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。
正式建议：
数据的海洋十分庞大且呈指数扩大。为了避免溺水，高管们必须将数据策略与分析策略联系起来。在研究新数据源时，无论是通过商业供应商还是通过开源的方式，牢记特定的用例并思考如何获取数据是大有裨益的。了解企业拥有什么样的数据;这可以成为一种有利可图的资产。为了不断提高数据质量，请实施治理和流程并确保合法的数据负责人可以直接访问这些数据。强制执行良好的数据和元数据惯例并创建自动数据对账流程，以不断验证新数据是否符合质量标准。为了获得新的洞察，请将不同的数据集互相联系起来，这些数据集可能位于中心化的存储库(或“数据湖”)中。抵制复杂性的诱惑;不是为所有遗留数据创建数据湖(一个项目可能耗时数年)，而是逐渐填充数据湖。从高优先级的用例所需的数据开始，然后逐渐添加内容。从现有的资源着手，你不必做到尽善尽美，只要做到优秀就足够了。
数据所有权和访问权必需得到民主化
企业拒绝采用违背直觉的分析洞察而提出的最常见借口是基础数据无效。如果由企业负责确保数据质量并且业务领导者可以随时访问数据，这样的接口就很难说得出口了。成功的分析机构可以确保尽可能多的人访问数据，同时确保有唯一的可靠来源，以便员工可以一起操作这些数据并提出各种新想法或者抛弃那些已经过时的想法。一家大型制药公司的首席信息官表示：“我们正在考虑消除业务与IT之间在数据上的相互指责，其方法是使所有人都能使用数据”。这样，整个组织就会运用以数据为驱动力的思维方式。
正式建议：
设计高效的数据治理并指定负责人来负责数据的定义，创建和验证——即业务，IT或分析中心。接受企业所有权和广泛使用的双重原则。即使IT部门负责数据并为数据提供支持，企业也不能免于此责任。创建使一线员工可以轻松提取数据的数据发现平台(例如基于网页的自助门户)。主办数据发现会议以提高数据素养。
嵌入分析的本质既是变革管理，也是数据科学
旧的工作方式已根深蒂固，如果人们从根本上不信任分析，那么情况就更甚了。因此，高管们要问的另一个问题是如何影响一线员工以利用分析工具提供的见解来改变决策方式。通用电气的首席执行官Jeff Immelt向麦肯锡表示：“我认为，如果我们雇用数千名技术人员，如果我们升级软件或做诸如此类的事情，这么做就对了。然而我错了。产品经理必须与众不同，销售人员必须与众不同，现场支持也必须有所不同。”
这里有一些成功故事。一个普遍且必要的因素是领导层必须致力于分析。有一位高管告诉我们其业务部门的负责人如何使用分析工具来计算有关库存水平的数字。然后，该负责人将结果提交到每周举行的领导层会议并要求每位渠道管理者采取行动。
将各种洞察整合到日常工作流程中，这一点也很重要。另一位高管谈了销售人员如何抵制由分析模型生成的销售线索，他们反而希望依靠自己的直觉。他的团队能够设计工作流程，从而使“推荐”引擎“不可见”：销售团队只管获得销售线索，然后对此采取行动——成功地采取行动。
正式建议：
当人们了解变革并感到自己身在其中时就会接受变革。因此，分析解决方案的设计必须以用户为主导并从一开始就参与到业务流程中。雇佣一名“翻译者”(这名翻译者不仅了解数据科学而且了解如何将其应用于业务)并从始至终由他来主导用例的开发。将人才用到刀刃上。企业发现各种机会，数据科学家开发各种算法，用户体验设计师设计各种用户界面，软件开发人员运行各种产品，流程工程师重新设计各种工作流程，变革代理人则实施这一切。为每个用例开发一个剧本，确保不会忽略重要的采用要素，例如培训和沟通。除了个人用例之外还应设计更广泛的变革计划，从而培养分析素养并将组织转变为拥有数据驱动文化的组织。组织层面的变革管理已广为人知，而这里则关系到将这些原理应用于分析。
学会喜欢指标并不断地进行衡量
“我怎么知道我在分析方面的投资是值得的?有哪些指标可以衡量?我如何将价值归因于分析和团队正在做的所有其他事情”?这些由某大型保险公司的高管们提出的问题十分常见。同样常见的是，与我们交谈过的高管几乎都无法回答这些问题。
如果分析的价值没有得到明确的衡量就传递了出去，那么扩大支持力度并因此证明投资的合理性则并不总是那么容易，由于分析通常用于支持决策，因此其价值不可能总能与其他计划分离开来。
在成功的衡量策略中，指标十分详尽且在逻辑上与业务成果相关联。对于生产中的每个分析用例，请评估相关的成果指标并询问它们如何对业务成果做出贡献。如果使用分析就可以将客户流失率降低2%，那么这意味着节省了多少钱呢?
正式建议：
创建一个仪表板，该仪表板包含所有引人注目的绩效指标并具备自动数据馈送功能，以便人们可以轻松掌握最新情况。然后，要信任数据所揭示的信息。某投资银行的一位首席执行官说：“只要依靠统计信息而非直觉，你就可以让数据将你导向正确的地点。永远不要受困于当下的纷繁芜杂，这是获得成功的方法之一。”
借助自动化和数字化就可以实时看到变革，而不必等到月末，季末或年末。而且由于人们可以进行更频繁的衡量，所以他们没有理由不这样做。数字只有在投入使用时才有价值。企业必需确定最佳节奏并做到最好。
没有组织分析操作模型的通用方法
但是，这里有两个普遍的事实。其一，应该有一个中心职能来维持最佳实践并利用硬资产的规模经济。其二，谁掌管了最终赢利，谁就负责获取价值。一旦开发出解决方案并获得业务投入就必需让业务负责人负责价值的获取。
那么最佳的分析运营模式是什么呢?这种紧张关系介于卓越中心(COE)和数据业务部门之间，而卓越中心是数据科学的核心职能。如果使用得当则每个模型都可以工作。麦肯锡最近的研究发现，分析的组织方式与成功之间几乎没有任何关联。重要的是，运营模型必须与业务模型保持一致，以便它可以利用现有文化和实践的成功要素，同时仍可促进一切分析工作赖以成功的各种跨职能实践。
正式建议：
领导者必需评估决策力在其组织中(在中心还是在业务部门中)所处的位置，然后设计一个利用现有结构优势的分析组织模型。如果已经有从事分析的卓越中心，那么评估其效能是非常重要的。这是要考虑的问题之一：可以多快做出决策?分析解决方案是否有足够的业务投入?我是否从这些解决方案中获得了我所期望的价值?
用人方面的难题不仅在于寻找数据科学家，还在于培养“翻译人员”
尽管人才仍然十分缺乏，但我们采访的大多数首席执行官都说自己的公司已经雇用了数据科学家。这些首席执行官需要更多精通分析的业务专家，这些专家能够发现机会，提出问题，制定解决方案并倡导变革。一位首席执行官指出：“我请了很多懂业务人，我也可以轻松地请到懂技术的软件工程师。但很难找到两者兼具的翻译人员”。关键是找到这样的人，他们能使数字为业务所用。
正式建议：
找到具备定量背景的高绩效人员(例如统计学家和计量经济学家)，然后设计一个能力培养计划以扩展他们的分析技能。该课程不仅要包含数据科学，还应包含能主导端对端用例的确立和实施所必需的领导力技能以及刺激文化变革所需的变更管理技能。在设计这些程序时，请结合成人的学习原则，结合在职培训，面对面学习和在线进修课程之类的方法。请考虑为成功完成这些课程的人员设计正式的证书。
实现一个大创意的最快方法是培养数据驱动的测试与学习文化
没有哪家公司不热衷于庆祝成功，因为这既有趣又容易。但是许多公司并不热衷于传达坏消息。许多公司还存在假设偏差，它们会按现有议程来调整数据。
另一方面，许多新兴企业和其他敏捷企业中存在着一种数据驱动，测试和学习的文化。一旦设立了高远的愿景，它们就鼓励员工去发现机会所在，快速开发概念验证，然后让数据来说话。重点是迅速产生各种违背直觉的洞察和新想法，对其进行测试，然后要么继续开展这样的工作，要么放弃。坏消息要尽早传达出去，传达坏消息并不可耻，因为错误是改进和下一次迭代的源泉。虽然并非组织的所有部门都必须全盘采用这种文化，但卓越的分析中心以及需要保持领先地位的业务部门却需要全盘接受这种文化。
正式建议：
沙盒(sandbox)是一个充满创造力的地方，在这里创建的内容也可以迅速拆除。这样做的目的是：提供发现新功能，运行关联和执行分析所需的各种合适工具，技术和计算机功能。然后，要实现这一点——当新信息和新需求取代旧信息和旧需求时可以将沙盒拆除，而无需进行大量的数据安全性，合规性和清理方面的工作。
这是创建一种文化的部分工作，在这种文化中，数据(而不是猜测)会对这些问题产生影响，并且人们可以适应不断变化的环境。人们必须将传播和听取坏消息视为日常业务的一部分。即使人们承认大多数努力都会失败，他们也要为投资设立明确的阶段关卡(stage gate)，然后随着各个阶段性成果的实现而加大投资规模。强调对速度的需求。一家消费品公司的业务部门的负责人指出：“在分析方面，我们失败的频率要远远高于成功。但我们正在尝试更快地从失败中学习并进入下一个迭代。”
许多行业并未充分利用数据和分析。要做得更好就必须使挑战具有紧迫感并愿意以不同的方式做事。总体而言，与我们交谈的高管都了解这一点。
完成全面转型意味着围绕共同的战略目标来调整业务，确立基本原则并产生动力。这往往需要两到三年的时间才能实现。因此，组织仅仅在一个狭窄的窗口中工作。否则它们将落伍，甚至永远无法追上。一位首席执行官若有所思地对自己说，“这不再是大鱼吃小鱼的时代，而是快鱼吃慢鱼的时代。”
