吉宁博士观点
大数据及其分析工具已经火箭般蹿升至企业日程表首位。借助数据开发能力，谷歌、亚马逊以及其他公司建立起威力强大的新商业模式，这令竞争对手们黯然失色，更让其他公司的高管们艳羡不已。他们还发现，大数据能够从IBM和惠普等科技领头羊那里吸引到可观的投资。与此同时，私募股权基金和风险投资对大数据的投资也是一浪高过一浪。
虽然这一趋势制造了不少噱头，但我们认为，高层领导者们应该关注这一趋势。大数据能够改变企业的经营方式，能够给企业带来20世纪90年代那样的业绩增长；在当时，主要的增长动力来自对企业核心流程的重新设计。随着数据推动型战略占据主导地位，它将逐渐成为企业实现差异化竞争的重要方面。根据麻省理工学院教授安德鲁·麦卡菲（Andrew McAfee）和埃里克·布林约尔松（Erik Brynjolfsson）的研究，那些将大数据和分析工具纳入到经营中的企业，生产率和利润率较同类企业高5%~6%（参见本期文章《大数据：一场管理革命》 ）。
尽管如此，我们了解的情况表明，多数企业并不确定如何推进大数据应用。企业领导者们对于大规模投资大数据和高级分析工具持狐疑态度，这点可以理解，因为他们认为自己的企业还没有做好准备。这些企业可能尚未充分理解他们已经拥有的数据，或者他们在数据仓库项目上浪费过一大笔钱，因为这些项目从来没有和业务流程结合起来，再或者，他们现有的分析项目过于复杂抑或没能带来实用的见解，或者上述所有可能性都存在。难怪，人们对大数据会满腹狐疑。
很多CEO们也回忆起在20世纪90年代中期，应用客户关系管理系统（CRM）时的经验。当时，CRM正受到热捧。专家们会突然造访董事会，承诺如果采用新的IT系统收集大量客户数据，将带来惊人的结果，但结果并非如此。很多高管们对新CRM在实施层面意味着什么盲然无知，比如，为了使用这些技术，企业需要进行复杂的组织流程调整，并对员工进行相应的技能培训。这一技术承诺的业绩增长往往相当滞后，因为新系统与公司、一线经理们的实际决策过程脱节，而数据管理带来的新要求却让公司运营变得更加复杂。公平点说，多数公司最终还是让CRM项目步入了正轨；但在这之前，一些公司已经遭受不小的损失，而一些CRM项目的支持者也因此丧失了职业发展的势头。
基于这样的历史背景，我们能理解那些对大数据持谨慎态度的高管们。不过，我们认为，现在需要专门确定一套关于大数据和高级分析工具的实用方法，集中于如何利用数据作出更好的决策。
从数据量最丰富的6大行业中，我们选择了几十家公司进行研究，结果发现，若想充分利用数据和分析工具，需要具备三种相互支撑的能力。第一，企业必须能够发现、合并以及管理多个数据源。第二，他们需要具备建立高级分析模型的能力，以便用这些模型来预测和优化结果。第三，也是最关键的一点，管理层必须具备让组织转型的能力，这样一来，数据和分析模型才能真正带来更好的决策。这些能力依赖于以下两点：其一，一个关于如何利用数据和分析工具去竞争的明确战略；其二，对合适的技术架构和能力进行安排部署。
同样重要的是，为了达到期望的业务影响，必须在数据来源、建模和组织转型方面三管齐下。这样，企业可以避免常见的陷阱，即先拿到数据然后再问这些数据能为自己做什么。领导者们应该投入充分的时间和精力去协调组织内的所有经理人，让他们通力合作来支持这项任务。
1. 选对数据
过去几年，数据和建模领域出现了翻天覆地的变化，信息量增长迅猛，特别是来自社交媒体和传感器这类新源头的信息。通过合并数据来扩展认识的机会也越来越多，因为功能更强大、价格更低廉的软件可选择余地越来越多，人们几乎可以随时随地地获取信息。更多、更完善的数据可以让企业以更全局、更具体的视角看待其商业环境，进而改善运营、客户体验及战略。但是，企业要想掌控商业环境，需要调整其游戏规则，通过审慎且有创意的方式从现有数据中发现有用数据，并尝试非常规的信息来源。
寻找数据源也需创造性 通常，企业已经拥有应对商业问题所需的各种数据，但是管理者只是不知道如何用这些信息作出关键决策。例如，对于每日或每小时工厂及客服数据，运营高管可能体会不到其中的潜在价值。首先，企业需要明确他们希望解决的商业问题或者希望抓住的商机，然后再更全面地审视信息来源。例如，一个银行团队希望改善客服运营效率，他们以一种360度的视野，将来自ATM交易、网上询问、客户投诉等方面的信息整合起来。这样一来，他们可以发现那些冗余的互动模式，进而降低成本并优化客户体验。
在挖掘外部数据源及新数据源潜力这点上，经理人还得兼备创造力。社会化媒体以对话、照片和视频的形式生成数千兆非传统及非结构化数据（Unstructured Data）。此外，传感器、监视流程以及包括本地人口统计数据、天气预报在内的外部来源也能产生数据流。“如果我们拥有所需的全部信息，那么能作出什么决定？”，这一问题有助于我们以更开阔的思路去思考潜在数据。根据这一逻辑，某航运公司借助特制的天气和港口可用性数据提高了船队的准点率，而之前他们并不知道可以获得这些数据。
在这点上高管们要做表率。一家大型货物包装公司的CEO告诉我们，他把数据视为是一项战略资产，当评估潜在收购交易时，他会计入其价值。不过，各个层级的管理者也必须习惯通过新方法来收集并有效地使用信息。随着互联网时代商业实践的不断演变，环顾一下外部环境，企业往往能从中获得灵感。例如，某家公司的财务高管可能会从Kabbage这样的公司中获得灵感。作为一家初创公司，Kabbage主要为互联网企业提供运营资本贷款。为了降低贷款担保所需的时间，Kabbage要求企业主也参与进来，提供他们的客户反馈评级、Facebook互动信息以及电子运输记录。那些客户评级最高且业务量最大的公司能获得更多贷款。
必要的IT支持 落后的IT架构可能会阻碍新型数据的获取、存储和分析活动。现有IT构架可能会阻碍孤岛信息整合，并且管理非结构化数据通常超出了传统IT技术的能力范围。很多落后的系统只能批量传送数据，因此不能为实时决策提供源源不断的信息流。
彻底解决这些问题往往要数年的时间。不过，商业领袖们可以与首席信息官合作，列出优先需求，解决短期内的大数据需求。这意味着，快速识别、连接最重要的数据并运用到分析工具中，之后对重复数据进行校准、合并等清理工作，然后再处理缺失信息。这一短期策略可能会让公司求助于专门提供分析服务或新兴软件的供应商。新的云技术也有助于成比例地提高或降低计算能力，以较低成本、满足大数据的要求。运用所有这些方法，我们能够建立起IT基础架构，从而，通过促进合作、快速分析和试验来推动创新。
2. 建立业务结果预测及优化模型
数据很重要，但业绩改善和竞争优势却来自于分析模型，因为分析模型能够让经理人预测和优化结果。更重要的是，最有效的建模方法并不是从数据开始，而是要先发现商机，然后再考虑如何通过模型来改善业务表现。
遗憾的是，并非所有模型构建都遵循这一路径。比如，仅仅使用数据挖掘这一种方法会导致不一致的结果。吸收海量数据集能让企业进行多次数据测试，发现潜在模型，但是如果经理人不能有效地利用其中的关联性来提高业务表现的话，是不会有所收益的。纯粹的数据挖掘通常只是在无穷尽地搜索数据的真正含义。
某公司曾以一种更有针对性的策略来优化复杂的产品定价过程。其核心内容是一个基于产品的历史价格弹性、销售数据、竞争对手的反应及其他变量而制定的模型。为了提高成功概率，该公司在建模之初会预测哪些因素会影响销售量（例如，竞争对手的定价和促销），之后考虑哪些数据和模型能给商业决策带来最有用的洞见。我们发现，这类假设导向型的建模方法能更快产生结果，并且由于模型根植于实际数据，它更容易被经理人理解。
要切记的是，任何建模实践都有内在风险。尽管高级统计方法毫无疑问会带来更好的模型，但是统计学专家设计出的模型有时过于复杂、不具可操作性。例如，一个有30个变量的预测模型可能会十分精确地解释历史数据，但是管理如此多的变量会让多数组织感到力不从心。公司应该不断思考一个问题，“能够提高业务表现的最简单模型是什么？”
3. 转变公司能力
高管们最担忧的是，他们的经理人不理解或者不信任基于大数据的模型。某大型零售商希望通过模型来优化广告支出回报，但是，尽管进行了大量投资，该模型并未被投入使用。原因很快就找到了：做关键性广告支出决定的一线营销人员并不相信该模型的结果，并且完全不熟悉其运作模式。
很多公司都遇到了类似的问题，这往往是因为组织现有文化和能力与成功运用分析工具所需的新技巧不一致。简而言之，这个新方法与公司实际做决策的方式不一致，或者它们未能提供一个实现商业目标的明确蓝图。那些工具似乎是为建模专家设计的，而非一线人员，鲜有经理人认为，那些模型足够吸引他们，以至于他们想运用这些模型，这是导致新模型无法渗透到组织内部的主要因素。归根到底：大数据应用需要在组织上进行审慎的调整，以下三大措施可以帮你实现这点。
开发实用且与业务相关的分析工具 就像客户关系管理软件早期的不幸遭遇那样，大数据和分析工具早期执行时屡屡失利的原因在于，它们与公司日常程序和决策规则不符。之前提到过一家希望优化价格的公司，它的做法可以启发我们如何去规避那些常见的问题。这家公司首先成立了一个分析工作组，工作组与负责定价和促销的经理们召开了一系列会议，以便更好地了解他们在制定价格时会作出哪类决定，以及这些决定最终给收入和客户的去留带来什么影响。为了让自身行为与公司大目标一致，经理人需要作出一些商业判断，模型设计者们会向经理人了解判断的类型。这些谈话确保定价分析工具及其产生的场景工具能对现有决策过程做补充。模型能够帮助公司实现最终目标：随着产品推出步伐加快，更有效地管理产品价格和销售量之间的关系。
将分析融入到简单工具中，供一线人员使用 若要在日常工作中应用这些新模型和运算法则，经理人需要显而易见的方法。要改善企业营销、风险管理和运营，不可避免地，要用到数千兆数据和成熟的模型。其关键是，把统计专家、软件开发商与经理人区分开来，因为后者才是数据结果的使用者。例如，某大型工业公司试图更好地预测劳动力需求，以反映本地市场变化。从历史上看，由于该公司试图将劳动力成本维持在低位，所以它经常会发现，公司在一些市场上人手不足，导致出现大量的延期成本以及服务混乱的局面。
为了纠正这一问题，该公司召集了一个由分析师和IT程序员组成的小型工作组，他们开发出一系列预测模型，基于假期时间、缺席情况和劳动合同的规定，预测出员工可以工作的时间。这些模型包括数百万的新数据点，涉及到很多地方的数千名员工。但是，工作组并没有把这样的海量数据和复杂模型直接交给经理人，而是开发出一个简单的可视化界面，突出显示了预期的劳动力需求和必要行动。最终，这种通过一个简单的工具进行复杂性分析的方法，提高了劳动力规划效率，并降低了招聘新员工的需求以及对现有员工的加班需求。
发展大数据应用能力 即使有了简单且实用的模型，大多数组织还需要提高他们的分析技能和素养。经理人必须将分析工具视为是解决问题和发现机会的关键，将它融入到日常运营中去。每家公司的目标和预期时间表各不相同，所需付出的努力也各异。实地操作加课堂学习的方式往往更能让成年学习者获益，这样，他们可以参与到现实世界基于分析工具做出的工作决策中去，边干边学。
有一家工业服务公司，其大数据应用的使命是让大约200名销售经理使用基本的分析工具。在培训开始时，每位销售经理领到的现场任务是阅读一份简短文件，然后收集基本的市场事实。之后，这些经理人集中起来接受培训，在培训过程中，他们要搞明白如何利用分析工具和市场现状去改善销售业绩。然后，他们回到工作岗位中，将学到的知识应用到实际工作中去。数周之后，他们再集中到一起，进行过程评估，接受指导，学习对数据进行二级分析。最终，在整个销售管理组织中，通过四人小组建立起了数据应用能力。通常，调整文化和思维定式需要多管齐下，包括培训、领导者的表率作用以及通过激励手段等来强化某些行为。某大型消费品公司就成功地应用了这一方法。它创造了一套复杂程序，和零售商一道提高了促销支出的盈利能力。该程序包括，在管理层的带领下，对销售代表进行培训，并向他们提供新的促销分析工具。不过，在大规模推出该程序不久，这套程序及分析工具的应用就宣告失败了。其原因在于，他们遇到了这样的障碍：公司针对销售经理的激励政策和报告规定追踪的是销售额与销售增长率，而非利润。因此，销售经理们认为这一以利润为中心的程序过于官僚化，与他们的核心销售目标无关。在与经理人进行一系列谈话之后，该公司重新推出了这套程序，提供了针对利润改善的新激励政策，并为与利润相关的数据量身打造了报告规定。尽管目前还需要持续的训练和辅导，但这些努力逐渐改变了人们的思维定式，促销分析工具目前被用于促进利润率增加这一共同目标上。
大数据时代风云变幻 但是，高管们并不需要对公司进行大调整，而是应该集中力量进行数据筛选、建模以及组织文化的转型。这些努力有助于保持公司的灵活性。这种灵活性很重要，因为随着信息以及信息管理和分析技术的不断发展，各种机会将源源不断地涌现出来。随着越来越多的公司学会大数据应用的核心技术，在不久的将来，培养一流的数据应用能力可能会成为一项具有决定性意义的竞争资产。(译/鲁志娟)
鲍达民是麦肯锡公司董事长兼全球总裁。大卫·考特是负责麦肯锡公司高级分析工作，办公地在达拉斯。
