麥肯錫：八大關鍵讓數據真正為企業所用

眾譯小組

Wayne、王素婷、劉志金、汪瑾立、胖妞、Whitney、康康、Sunshine、Pupu、李小連

劉姍（合成）

文章來源：McKinsey Quarterly

作者：Helen Mayhew, Tamim Saleh, and Simon Williams

當下正在進行的數據分析革命有著改造公司組織、運營、管理人才和創造價值的潛能。這在一些公司中已經開始顯現，特別典型的是那些正在從他們的數據中收穫主要回報的公司，但這遠還不是常態。有個很簡單的原因：CEO們和其他高管們，這些唯一能驅動更廣泛的業務變化的人需要充分的發掘高級的數據分析方法，以避免陷入深奧的「數據雜草」之中。在某種層面來說，這是可以理解的。數據分析方法論的複雜程度，機器學習的日益重要性和數據集的絕對規模，都促使高管們傾向於將這些交給專門團隊去處理。

但這也是個錯誤。高級數據分析是商業事務的精髓之一。這意味著CEO和其他高管必須能夠清晰的闡明它的目的並能付諸實施 —— 這些數據不僅僅應該是停留在數據分析部門，而是貫穿整個組織，洞察力所到之處。

本文介紹了八個有助於明確目的和行動能力的關鍵因素。我們確信對兩者都有強大直覺的領導者們不僅會在檢驗他們的分析工作上變得更好。他們還可以更有效地解決他們所面臨的許多關鍵和互補的高層管理挑戰：在傳統商業原則中植入最高的分析願望，配置系列工具和僱傭合適人員的重要性，以及採用硬性指標和提出尖銳問題的必要性。所有這些，依次地，有著通過分析提高公司業績改善的可能性。

歸根到底，最終目的不是原始數據集，有趣的模型或殺手演算法，而是業績。高級數據分析是達到目的的一種手段。它是一個鑒定的識別工具，隨後付諸實施，一個價值驅動的答案。如果你清楚數據的目的（見本文前四個原則），知道將數據用於何處（見本文後四個原則），你就會更有可能獲得有意義的數據。當然，相對複雜的高級數據分析在地圖上到處都是，不同的公司、行業和地理位置，答案也會看起來不同。無論你的出發點是什麼，通過分析所釋放的洞察力，應該聚焦於在競爭動態的演變中如何持續的定義和提高你的組織的業績。否則的話，高級數據分析就沒有為你所用。

「目的導向型」數據

「更好的績效」對於不同的公司而言有著不同的含義。這意味著針對具體某個情況，他們需要對不同的數據進行分離、匯總和分析。有些時候數據點很難獲取，當然數據點的重要性也不盡相同。但是最能滿足我們特定需求的數據點肯定是最具價值的數據點。

提出正確的問題

你要提出的怎樣正確的問題取決於根據你所掌握的情況，哪些是你需要優先考慮的事情？問題的清晰性是很重要的，好的問題是諸如

「我們如何降低成本？」

或者「我們如何增加收入」？

更好的問題則更進一步：

「我們如何改進我們團隊每個成員的生產力？」

「我們如何為病人改善治療結果的質量？」

「我們如何加速新開發產品的市場化？」

思考一下你如何實現重要的職能和業務領域與最重要的使用實例之間的匹配，將它們保持一致。將實際商業案例進行不斷迭代思考，去探索真正價值所在。在實際中，由於我們面對著資金和時間的限制，如「數據顯示出了怎麼樣的趨勢」之類的問題分析幾乎不可能有任何成效。

一家大型金融公司就在提出問題的方式方面出現了失誤，他們只會提出開放型的問題：收集儘可能多的數據以觀察數據趨勢。當發現結果非常有意思但對企業利潤的幫助卻收效甚微時，他門及時調整了關注點。在最高領導層的強有力幫助下，這家公司首先對目標進行了清晰的界定和表述，即縮短產品開發時間，並針對此目標制定了明確的測量指標，將注意力放在顧客使用率上。更為精確的聚焦幫助這家公司在兩個細分市場上成功開發了產品。相似地，據我們所知，另外一家公司在剛開始進行數據分析時，也陷入了「數據沼澤」。他們投入了大量的時間（確切說是多年）收集最新的數據，卻從未考慮使用實例是什麼。管理層開始想弄清楚當務之急是什麼時，為時已晚。時間是從不等人的。

如果這些組織在開始大量收集數據之前先把問題考慮清楚，即使可供挖掘的數據只是一小部分，他們也一定會早些受益的。例如，當一家著名的汽車公司將目標聚焦在其根本的問題，即如何改善盈利時，接下來它就會意識到只有其設計和工程部門不斷縮短產品開發時間（以及降低成本），企業才能獲得最大的機遇。一旦企業識別了關鍵的聚焦點，它就會從企業過去十年的研發歷程中獲取深度洞見——這將顯著改進產品開發時間，進而贏得更多利潤。

理念很小……而又很大

最小的優勢可以產生最大的差別。細想下面拍攝於1896年奧運會100米短跑起跑線讓人印象深刻的照片，只有Thomas Burke一個選手採用現在標準的四點姿勢。在接下來的時刻，比賽開始了，12s後Burke奪得了金牌。姿勢為他節省的時間幫助他取得了這樣的結果。如今，短跑運動員將這種起跑方式作為理所當然——這是商業界很好的一個類比，競爭對手迅速採取最佳做法，那麼你的競爭優勢將可能以繼續維持。

1896年雅典奧運會100米短跑選手各種各樣的起跑姿勢， 讓現代人感到驚訝。Thomas Burke（左數第二）是唯一採用蹲式的選手，蹲式如今被認為是做好的做法，這一優勢幫助他獲得了奧運會兩枚金牌之一。

好消息，是聰明的選手仍可以提升表現和通過衝刺重新回到領先。簡單的修正不太可能，但公司可以發現不同的小的要點增強與利用。大數據分析的作用常常表現為成千上萬或更多的小的改善的累計。如果組織儘可能的將一個過程分解為小的部分並進行實施推進，收益回報將會是非常可觀的。如果組織能夠系統的將遍及更大的，多進程的小的改善結合起來，那麼收益回報將會是指數級的。

企業所做的一切都可以分解成各個組成部分。GE公司在飛機發動機中安裝感測器來實時跟蹤每個部分的性能，可實現更快的調整，大大減少了停機檢修時間。考慮到大眾消費，這聽起來像是高科技前沿（的確也是）。我們知道一家一流的消費品公司想要增加他們一個知名早餐的的利潤。他們將整個生產過程依次分解為各個子樣，然後通過先進的分析，仔細審查每一個子樣，找出哪裡可以釋放潛在價值。在這個實例中，在烤箱中找到了答案：微量調整烘乾溫度不僅使產品口感更好，而且使生產更便宜。證據體現在食用量及改進損益兩方面。

當一系列的過程可以弱減、分析，並一起整合在一個比原子更普世化的系統中，結果可以更強大。一家大型鋼鐵製造商使用了各種分析技術研究其業務模式的關鍵階段，包括需求規劃和預測、採購和庫存管理。在每一個過程中，它將關鍵價值驅動因素進行隔離，縮減或消除先前未發現的低效率，節省了約5-10%的成本。這些收益可能來源於數據分析帶來的數百個小的改進，當製造商能夠將其過程捆綁在一起，並實現幾乎實時的跨階段信息傳遞時，這些收益將會激增。通過將一個端到端系統合理化，將需求計劃連接貫穿於整個庫存管理，製造商實現了節約接近50%——總共有上億美元。

擁抱限制

當心「垃圾進，垃圾出」這句話；這個想法在商業界已經根深蒂固，有時它會阻礙一些深層的洞見浮出水面。事實上，有用的數據點有不同的形狀和大小，並且在組織中它們常常以自由文本維護報告或PowerPoint演示的形式，潛伏在多個示例中。然而往往如此，定量團隊忽視這些輸入，因為質量差，不合邏輯的，或陳舊過時不完整的信息，因為覺得它不像「數據」。

但如果我們將模糊的東西利用起來，我們可以得到更清晰的結論。在日常的生活中，當一個人不創造、不閱讀，或沒有在對付一個Excel模型——即使是最硬核的「量子」都要運行一個大量的定性信息的過程，它們大部分都是軟的，看似是數據分析的限制——以非二進位的形式存在。我們知道，很少東西是非常確定的；我們權衡概率，盤算對等，將微妙的徵兆納入考慮。舉個例子，想一下如何進行超市排隊。你總是去四號登記處嗎？或者，你是否注意到，今天，一個工人似乎更高效，一個客戶似乎持有現金，而不是信用卡，一個收銀員沒有助手幫助裝袋，一個購物車裡有需要稱重和分類包裝的東西嘛？所有這一切都是軟的「英特爾」，可以肯定的是，一些數據點比其他更強大。但是當你決定往哪裡推購物車時，你可能會考慮所有這些因素或者更多。僅僅因為四號排隊的隊伍最近幾次移動速度最快並不意味著它就是今天移動得最快的。

事實上，雖然辛苦收集到的歷史數據點是有價值的，但它們有其局限性。我們知道的一個公司在堅定實施投資審批流程之後就經歷了歷史數據點的局限性。儘管管理層考慮到了要花費很多資金資源，但他們堅持認為按照過去的歷史數據不能夠提供可證明支持預期投資回報率的信息，因此管理層將不會為新產品提供資金。不幸的是，這個嚴謹的結論導致在很長時間裡公司錯失了保持市場份額的機會。只有放寬軟性投入的數據限制，比如行業預測，產品專家預測，社交媒體評論等，這樣才能使公司能夠對當前市場狀況和產品發布時間做出更準確的判斷。

當然，推特與信息技術處理不一樣。 但只是因為信息可能不完整，而帶著猜想和顯著的偏見將其視為「垃圾」是不對的。軟信息確實有價值。 有時，甚至可能是至關重要的，特別是當人們嘗試在更準確的輸入之間「連接點」或為新興未來做出最好的預測時。

為了以智能、細微入微的方式優化可用信息，公司應努力構建一個強大的數據來源模型，識別每個輸入的來源，並評估其可靠性，這可能隨著時間的推移而提高或降低。記錄數據的質量以及用於確定數據的方法 - 不僅是為了讓大家通俗易懂，而且是風險管理的一種形式。所有公司在不確定性的情況下進行競爭，有時候關鍵決策所依據的數據可能不太確定。一個完善的建構模型可以通過壓力測試堅定實行或不實行的信心，並幫助管理層決定何時投資改進關鍵數據集。

將點連接

見解經常存在於邊界。 正如考慮軟數據可以揭示新的見解一樣，結合信息來源可以使這些見解更加清晰。 組織往往會在一個單獨的數據集上進行深度挖掘，但沒有考慮不同數據集的結合。 例如，人力資源可能具有完整的員工績效數據; 經營情況，具體資產綜合信息; 財務，有詳細的損益數。仔細檢查每個隱藏的信息當然是有用的。 但是，在單獨的數據集之間的可能隱藏額外的未開發的價值。

一個工業企業提供了一個指導性的例子：這家公司的核心業務使用可以承擔多個流程的最先進的機器，每個部件都花費數百萬美元，而且已經買了數百個——這是一筆數十億美元的投資。這些機器提供了一流的績效數據，企業可以衡量每個部分隨時間變化如何行使功能。毫不誇張地講，保持機器開啟並運行對公司的成功至關重要。

即便這樣，這些機器需要比管理層預期的更長時間和更昂貴的維修，同時每一小時的停機時間都會影響到底線。雖然深入業務非常有能力的分析團隊精心篩選資產數據，但是仍找不到可靠的故障原因。然後，當機器表現結果與人力資源部門提供的信息一併考慮時，產出不合理的原因就變得明顯：因為個人責任在關鍵時刻缺失，導致機器缺少定時維修檢查。報酬激勵是真正的根本原因，而不是設備問題。最後一個簡單的解決方案解決了這個問題，但是這隻有當不同的數據集被一起檢查時，才變得明顯。

從產出到行動

在上一個工業企業的案例中，腦海中浮現的圖案就是維恩圖（Venn Diagram）：當你看到2個數據集並排的時候，通過重疊可以使一個關鍵的洞察變得清晰。當您考慮50個數據集時，洞察力將更加強大——前提是對多樣化數據的追求不會產生阻礙分析的超級複雜性。為了避免這個問題，領導們應該推動組織採取多方面的方法來分析數據。如果在孤島中進行分析，產出的結果有可能在現實世界的條件下不起作用，最糟糕的是，如果結論可以起作用但未被使用，那麼分析工作就失敗了。

循環，而不是線性運行

數據分析需要一個目的和一個計劃。但正如俗話所說，「沒有任何作戰計劃在與敵人遭遇後還有效」。為此，我們再補充一個軍事見解——OODA循環，首先由美國上校約翰·博伊德構想：觀察，定向，決定，並採取行動的決策循環。博伊德認為，勝利，往往是由決策的方式決定的；更加快速地對情況做出反應並更準確地處理新信息的一方應該佔上風。換句話說，決策過程是一個循環，更正確的說，是一系列動態的循環（如下圖）。

一流的組織採用這種方法來獲得競爭優勢。Google，一個，堅持讓數據集中決策，建立消費者反饋的解決方案，快速迭代的產品，讓使用者不僅僅是使用而是愛上它。除矽谷外，一個非線性循環的方法也能起到同樣的作用。例如，我們知道的一個國際製藥公司，它跟蹤和監控其數據以識別關鍵模式，當數據點表明程序可能偏離軌道時迅速移動，並改進其反饋循環以通過試驗加快新葯的速度。一個消費電子產品OEM從一個迭代的、假設驅動的建模周期快速地從收集數據到「做數學」。它首先創建了一個臨時數據體系結構，建立了三個「見解工廠」，可以為最高優先順序的用戶案例生成可操作的建議，然後將反饋並行化。所有這些使得早期的嘗鮮者能夠快速、大量地自籌資金。

數字化數據點現在加快了反饋周期。通過使用先進的演算法和機器學習，改進每個新輸入的分析，組織可以運行更快更好的循環。機器學習似乎在所有分析工具中大有所為，但它不是唯一工具，我們也不指望它能取代所有其他的分析。我們提到了維恩圖；人們更傾向三邊形可能更喜歡「三角」。但這個概念基本上是相同的: 使用多種分析技術並以不同方式將它們結合來獲得一個更穩定的答案。

在我們的經驗中，即使已經建立了最先進的機器學習演算法和使用自動循環的組織也將受益於將他們的結果與一個簡單的單變數或多變數分析相比較。事實上，最好的循環涉及人和機器。一個動態的、多方面的決策過程會比任何單一的演算法——無論多麼先進——在測試、迭代和監測的數據質量的提高或降低方面表現更佳；將新的數據點，因為他們成為可用的數據；並可作為事件作出理智的反應。

讓你的輸出可用且好看

就算最好的演算法可以創造奇蹟，他們也不能在會議室里表達自己。數據科學家往往缺乏表達他們所做東西的能力。這毫不奇怪，公司招聘技術人員時恰恰是對人員的要求定位於專業知識優先於演講技巧。但要注意這個差距，否則將會面臨後果。我們所認識的一家世界級生產商僱用了一個團隊，來開發一個優秀的演算法用於研發項目的期權定價。數據描述挺細緻，分析過程也經得起推敲，結論基本上也是正確的。但是該生產商的決策者發現產品還是有些複雜，就沒有使用它。

畢竟我們都是人，會注重外表。這就是為什麼你看一個漂亮的界面會比看一個參差不齊的詳細計算的時間更長。這也是為什麼像iPhone或者Nest溫控器這樣漂亮、直觀、適用的產品能進入企業。分析應該是可消費的，一流組織的核心分析團隊現在都會有設計師。我們發現，整個組織中的員工都會對那些能清晰表達關鍵點的界面設計有更好的響應，這樣更有利於吸引用戶。

建立一個多種技能的團隊

在組織中吸引用戶並挖掘不同個人的能力是非常必要的。 分析是一項團隊運動。決定採取何種分析、數據來源是什麼、以及如何展示調查結果，都會取決於人的判斷。

組建一個偉大的團隊有點像創造美食的喜悅，你需要組合好的原料和一些激情。團隊核心成員包括：能幫助開發和應用複雜分析方法的數據科學家；具有在微服務、數據集成和分散式計算等技能的工程師；提供技術和系統見解的雲數據架構師；能確保產品美觀、直觀、有用的用戶界面開發人員和設計師。你還需要「翻譯人員」——將IT和用於商業決策和管理的數據分析聯繫起來的人。

在我們的經驗中，我們希望，你也一樣，對有一定能力的人才的需求會明顯超過了人才的供應。但我們也看到，僅僅簡單為解決問題而在投擲金錢在一批新員工身上，通常是行不通的。有用的是一種結合：戰略性地招聘一些員工，然後由很資深的人來幫助領導分析小組。在某些情況下，戰略收購一些提供數據分析服務的小公司，或與其成為合作夥伴。尤其是，吸納具備數理背景的現有員工重新學習新技能來加入內部分析團隊。

我們熟悉幾家金融機構和一家大型工業公司，通過不斷的升級迭代版本或找尋不同實現路徑的方式，來建立一流的高級數據分析組。每個組織的成功關鍵要素，是了解任何一個人可以對組織的期望做出貢獻的極限，以及一個具有互補人才的團隊可以共同實現的潛力值。有時候，可以找到體現大部分或全部所需能力的「彩虹獨角獸」員工。不過，建立一個合作團隊則是一個更好的選擇，其中包括擁有所有必要技能的人。

當然，這些開始總發生於在「矛之點」的人們——他們積極分析數據點和操作艱難的分析。然而隨著時間的推移，我們期望組織轉變為跨職能人員使用分析作為日常活動一部分的模式。目前，從那些有數據意識的員工特點中不難看出：他們可以專註於細節，對模稜兩可感到振奮，對於不同意見持開放態度，並願意一起迭代從而產生有意義的洞察——那些致力於現實世界可用的成果。最後至關重要的一點是，因為您的公司不應該鼓勵運作一些很酷的科學實驗（儘管分析可能很酷）。因此你和你的員工應努力發現切實可行的洞察，並確保這些洞察有用。

使你交付的成果可以被採用

文化使得成果從科學實驗室到大規模生產應用成為可能。從你的組織初啟分析之旅，每個人都應該清楚數學、數據甚至設計是不夠的：真正的力量來自於採納。一個演算法不應該算是一個單點解決方案——公司必須將分析結果嵌入到現實世界的流程和日常工作流程的操作模型中。傳奇棒球裁判比爾克萊姆的一句名言是「在我採納它之前它什麼都不是」。同樣的，數據分析在你不使用它之前什麼都不是。

過去我們已經看到過太多不好的案例。從不被預測負責人使用的詳盡昂貴的地震預測，到被飛行員忽視的飛行指揮系統指標（極致精確的）。有一個很驚人的情況是，我們所知的公司似乎喜歡把所有東西都放在一起：它有一個明確定義的任務，以增加頂級增長，強大的數據源智能加權和挖掘數據，主要分析，並有見地的結論、交叉銷售機會。甚至還有一個彈出窗口式的優雅界面，出現在呼叫中心那段的屏幕上，由語音識別軟體自動觸發，根據客戶的實際情況提示某些產品。非常的聰明——除了銷售代表必須不斷關閉彈出窗口以及忽略提示。銷售代表的薪酬更多地依賴於快速通過電話解決問題，而不是賣出更多的產品數量和類型。

當每個人都團結在一起，雖然激勵是均衡的，但結果卻是顯著的，例如，一家航空公司需要評估其下一代產品的一系列研發選擇，但面臨重大的技術、市場和監管挑戰可能導致任何結果不確定。根據歷史的依據，一些技術的選擇似乎提供了更安全的賭注，另外，高潛力的機會呈現出新興的態勢，但還未經證實。再加上一個行業軌跡呈現出從產品到服務為中心的模式轉變的，潛在的路徑和複雜的「利」和「弊」的範圍需要一系列動態的，當然，還有正確的決定。

通過制定正確的問題，應力測試的選項，和至少一個簡潔交流的取捨與互動式的可視模型，設計技巧使之變得漂亮和實用。該組織發現，在研發路徑上增加投入實際上在很長的一段時間內將保持三項技術選擇的開放性，這會給公司帶來足夠的時間去見證科技將朝著哪方面去發展，並且避免由於缺乏相當的經驗可能遇到的最壞結果和錯誤的決定，一位高管將由此產生的靈活性比喻為「在比賽開始時賭馬的選擇，或者溢價，可以在賽馬中途下注。」

這個愉快的結局在倡議時就開始了，這不是巧合，而是高級管理層參與的結果。根據我們的經驗，一個成功的數據分析程序的最佳指標不是手頭的數據質量，甚至也不是內部人員的技能水平，而是公司領導層的承諾。它需要一個企業最高的管理者的遠見去幫助確定關鍵的業務問題，跨職能地促進合作調整激勵機制，並且堅持其見解被使用，先進的數據分析是很好的，但是你的組織不應該僅僅把先進的分析方法放在適當的位置上。畢竟，關鍵的一點是，要讓分析來為你工作。

關於作者

Helen Mayhew 是麥肯錫倫敦辦事處的副合伙人，在這裡 Tamim Saleh是高級合伙人； Simon Williams 是附屬於倫敦麥肯錫公司的QuantumBlack的創始人和董事。

作者要感謝Nicolaus Henke對本文的貢獻。

加入眾譯小組

一起翻譯全球最好的管理

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！