吉宁讲师观点 / 培训讲师谈管理 / 培训讲师谈管理:为什么IT把分析搞砸了

培训讲师谈管理:为什么IT把分析搞砸了

吉宁博士 2015年12月12日 培训讲师谈管理

 理解人们如何创造和使用信息至关重要

  为了从内部和外部资源中获得的海量数据里提取出有用的见解,很多公司不惜在IT工具上大下血本,并且礼聘数据科学家。然而,多数公司未能取得令人满意的回报。这是因为,他们对待大数据和分析项目的方式与对待所有其他IT项目无异,并没有意识到它们完全是两码事。


  对待一个IT项目的传统方式是,致力于按时、按计划、在预算内完成项目的建设和部署,比如安装企业资源规划(ERP)系统和客户关系管理(CRM)系统。当进行流程再造时,信息方面的要求和技术细节都在前期设计阶段就确立了。尽管我们听到过很多的失败案例,但是,如果项目目标是改善业务流程,并且公司能有效管理接下来的组织变革的话,这一方法还是奏效的。


  但是,我们不止一次发现,即使这些项目提高了效率、降低了成本并提高了生产力,高管们依然不满意。原因在于:一旦系统运转起来,没有人会注意到,如何利用它所生成的信息做出更好的决策,或者获得关于关键业务方面的更深入、或许是意料之外的真知灼见。


  例如,一家保险公司安装了一套自动理赔处理系统,这可能会显著提高理赔效率,但它同时还会生成一些信息,然而,没有人能说清楚或者预见到这些信息的用途。利用这些新数据,该公司可以建立各种模型,来判断诈保的可能性。它可以利用汽车传感器上实时收集到的诸如驾驶速度、转弯、刹车和加速数据,来区分有责任心的司机和心不在焉的司机,从而评估出发生交通事故的可能性,并据此调整保费费率。然而,仅仅安装上系统,并不能令该公司自动获得这些认知。


  我们对不同行业的50多家跨国公司进行研究后,找到了另外一种应对大数据和分析项目的方法,这套方法能让公司以新的方式对数据进行持续性开发。该方法关注的重点不是技术部署,而是信息挖掘。它没有将信息视为是一种存在于数据库中的资源——这适用于设计和实施传统的IT系统,而是认为是人类自己使信息变得有价值。


  因此,理解人们如何创造和使用信息至关重要。这意味着,项目组中不仅需要精通工程学、计算机科学和数学方面的人才,也需要精通认知科学和行为科学的人才。这也意味着项目规划不是整齐划一的。 部署IT分析工具相对简单,而知道如何去应用它们则不是那么一目了然。开始时,没有人知道这些工具能够支持什么样的决策,以及它们能帮助解决什么问题。


  所以,不应该像对待传统、大型IT项目那样对待大数据或者分析项目,传统IT项目的目标、需要完成的任务以及详细实施计划都是明确的。而后者可能是规模更小、时限更短的动议。之所以启动它们,要么是奉命去解决一个问题,要么是为了抓住某人嗅到的一个机会,项目会设计一些数据可能解决的问题,发展一些假设,然后通过重复试验,获得知识、增进理解。我们找到5条指导原则,可帮你完成这一发现之旅。


以人为本

  以人为本


  很多IT工具和大数据方案投资背后的逻辑是,让经理人以更快的速度获得更高质量的信息,会提高他们的决策水平,帮助他们解决问题,并获得有价值的洞见。这其实是一种误区,它忽略了一个事实,那就是无论这些信息有多好,经理人们都可能弃而不用。他们有各种各样的偏见,以及可能不具备有效使用信息的认知能力。


  现实情况是,包括经理人在内的很多人,与数据打交道时都会感到不自在。任何基于信息的方案必须要认识到这点。它必须以人为本,即那些能从信息中找出意义的人。它应该就他们在得出结论以及做决策时是否使用数据提出挑战,敦促他们依靠正式分析而非直觉做决定。它应该质疑他们就客户、供应商、市场和产品所做的假设。


  一家欧洲化工产品制造商的目标就是实现这种思维模式转型。我们姑且将这家公司称为ChemCo,该公司通过兼并实现了迅速增长,新上任的CEO希望对客户有一种前后一致的看法。他还希望各级经理和员工利用数据提高他们对业务的理解,更有效地做决策。


  他和高管团队都提倡,利用数据推动和创造可用的信息,使之成为日常业务的一部分。他们认为,马上建立一个大型CRM系统会传递出错误信息,即一个新系统会改变经理人使用和分享客户信息的方式。他们还担心这一方案会被看成是一个单纯的IT项目。一位高级经理人表示,“我们需要明确的是,希望各级经理人以一种基于证据的方式工作——这也是他们应该的工作方式。”


  ChemCo采取的第一步是,将各部门现有的数据分析师集中起来,成立信息支持小组。每个小组负责跟踪一到两个业务部门,深入了解他们的决策和信息需求,然后帮助他们改善获取和使用数据的方式。起初,小组成员会跟随员工去拜访客户和供应商,以了解在与客户会面时会涉及哪些信息,如何使用这些信息,哪里信息不足,在什么情况下这些信息能够帮助或者阻碍完成一项任务。之后,每个小组与直接面对客户的员工一起举办研讨会,告诉他们所了解到的东西,提供改善信息传递的思路,然后获得反馈。


  基于研讨会的内容,小组成员会开发出各类信息报告的范本,并与业务部门一道去实践。鉴于大脑更容易处理视觉信息,小组将图形、图表和屏幕格式都纳入到范本内。这些实验显示出员工是否吸收了信息,他们表现出的行为以及最终能否在业务上成为赢家。只有到了这个阶段——当公司就员工如何使用信息有了深刻认识后——才在整个组织内大规模推行CRM系统。


  ChemCo并没有对该系统做太多个性化修改,与其他公司通常的做法无异。但是,它相对更清楚需要收集和保留什么信息,以及如何应用这些信息。由于销售员从一开始就参与了进来,他们强烈感受到基于证据的工作方式的必要性。


  随着销售和服务部门的员工对新信息的使用更加有效,经理人们在考虑如何修改客户数据库,以便为他们更好地提供支持。随着时间推移,CEO鼓励所有业务部门销售和信息应用行为进一步标准化,为发展出对客户的一致看法奠定了基础。他的口头禅是:“我们认为(think)这是真的,还是我们知道(know)这是真的?”这些业务部门发现了他们所不了解的客户信息,并知道哪些销售行为会产生糟糕的客户互动并导致业务流失。随着公司改善了与客户的互动模式,收入实现了增长,进而促使销售员们希望获得更多、更高质量的客户和销售信息,以提高业绩,进而形成了一个良性循环。


释放IT价值之道:强调信息应用

  释放IT价值之道:强调信息应用


  当你提出方案,试图从现有系统或新数据源中提取信息时,你肯定知道这个过程是多么的混乱和复杂。人们不会凭空想象,而是基于自身知识、思维模式和经验来考虑问题。他们还会以不同方式使用信息,这取决于所处环境。例如,一个组织的文化能影响人们如何做决定、合作和分享知识。此外,人们对信息的使用是动态和重复的:感知到一个潜在问题或者机会,决定所需信息,然后收集、组织和解读这些信息,形成一个循环。


  传统的IT开发方式忽略了这些现实。多数IT系统在设计时都考虑到了那些被认为重要且可控的数据,以这种方式,从复杂的真实世界中抽象出数据,然后创造一套正式且符合逻辑的数据处理规则,从而简化了系统设计并提供明确的结果。这种方式适合高度结构化的活动,其任务表述精确,比如处理客户订单的活动。理想的情况是,将信息从人类范畴转移到技术范畴,这样一来,公司就可以利用电脑超强的处理能力,尽可能的去除人类的参与。


  问题是,很多组织都错误地应用了这种设计哲学:将数据从技术领域提取出来放入人类领域的活动中,以便转化成有用的信息——在这种情况下,该方法往往都会以失败而告终。就经理人而言,这是因为他们的角色通常是复杂的,且毫无秩序可言。即使当一个组织试图找到他们的信息需求时,也仅仅是管中窥豹,不能反映出他们工作的纷繁程度。有时一个经理人需要数据来支持一个具体的、有限制的决策,有时他会寻找一些模型,能显示新业务机会或者暴露出问题。他必须有能力同时建立起这两类知识。


  不仅是经理人们感到传统方式无法提供满意的服务,很多知识型员工也有同感。例如,一位在航空引擎制造企业工作的工程师,不能寄希望于,单凭诊断软件就能利用大量引擎性能数据判断出问题所在。这位工程师必须具备相当多的专业技能和知识,发现数据中的关联性并就数据提出问题,这往往是通过对假设进行检验进行的。在解读任何分析结果时,他或她必须依靠经验去除误导性或错误性解释。一位工程师告诉我们,他有着30年的振动分析经验,但是仍然在学习如何筛选和解读数据。


  成功的分析性项目要去挑战并改进信息应用方式、问题解答方式以及决策方式。下面是一些具体方法。


  提出二阶问题。与其建立一套系统帮助销售人员轻松地回答“今天我们应该在货架上放什么东西?”,不如询问“有没有更好的方法帮助我们如何补充库存?”该项目基于的假设是,通过提出二阶问题——即问题之问题——决策者们可以改善其运营方式。


  看看你拥有哪些数据,没有哪些数据。避免受制于容易获得的数据和系统,因为这些内容只是基于业务运营的特定假设和逻辑而获得的。它们过去可能是正确的,但这些系统很有可能并没有随着商业和竞争环境的变化而同步进化。很有可能大量的数据被困在部门孤岛上,比如研发、工程、销售和服务运营部门等,并没有得到开发利用。例如,在很多金融机构中,多条业务线之间并不共享数据。这妨碍了公司就单个客户建立起一个连贯的看法,也阻碍了公司了解客户群与市场趋势之间的关系。


  赋予IT项目组重新界定业务问题的自由。以开放的心态,用新的视角去看问题之后,诸如英国、以色列等国家的央行官员们发现,广义的经济趋势和消费者在谷歌上搜索洗衣机、有氧运动课程、轿车和其他奢侈品的行为之间,有着很强的相关性。这一想法首先出现在谷歌总部。在那里,一位内部经济学家开始探索,某些关键词是否可以预测出传统经济报告得出的结论。该研究论文被央行经济学家们竞相传阅,引起了他们的兴趣。


  我们发现,IT项目通常并不鼓励人们用新方法解决老问题。这种缺乏创造性的做法通常源于对数据及其商业价值的短视看法。为了避免这种心态,一些组织已经采取诸如头脑风暴、假设暴露及测试等技巧。我们看到越来越多的网上探索论坛,在这些论坛上,公司各层员工都被邀请进来,就市场状况、新客户趋势和开发这些知识的新方法贡献点子。


为IT项目组配备认知和行为科学家

  为IT项目组配备认知和行为科学家


  多数IT专家具有工程科学、计算机科学和数学背景。毫无疑问,他们普遍非常具有逻辑性,擅长流程思考。他们往往更关注IT中T(技术)的部分,而不是I(信息)。在诸如处理金融交易或零售交易这类任务时,这些是理想的技能。然而,如果目标是为知识探索提供支持的话,那么这些技能就会成为阻力。


  为了解决这个问题,很多公司在IT项目组中增加了熟知商业知识的人,让IT专家参与复杂的商业问题,并雇佣更多的数据科学家。但是这些举措还不够。当你和大数据组打交道时可能会发现,你选择的任何变量之间都存在具有统计学意义的关系。只有商业知识才能把你拉回到现实中来。困境在于,在另一方面,这类既有的知识也可能会限制你的思考范围。


  出于这个原因,大数据及其他分析项目需要精通认知科学和行为科学的人。他们了解人们在开发解决方案、商业点子和知识时,会如何看待问题、应用信息和分析数据。这种转变反映了经济学领域内向行为经济学的转型,即应用社会心理学、认知行为学方面的知识,对人们在市场和经济体中的行为形成新的认识。


  如今在一些组织里,大数据和分析项目中已经包括一些有上述知识背景的人。英国税务海关总署近期雇佣了组织学方面的心理学家,帮助分析团队提高信息解读能力,比如,让他们清楚自己的偏见:他们搜集或解读信息时倾向于去验证之前的假设。其中的一个偏见是,某些收债方式只对某一类纳税人奏效。


  英国税务海关总署的领导者意识到,除了要清楚业务如何运作——例如,哪类案件要上庭,需要哪些程序,以及为什么某类案件输了——之外,数据科学家们还需要了解税收员的固有思维模式,以及欠税者的行为(例如,为什么欠缴税费的人当中,有些人在被起诉前补交了欠费,而有些人没有这么做)。组织学心理学家在这方面可以提供帮助。他们还与检查员(税务调查人员)和呼叫中心的员工(负责与纳税人谈判)一起工作。


  如果组织希望员工在思维和决策时更具数据导向,那么必须对员工进行训练,让他们知道什么时候需要使用数据,以及如何设计问题,建立假设,进行实验,以及解读结果。多数商学院目前并不教授这些,这点应该改变。


聚焦于学习

  聚焦于学习


  相比IT方案,大数据及其他分析项目更像是科学研究和临床试验。他们通常从感知问题或潜在机会着手,而这些可能只是来自某个人的直觉。之后他们往往会就某一结果或效果的存在发展出理论,产生假设,识别相关数据并进行实验。


  这个“感知-分析-发现”周期可以重复多次。因而,项目期可能从几个小时到半年多不等,具体取决于业务的复杂程度,外部和内部数据是否容易获得及数据质量,实验性质以及采用的分析技术和工具。但是,相对传统IT项目而言,这种渐进式、循环结构以及相对短的持续时间,使得成本更容易控制。


  组织可以通过以下几点让学习成为大数据和分析项目的核心:


  提倡并促进信息分享文化。组织中的多数学习发生在团队内部以及同事之间的互动中。因此,培养一种合作文化至关重要,在这种文化中,透明、信任和分享能激发经理人和数据科学家们贡献出他们最好的点子和知识。在一个信息不能自由分享、失败和错误被掩盖起来的环境下,动议不会产生知识。


  我们研究的一家金融服务公司建立了一个“数据实验室”,将不同部门的经理人和数据科学家们聚到一起,在一种探索和学习的环境下解决一些具体问题,没有日常工作的压力。在各个成员间的坦诚对话中,对数据和商业点子的新解读浮现出来。


  暴露出你的假设,偏向和盲点。愿意重新审视你已经接受的商业实践,提出诸如为什么、是什么、怎么样,这类问题。通过发展和检验假设,探索你知道和不知道的事物边界。


  努力展示因果关系。分析工具的终极目标是在数据中发现关联性和有意义的模型。比如,一些有可能造成某些结果或与某些结果相关的因素。因此,很重要的一点就是透过表征去解决关键所在,诸如我们试图解决的问题是什么?它们的根源是什么?哪些因素造成了某些结果?我们如何改变等问题。


  例如,英国税务海关总署每年会接到大约30万份遗产税报税单,其中大约有20万份报税单都声称低于遗产税起征点。由于报税单数量庞大,该机构无法识别出哪些是需要上缴更多税金的报税单。因此,它试图通过挖掘数据之间的关系,找到这类报税单。从之前标记出的不准确报税单追溯回去,英国税务海关总署的雇员建立起一套理论,研究哪些因素可以显示出纳税人少申报了税。从这些理论出发,他们建立了假设,并用历史数据进行检验。多次重复检验后,该机构发现,将房产所有权和交易数据、公司所有权、贷款、银行账户、工作履历以及从公开和私人渠道得到的纳税记录合在一起,能有效地发现欺骗性报税单。通过这些数据,该机构建立了一个模型(仍在微调中),能够预测哪些地产拥有税务负担。有些报告没有税务负担但具有某些特征的房产,目前成为了该机构进一步详细调查的对象。这一努力大大增加了税收收入。


  发现适宜的技术和工具。数据科学家和分析师有自己青睐的技术和数据来源。经理人们在决定如何处理新数据时,必须清楚这些技术和数据来源的优势和劣势。


  制药业就遇到了这种挑战。制药业在运用监测技术降低成本和改善药物试验质量方面还处于初期阶段。获得美国食品和药品监督局(FDA)对某种药物的批准需要近10亿美元,还要对数百例病人(如果不是数千例的话)进行试验。过去,医生们主要通过在办公室内定期与试验参与者会面的方式来监控试验。运用如今的技术,比如在病人体内植入感应器,可以让医生无时不刻地对参与者进行监控,捕捉病人对该疗法适应情况的实时数据,以及药物疗效及其副作用的数据。


  制药公司面临的挑战是找到一些方法,分析这些信息,并判断出哪些信息是真正有用的,哪些只是干扰而已。这要求他们开发出模型和模拟场景,就药物的疗效得出可信且科学的结果,从而能为FDA所接受。


  分析技术和对照实验是思考的工具。但是真正进行思考和学习的是人本身,因此经理人们应该随时做好准备,乐于亲身参与到重复的流程中去,从而获得业务洞见。尽管可能会有一些惊喜时刻,但是当点子和洞见快速涌现出来时,更多时候,经理人们——而非仅仅是数据专家和分析师们——必须重新思考问题,对数据提出挑战,并把他们的预期放在一旁。


更关心如何解决业务问题,而非技术部署

  更关心如何解决业务问题,而非技术部署


  传统的IT项目管理是风险规避型,它把精力都放在应对新系统成功部署后所面临的威胁上。与之相对,专注信息应用和大数据的项目,并不十分在意管理技术部署风险,而是将更多精力放在解决业务问题上。这样做是合理的。


  想想我们研究的一家欧洲电力产品零售商,它希望给所有门店的销售助理配备iPad,主要目的是提供在销售过程中可能用到的产品信息。门店经理和销售员们还可以在iPad上安装销售计划和产品陈列图,并根据促销和营销推广活动不断对这些内容进行更新。该项目应对的一个关键业务问题是,店内销售技巧并不总能获得成功。


  为了评估改善销售员与客户互动关系这一想法的效果,该零售商进行了对照实验,销售员将各种产品信息以不同风格介绍给客户。起初,这一实验导致店内使用iPad的计划被推后,项目延期、预算超标的风险增加。


  在研究中,我们将人员与事件的关系视为是信息应用的主要推动力。人们通过信息了解社交互动(例如,销售对话对不同客户群体的作用),了解相互关系(例如,不同客户群体如何对某种产品陈列形式作出反应)。只有人们理解了这种内部联系,才有可能提供相关信息。尽管在门店内适宜位置摆放iPad很重要,但是项目的重点还是改善公司销售经理和销售员用信息推动销售的方式。


  组织长期以来都希望,IT技术能够通过自动交易、精简信息流和存储数据(用于之后信息回顾)等方式掌控数据。传统的IT部署方式完全能做到这些。然而悖论就是,原本有助于管理数据的技术现在却造成了数据泛滥。在试图去挖掘内部和外部数据时,组织可能犯这样一个错误:当需要一种完全不同的方式和思维模式时,他们还在沿用传统方式。


  提高企业挖掘数据价值的能力,需要的不仅仅是分析性工具。更重要的是要营造一个环境,人们能够利用公司数据和自身知识改善企业运营和战略绩效。在这个新的范式下,经理人的首要目标是发现能令组织获益的机遇,识别出给组织带来风险的未知因素。(鲁志娟/译 邓勇兵/校)


  唐纳德·马钱德是瑞士洛桑国际管理发展学院战略执行和信息管理教授。


  乔·帕德是英国克兰菲尔德大学管理学院信息系统教授。

 

About 吉宁博士

真正的实战派企业培训师,长期致力于人力资本、公司行为、市场营销、企业战略及领导力发展等组织实践与研究,数十年来参与及主持过的管理咨询项目累计逾千次;受邀主讲过的各类企业培训课程累计逾万次。