更高的采用率?“在一家一流私人银行，类似演练中的问题包括：“我们如何日复一日地设置数以千计的最优价格点?每天又如何设置数以千计的价格点?哪些客户最有可能流失，哪些客户最有可能积极响应我们的挽留，哪种挽留工作最有效?”

 

 

公司在回答此类问题时往往会在收入增长、客户体验、风险管理等领域以及高级分析可以产生明确改进的地方确定10到20个关键用例。用例和试点项目在自我评估和对收益的预期影响的基础上得到了分级和排序。通过具体指标和基准测量每个用例的影响，突出显示所需的数据并使一切步入正轨。

 

关键的基础步骤是克服使用现有数据的障碍。这项工作可能包括清理历史数据、整合多个来源的数据、打破业务单位和职能之间的孤岛、设立数据治理标准以及确定生成新的内部数据的最重要的机会所在——例如、通过添加传感器、或者在赌场的例子中，即通过安装网络摄像头来评估豪赌的投注行为。

 

大多数公司(即使是那些拥有丰富内部数据的公司)也会认为说它们要更大范围地挖掘结构化和非结构化外部资源。当一家面向新兴市场的保险公司决定成立一家新的P4P(点对点借贷)初创公司时，该保险公司意识到，分析潜在客户在各种平台(包括社交网络)上的数据和活动可以做出更好的信贷决策。

 

所有这些数据最终都可以汇集到更多可共享、可用的资产中，例如新的“数据湖泊”。因为所有努力解决遗留IT系统缺点的人都知道，理顺根基并不是一朝一夕的事情。成本最终可能达到数亿美元，但这些投资的全部影响在一两个季度中并不总是显而易见的。但这并不意味着你要等很多年才能获得价值。这使得提出下一个问题变得更加重要。

 

 

与所有转型一样，数据和分析之旅分阶段进行。在基础还没建立前就要从奠定基础和创建分析功能开始，这很重要。或者，正如我们的一位客户想起公司的成功的分析转型时所回忆的那样：“我们要先学会走路才能奔跑。然后我们拼命地奔跑。”

 

为了在快进模式下巧妙地迈进，消费电子原始设备制造商创建了一个临时数据架构(interim data architecture)，致力于构建三个“洞察工厂(insights factory)”并为这些工场配置人员，这些工厂可以为最高优先级的用例生成可操作的推荐项目。虽然进一步的基础投资继续并行不悖，但由早期的试点项目支持的这些工厂能够快速取得成果，使他们在很大程度上自筹资金。关键是要通过迭代的、基于假设的(hypothesis-driven)建模周期，从数据收集快速转向“做数学运算”。像这样迅速取得成功有助于打破孤岛，在多疑的一线经理中激发热情并赢得支持。即便这有效，在孤立的状态下工作的数据科学家开发的“黑匣子”往往也会成为遭人拒绝的把柄。最终用户要了解基本假设以及如何应用模型输出的东西：模型所做的推荐是否具有约束力，或者是对偏差是否具有灵活性?它是否会直接集成到客户关系管理等核心工具中，或是成为额外的叠加物?什么显示效果对一线人员最有用——一般来说，一旦数据产生，最简单的数据就是最好的数据吗?即使在收集数据并建立模型之前，试点项目也应该以回答这些问题为目的。

 

一旦建立了概念验证并且意见开始在董事会上得到讨论，那么尽可能快地扩大规模至关重要，这可能要注入人才。为了应对孤立的挑战，践行最佳实践的公司不可能只挑一两个专业人员的资料就雇佣他们。在我们最近对700多家公司的调查中，我们发现15%的营业利润增长与大量聘用数据和分析专家有关。

 

 

在最近对500多名高管进行的一项调查中，我们得出了一个令人沮丧的发现：38%的首席执行官自我报告说他们正在领导公司的分析议程，其他高级管理人员中只有9%同意这一说法。相反，他们将首席信息官或其他一些管理人员和真正的重要人物等同起来。用《铁窗喋血》中狱卒的话来解释就是：我和你们岂止是无法沟通;这事关你们言行不一。

 

虽然首席执行官和管理团队的其他成员不必成为数据科学方面的专家，但至少他们必须熟悉大量新术语和流行语(Hadoop、遗传算法、内存分析、深度学习和类似的)并在高层次上理解各种算法模型的局限性。除了高层不断放出的关于分析是优先事项和对成功的公开庆祝等信息外，提出建议和在各种学习机会中露面等小小的迹象也会引起共鸣。

 

当然，首席执行官可以树立的最重要的榜样是确保在公司的最高管理层之间进行正确的对话。首先要确保合适的人员一个都没有落下并获得授权，然后通过这样的方式继续——直接干预和质疑，以确保从基于经验的决策到基于数据的决策的顺利过渡：结论是否进行了A/B测试?我们采取了哪些措施来提高我们进行快速成型(rapid prototyping)的能力，测试、学习和实验的能力，以不断地参与谷歌的首席经济学家Hal Varian所谓的“产品改善(product kaizen)”?

 

 

非首席执行官不能领导的最重要的转变是重组，使先进的分析成为每个核心流程的中心。事实上，最终愿望是将“分析”这一独特术语从公司的词典中抹去。数据流经整个组织，分析应该有组织地跟随这些数据。通用电气公司的Immelt说：“我认为它以一种积极的方式感染了我们所做的一切。”

 

然而，即使是中枢神经系统也需要大脑——一个中央分析中心或卓越中心。如果没有专门的团队和领导者(无论是明确委以此任务的首席分析官、首席数据官或其他高管)，公司难以创造一种能够吸引和培养顶尖人才的独特文化。但与此同时，与核心团队相关联的个人也应该驻扎到不同的业务部门中，就像财务职能所做的那样。我们发现，使用混合模型的公司的高管所公布的由影响(收入和成本方面的分析所产生)比其他受访者公布的影响更大。

 

还有哪些角色、技能和结构是必需的?显然，扩大分析规模需要招募和留住足够多的世界一流的数据科学家和建模者。以外包模式购买这些人才是那些仍处于旅程探索阶段的公司仅有的选择。但是，举一个例子，挺过了压力测试的大多数银行都创建了独立的内部部门，这些部门有自身的汇报关系(reporting line)，负责不断测试和验证这些模型，以最大限度地降低假性相关(spurious correlation)风险。我们相信这种方法对非银行机构也是有意义的。

 

为了将模型的输出内容(无论有多灵活)转化为有形的商业行为，公司还要有足够的“翻译人员”，因为只有人才能够将业务部门的需求与建模者的技术技能联系起来。不要认为这样的“二项全能”领导者很容易找到。根据我们的经验，高管们经常报告说，吸引和留住具有分析技能的业务用户实际上比招聘那些走俏的数据科学家这件事本身更难。除了声势浩大的招聘外，赢得这场人才大战还需要下重本培训和改进人力资源分析。

 

一般而言，大多数组织都在这方面投资不足——创建有助于一线管理人员将数据集成到日常流程中的界面简单易用的直观工具。我们的经验法则：为了获得最高回报，将分析投资大致分成两半，一半用于构建更好的模型，另一半花费在工具和培训上，以确保一线人员能使用新生成的洞察。在很多公司中，这个比例仍然只接近80%比20%，甚至更糟。

 

除了大数据和分析外还有一个更广泛的转变正在发生，因为机器人、机器学习算法和“软人工智能(soft AI)”系统(如IBM的Watson)承担了越来越多过去由人工执行的任务。2016年初，由谷歌旗下的英国公司DeepMind开发的AlphaGo系统出人意料地在古老的围棋游戏中击败了一位著名的冠军人类棋手。为了备赛(不同于国际象棋，围棋棋局的排列组合比宇宙里的沙子还要多)，AlphaGo通过玩无数轮游戏来训练自己，从而实现了路径优化策略(path-optimization strategy)。

 

随着数据和分析的使用加入机器学习，人工智能的界限越来越模糊，人类可以从一个几乎确定无误的事实获得安慰：自1997年后国际象棋中证明了这一点，当时IBM的深蓝击败了Garry Kasparov，这是新的“顶尖棋手”。Go既不是人类也不是机器，而是人类与机器协同工作。掌握如何利用这种组合可能是首席执行官要应对的终极管理挑战。

 

科幻小说家Arthur C. Clarke曾说过“所有足够先进的技术都很难与魔法区分开开来”。我们尚未达到这一水平。但随着大数据时代让位于高级分析和机器学习的时代，我们正在进入一这样一个时代，在这个时代里，数据分析的能力将实现几乎像魔法一样的预测能力。

 

就像其它历史性转变一样，当现代的枪支“颠覆”弩时，掌握新技术的人与不熟悉新技术的人之间的竞争将是激烈的。但适应的好处是鼓舞人心的，因为劣势很明显。在未来的岁月里，坦诚地应对这些挑战，相应地对组织进行转型并将这些近乎神奇的功能无缝地应用于世界上最复杂，最关键的问题的公司和机构就能实现我们想都不敢想的价值创造。