高管们对高级分析提出的九个观点

 

数据和高级分析已经来临。可用数据量呈指数增长，电话、传感器、支付系统和相机每天产生的数据都在迅速增加。机器学习正变得无处不在，组织正在努力将数据变成价值。

 

回报虽然诱人，但风险也极高。发展最快的组织将具备明显的竞争优势;落伍的组织可能变得无关紧要。分析并不是首席信息官(CIO)的唯一职责，尽管有时候确实是。首席信息官可能对整个业务没有足够的了解，无法发现机会和威胁，或者没有足够的影响力来确保公司恰如其分地解决这些问题。首席信息官带来的专业知识固然必不可少，但业务部门的领导者和首席执行官必须负责分析工作，以加快变革步伐并确保明智的投资。这已经开始发生：麦肯锡发现，过半数首席执行官认为自己主导着分析议程，而且这一数字一直在稳定增长。

 

有鉴于此，我们与300多家大型公司的高管进行了交谈。在这里，我们根据这些对话提供了九个见解并向业务领导者建议可取的行动。

 

分析可以创造新的机会并颠覆整个行业，但很少有领导人能讲明如何做到这两点

 

“由于有了高级分析技术，我们有望在五年内发展到什么程度?这对我们的业务模式、文化、投资组合和价值主张有何影响”?全世界的首席执行官都有充分的理由提出诸如此类的问题。分析有可能颠覆许多行业中流行的业务模型，首席执行官都在努力了解如何做到这一点。他们迫切需要了解。

 

除了重新定位现有的业务模型外，分析领域的领导者还正在学习如何创造并利用各种新机会。组织正在从存储数据转移到共享数据。有些企业将数据汇总为行业联合体的一部分，以提高其综合性并因此提高其价值。以产品为基础的组织正在将数据和分析作为增值服务添加到其产品中。有些公司则走得更远，它们对支持分析的服务收费，而不是直接销售产品。例如，有些喷气发动机制造商如今出售飞行小时数而不是发动机。由于传感器所提供的数据有助于它们了解使用情况和所需的维护，这一切才成为可能。

 

正式建议

 

我们有两个领域可以研究。首先，我们要了解分析如何颠覆现有的业务模型，请腾出时间专注于长期目标。我们能从发展更为长远的其他行业中学到什么?通过新的业务模型我们可以更好地满足客户的哪些需求?

 

其次，要抓住新的机会，首先要从数据开始，分析其价值和独特性，谁会发现它们的价值，以及如何将它们与其它来源结合起来以实现增值。然后，仔细考虑一下业务模型。一种简单的开始方法是在市场中考察数据和分析领域的人员以及考察竞争对手以了解他人可能正在做的事情。还要确定在生态系统中参与这项活动的进展和方法。

 

令人惊讶的是，鲜有公司知道分析能够在哪里创造价值，以及如何创造价值

 

当将大数据和高级算法应用于业务问题以产生比以前更好的解决方案时，分析便可以创造价值。企业可以创建可产生价值的分析策略，其方法是发现所有可应用的用例，调整其规模并确立其轻重缓急。例如，一家全球消费品包装公司的首席执行官指出，将高级分析和机器学习应用于业务职能(例如收入增长管理和供应链优化)可带来多达40亿美元的收益。

 

但是，鲜有高管对自己的业务部门和职能对价值有如此详尽的看法。更为常见的评论是这样的：“有时候我觉得我们是为了分析而分析。我们必需更加清楚地说明自己要创造什么样的商业价值”。一位高级主管这样说道。大多数高管都试验了一些用例，但缺乏全面的看法。考虑过分析如何创造新的收入来源的高管更是寥寥无几。如果缺乏统辖整个企业的视角，那么业务领导者很难为分析制定合理的业务案例。他们很可能难以传达分析这样的信息——为什么分析很重要，而这对于使组织致力于变革至关重要。

 

正式建议

 

与行政团队一起开展严格的流程，从而确定最有希望的价值来源存在于何处。首先，确定价值链中哪些职能或哪些部门最具潜力(例如，对消费品公司而言可能是产品开发或库存优化。而对保险公司而言则这可能是风险模型)。然后提出可能的用例(对某家大公司而言可能多达100个用例)以及如何将新数据和技术应用于这些用例。使用外部基准有助于你了解既定用例的价值。最后，决定工作的轻重缓急，考虑经济影响、与业务适合的契合度、可行性和速度。

 

数据科学这部分比较容易实施。获取合适的数据并准备好数据进行分析则要困难得多

 

随着数据科学渐渐成为主流，业务分析平台和代码共享平台正在提供各种算法库和分析工具。对大多数组织而言，这简化了数据科学的实际应用。但这仍然遗留了由谁来处理的问题。在我们的对话中，我们常常听到这样的话：“我们的大部分时间都花在了获取数据上”，一家先进工业公司的一位高管这样说道。“一旦我们将数据科学落实到位，建模就会很快。”

 

每个数据集都是独一无二的，我们需要花费时间来准备进行分析。一个主要问题是，我们很难就“单一事实来源”达成一致，因为不同部门往往使用不同的方法来衡量同一指标。例如，销售职能可以衡量通过交易出售的商品数量，而运营部门则可以通过库存移动来进行衡量。大多数公司尚未将实时数据整合到日常业务流程中。许多公司还在努力确定需要哪些数据来提高竞争优势以及因此需要创建什么数据。其他常见的难题是实现唯一的标识符来将不同的数据集(例如交易数据和客户资料)连接起来并填补数据集的空白以提高质量和可用性。