数据分析前沿的观点

　　去年10月，来自数据分析领域的先进企业的八位高管就自己所面临的最大难题发表了看法。他们都是公司中负责数据分析工作的最高管理人员，其中包括美国国际集团(AIG)、美国运通、三星移动、西门子医疗，TD Bank和沃尔玛。他们的背景各不相同，首席信息官、首席数据官、首席营销官、首席风险官和首席科学官都参加了该会议。我们通过事先询问他们各自所面临的紧迫问题来展开讨论。

　　对于这些高管，最重要的五个问题是：

　　数据和分析是否被过度炒作?

　　隐私问题是否威胁到发展?

　　人才招聘是否在减缓战略?

　　哪种组织模型效果最好?

　　确保采用的最佳方法是什么?

　　以下是讨论的汇总。

　　1. 数据和分析并没有被过度炒作，但它们被过渡简化了

　　与会者一致认为高管的期望是一个实实在在的问题。大数据分析正在给组织带来经济影响，但高管获得收益的希望往往与前沿应用程序的实际情况脱节。不可避免的难题使他们措手不及并迅速产生了怀疑。

　　一位与会者指出，对应用的关注有助于公司摆脱“鸟瞰的视角”，在这个视角里“一切看起来并无不同”。数据分析能在何处提高绩效，如何提高绩效，这种实际情况因公司和行业而异。

　　面向客户的活动。在某些行业中(例如电信)，这是绝佳机会所在之处。在这里，当公司将重点放在优化分析模型上，这些模型可优化整个消费者生命周期中的服务定价，通过预测产品促销最有效的领域并确定留住客户的策略来最大限度利用营销支出。

　　内部应用程序。在其它行业(例如运输服务)中，模型将专注于流程效率。例如，优化路线或根据工作人员的可用性和需求的变化来调度人员。

　　混合应用程序。其它行业则需要在以上两者之间取得平衡。例如，零售商可以利用数据来影响客户做出“下一个要购买的产品”的决策并优化新店选址或筹划流经供应链的产品流。同样，保险公司希望预测有助于扩展产品线并评估投资组合风险的新兴领域。明智地确定工作的轻重缓急并切实解决各种相关难题，这是数据分析策略获得成功的关键所在。

　　公司需要从两个角度进行运营：快速取得成果以增加动力，同时关注长期的，具有突破性意义的应用程序。尽管一位高管指出，“我们会仔细衡量近期影响并围绕这些结果来形成内部意见”，但人们仍然坚信整个过程跨越了多个领域。一位与会者说：“我们看到的只是冰山一角”。许多人认为，真正的价值在于重新构想现有业务或根据公司拥有的数据开展全新业务。

　　新机会将不断到来。例如，与会者渐渐意识到这样的可能性——利用不断膨胀的外部数据(有时称为开放数据)并将其与现有的专有数据结合起来以改善模型和业务成果。对冲基金最早开始利用大量新近获得的政府数据，它将这些信息与股价走势相关联，从而发现各种短期的投资机会。做长期投资的公司需要为开放的数据制定不同的规则，但鲜有与会者怀疑此举的价值。

　　2. 必须解决隐私问题，让消费者拥有控制权大有裨益

　　在有关大数据的公共讨论中，隐私已成为不可谈及的禁忌，因为媒体已经正确地指出了某些数据收集方法中的过度行为。难怪消费者越来越警惕了(但B2B领域对数据的关注度似乎较小)。另一方面，数据分析渐渐为消费者(更不用说公司和政府)带来了一系列好处，例如得到了改善的医疗效果，精准反映消费者喜好的新产品或因自定义信息的能力增强而产生的更有用且更重要的数字体验。这些好处必然取决于收集，存储和分析描述真实人物的大型的粒度数据集。

　　我们的分析领导者一致认为，将更多的信息控制权交给消费者并建立起他们的信任，这才是正确的发展方向。

　　选择加入模型。第一步是使消费者可以选择是否可以收集，共享和使用其数据。例如，数据聚合商Acxiom最近发布了一个网站(aboutthedata .com)，该网站使消费者可以对公司收集的有关他们的数据的分发进行评估，编辑和限制。例如，消费者可以选择限制以精准投放网络广告为目的的数据共享。他们控制着目标广告(但私密性较低)和非目标广告(潜在价值较低)之间的权衡。

　　公司行为。我们的小组成员认为，在数据收集领域里，各大公司的动机都是善良的，各大组织也将十分负责任地采取行动。但是它们必须不断赢得这种信任。从单个隐私违规或错误判断中恢复可能需要数年时间。建立内部实践以加强良好的数据管理能力，同时让客户知道数据分析的好处，这一点至关重要。用一位与会者的话来说就是：“消费者会信任那些忠于价值主张的公司。如果我们专注于实现这一目标，那么消费者将十分欣慰。如果我们偏离了方向，那我们就有麻烦了。”

　　3. 人才的缺乏正在催生各种创新方法，但人们还需要更多方法

　　人才短缺是个热门话题。这可不仅仅是IT专业人员和分析专业人员的短缺。即使那些渐渐通过创意十足的招聘和薪酬策略来解决技能缺口的公司也发现自己在另一个领域缺人：他们需要更多的“翻译人员”，即将IT与数据，分析和业务决策的学科联系起来的人。这些翻译人员可以将IT，分析和业务部门的团队联系起来，同时推动整体数据分析策略的设计和执行。如果没有这样的员工，新数据策略、工具和方法(不管它们有多先进)都不会产生令人满意的影响。

　　但是，这样的兼才是很少见的。更有可能发生的情景是，公司能找到将三个所需技能中的两个相结合的个人。数据战略师将IT知识和制定业务决策的经验结合在一起，因此他们非常适合为高价值的业务分析明确各种数据要求。数据科学家将深厚的分析专业知识与IT知识相结合，以开发各种复杂的模型和算法。分析顾问将实用的业务知识与分析经验相结合，以专注于影响力巨大的分析商机。

　　与会者普遍认为，常见的人才来源(一流大学和MBA课程)越来越不足。很少有公司开发出培养具备多项技能的人所需的课程。为了弥补这种缺口并使更多的人扎根于各种业务技能和定量技能，有些公司正在从先进的互联网公司挖数据科学家。而另一些公司则采用离岸外包的方法。

　　要管理并留住这些特殊人员就要求思维方式和文化方面的变革。工作一：提供激发人们研究各种新方法和洞察的空间和自由。一位高管在描述公司为创新提供更多自由的努力时指出：“有时，你很可能并不确切知道他们(数据科学家)会发现什么”。(到目前为止，这些努力正在留住更多人才)。另一个优先事项：创建一个充满活力的环境，使顶尖人才认为自己处于技术变革和新兴最佳实践的最前沿。促进与数据分析生态系统(包括风险投资家，分析初创公司和成熟的分析供应商)的互动是十分有用的。

　　4. 你需要卓越中心并且要不断发展

　　为了促进分析工作，几乎所有的公司都在使用卓越中心，卓越中心与企业一起快速开发和部署分析。卓越中心通常包含数据科学家，业务专家和工具开发人员。公司之所以建立这些中心，部分原因在于企业领导者需要帮助。卓越中心还增强了上述稀缺的翻译人员对整个组织的影响。卓越中心甚至有助于吸引和留住人才：在最佳状态下，这些中心是学习和创新的温床，由于团队会共享一系列想法，如怎样构建可靠的数据集，怎样创建强大的模型并将其转化为有价值的业务工具，因此，卓越中心是学习和创新的温床。

　　与会者一致认为，只有在这种情况下才值得创建卓越中心——你使卓越中心成为公司的一部分，在这里，数据分析资产或功能可能会产生重大战略影响。对某些公司来说，这其实就是IT。对另一些公司来说，这其实就是营销和销售或大型业务部门。例如，有一家公司的分析议程致力于利用一系列跨多个业务和职能的核心交易数据。在这个例子中，卓越中心在IT内部利用其对该核心数据集的深刻了解以及其作为跨业务共享功能所发挥的作用。

　　这些中心的目标必须是成功地在整个组织内建立数据分析功能，以便它们能够应对各种越来越耗时的优先事项。一位高管认为，随着企业不断增强分析能力，卓越中心将越来越多地致力于类似于复杂研发的长期项目，它们将重点放在分析创新和各种突破性洞察上。

　　5. 刺激采用的两条途径——无论哪种都需要投资

　　对许多领导者而言，前沿采用是最重要的问题。让管理者和个体贡献者有的放矢且热情洋溢地使用新工具是很难的。我们在另一篇文章有写过这样的内容，公司根本没有投入足够的时间或金钱来开发结合了智能，直观设计和强大功能的杀手级应用程序。但是，与会者发现了两条导致广泛采用的明确途径。

　　自动化。刺激采用的一种途径对相对简单且重复的分析十分管用：创建可快速推出而无需什么培训的直观的最终用户界面。例如，智能手机或平板电脑上的移动应用程序可能使品牌管理者立即了解销量和销售趋势，市场份额以及平均价格。这些工具已成为日常决策流程的一部分，它们有助于管理者弄清楚以何种强度推广产品，何时有必要为了与竞争对手角逐而在定价上做策略性调整，或者最终从何处开始推销新产品。一位高管表示，使用这类简单工具“几乎不需要培训”。只要它们“清晰明白，设计合理，具备过硬的可视化质量，那么最终用户就会发现这些工具。”

　　培训。第二条途径要求在培训上投入大量资金，从而为更复杂的分析提供支持。不妨考虑使用一种用于承销中小型企业贷款的工具。该工具结合了承销商的知识和模型的强大功能，这些知识和模型使承销商的判断高度一致，从而明确风险并最大程度地减少偏差。但是，承销商需要接受培训，以此来了解该模型适用于承销流程的哪个地方以及如何将模型和工具所带来的真知灼见纳入到他们自己的客户特征和业务优先事项方面的经验中。

　　无论选择哪种方式都必须从试点工作开始，从明确的规则开始，从而决定到底要不要做出这样的转变——从探索性分析转向全面实施。某些模型最终并没有足够的预测性来形成所需的影响;最好将这些模型搁置起来，以免它们成为投资陷阱并破坏组织对分析的信心。高管们必须愿意“停顿”并向组织发出这样的提醒，即某些分析计划虽然未能成功实施，但这并没有什么好担心的。实际上，这就是为什么要贯彻多个计划。形形色色的成功案例和刻板的决策形成了一种氛围，在这种氛围里，各个业务部门，各种职能，众多高管和一线员工都接受了这样一个事实，即数据分析是有可能发生转型的。