在过去的十年中，数字分析技术的进步改变了企业的运营方式。从营销，定价策略到客户服务和制造业，高级分析现在是许多公司职能的核心。但是，战略还没有达到这样的程度——至少现在还没有。
尽管战略制定始终需要富有创造力和思想的高管来设立志向并做出大胆的选择，但分析工具可以给企业带来优势。高级分析可以用来完成以下任务：
- 在分配资源之前，你先要调整战略获得成功的可能性，从而减少决策中的偏见。
- 发掘新的增长机会以揭示增长的隐患，其方法使用传统的头脑风暴以外的方法。
- 发现早期趋势，其方法是实时记录业务环境的发展状况，以便你可以先于竞争对手采取重大举措。
- 预测复杂的市场动态，其方法是生成巨大影响力量的专有洞察。
这些应用程序中的任何一个都可以增强业务领导者对竞争领域以及如何定位自己以取得胜利的看法。但这需要将高级分析作为战略流程的重点。
减少决策偏见
当Daniel Kahneman和Amos Tversky认为，即使是经验丰富的计划人员也往往低估了完成项目所需的成本和时间，他们将这种现象称为“计划谬误”。他们认为，这种趋势是由于人们根据手头案例的具体情况和他们的个人经验和直觉(通常称为“内部观点”)做出预测而产生的，而没有考虑到类似案例结果的分布情况(因此，许多预测都过于乐观。两位合作者继而提出了一种称为“参考类别预测”的纠正程序，其中涉及用来自类似案例的参考类别的真实结果或“基本比率”的数据对内部观点进行补充。
这项技术在过去20年获得了令人瞩目的应用，数百篇文章重点介绍了该方法在学术和实践环境中的应用。迄今为止，此类调整在很大程度上仅限于项目管理领域，但是在战略规划期间做出的预测也面临着类似的挑战。战略计划也涉及估算各种投资的未来成本和收益，对这些决策能产生影响的外部观点也同样具有价值。
在最近出版的《曲棍球球棒以外的战略(Strategy Beyond the Hockey Stick)》(由威利出版社于2018年2月出版)一书中，我们介绍了使用数据分析在战略中引进外部观点的想法。由于采用了外部观点，你可以先估算该战略的成功几率，然后再为该策略分配资源。例如，如果你的目标是在下一个十年中每年增加1亿美元的经济利润，而你知道仅有35%的大公司在十年内成功实现这一目标，这则消息对你难道不是很有用吗?还有，如果我们告诉你实施计划性并购战略并在生产率提高方面名列前五位的公司，实现该利润目标的可能性要提高1.5倍，难道你不会考虑在战略工作中优先考虑这两个领域?
我们经常采用这种方法来根据数以千计的上市公司的数据来调整战略和业绩方面的期望。该方法可用来激发大胆的战略行动，而在某些情况下，这表明如果没有非常强大的执行力就不可能实现雄心壮志。例如，有一家能源公司看到了这种方法，那时它意识到其计划战略仅在10%的历史案例中实现了他们所针对的经济绩效。这个战略实在太保守了。这导致该公司重新评估了该计划并采取了更宏大，更大胆的战略举措，这将提高他们实现预期收益的可能性。另一个极端情况是，有一家材料工业公司制定了这样一个战略，即在某个数据库中只有5%的公司能够成功执行。强调这一雄心壮志有助于证明为该计划的交付确立严格的执行力管理和绩效管理基础设施的重要性，而这有助于降低市值80亿美元的投资风险。
发掘新的增长机会
高级分析还可以增强战略规划，其方法是发掘其它情况下很难发现的增长机会，这些增长机会可能是极具吸引力的行业领域和收购目标，新产品或服务的构想，甚至是用于现有产品的新应用程序。这些算法中最高效的方法是使用复杂的网络分析和自然语言处理来解析和查找数百种不同的文本数据源之间的连接，这些文本数据源包括公司说明，专利申请，并购数据和学术论文。
例如，有一家专门生产溴化化合物(主要用于洗涤剂等商品化学领域)的公司扫描了有关此类化合物的所有公开信息(包括逾1.2亿项专利和1亿篇学术出版物)，以发现数百种对其产品的潜在的新应用。该组织优先考虑了30种利润率更高的应用(例如利基医疗设备)，这些应用最终共同为其增长计划带来了5000万美元的收入。同样，当另一家专门研究高性能材料的公司想要分析垫片和绝缘材料领域的增长机会时，它使用文本聚类算法和网络分析来确定五个聚类中的45个潜在增长领域，每个聚类中都有值得收购的公司。
发现早期趋势
最先进的人工智能引擎可以实时分析跨越数十亿网页，专利申请，新闻来源，临床试验报告，收益电话记录等的公开可用信息。只要在这些不同的数据源中找到模式就有助于主管人员发现新兴趋势，例如，通过测量数据中术语出现频率的变化来发现趋势。
以一家制造公司试图决定投资哪种电动汽车电池技术为例。这并非微不足道的决策，因为仅资本支出一项就将耗资数十亿美元，而且有可能使该制造商长年使用某项特定技术。了解相关趋势如何发展以及何时使用特定技术就有可能会拥有明显优势，这家公司的高管将因此而受益匪浅。他们可以通过近乎实时地跟踪专利和学术出版物的发展势头，公告以及跨不同技术的投资来获得这些洞察。他们还可以跟踪相关的法规变化，例如刺激电动汽车需求的零排放车辆法规或在锂电池能得到集中供应的国家的本地保有量规则。
这些实时工具中的一些工具还可以执行“情感分析”，这种情感分析使用受过训练的算法根据事件或主题，所涉及的公司以及与每个公司相关的正面或负面情绪对新闻和社交媒体内容进行分类。寻求短期市场效率低下因素的量化投资者使用此类数据为交易提供信息。制定战略的公司也同样可以利用此类分析并及时了解客户情绪或信誉风险。
在充满不确定性的世界中，公司必须在制定和管理战略计划方面灵活多变。这就要求将众多管用且不会令人遗憾的举措结合起来，而且可以进行一些更宏大，更大胆的博弈，一旦执行团队感到满意，有利的情况就渐渐彰显。只要使用高级分析来跟踪新兴趋势，你就可以先于竞争对手触发这些偶然的举措。
预测复杂的市场动态
通过接近现实世界的行为，数学建模和仿真可突出显示与各种战略选择相关的重要权衡和假设，预测不同情况下的市场需求并帮助管理人员理解和预测竞争对手的反应或客户行为。当前可用的建模方法包括系统动力学，基于智能体的仿真，蒙特卡洛分析以及一系列机器学习方法。这些模型在评估复杂的市场和竞争情况时特别有用，因为在这些情况下，管理直觉不足以充分说明许多相互依存的各方的行动所产生的影响。
不妨考虑一下某电力运营商的经验，该运营商使用详细的能源流动模型，根据未来能源组合(风能，太阳能，核能)的不同方案来制定资本支出战略。该模型考虑了10000多个变量，包括所有电网资产，当前和未来发电能力及其概况，预期的负荷分布及其概况以及进出口能力。然后，概率优化引擎进行了4000万次迭代，使该电力公司能够确定如何以这样的方式部署数十亿美元的资金，即最大程度地减少停机时间和成本，同时确保电网能产生可靠的电力容量。结果就是该公司节省了约5亿美元。
模型在分析具有许多独立实体的系统时特别有用，在这些系统中，行为无法在总体级别上预料到，因为行为是由众多对象(例如客户或竞争对手)的相互作用和选择以不可预测的方式演变而来的。在这种情况下，战略制定者可以求助于所谓的基于智能体的建模和仿真。这些工具为每个业务代表分配一组决策规则，然后根据每个业务代表可用的信息来模拟其选择。行为以通常使用更传统的自上而下模型无法预测的方式从系统中“衍生”。
尽管基于智能体的建模通常用来对动态的社会行为，流行病和自然系统进行建模，但它尚未广泛应用于战略中。但是，在充斥着客户，竞争对手或供应商的市场中运营的公司(例如电子商务和数字生态系统)可以发现这种模型很有价值。例如，有一家消费品公司使用这种方法来开发一个集成的市场模型，以捕获客户，供应商和竞争对手的行为。然后，它使用该模型来了解新产品的发布以及竞争对手的定价策略将对其产品的需求所产生的影响。
相较于大多数公司职能，战略尚未抓住高级分析的优势，错过了潜在的重要洞察。只要利用这些技术来补充团队创造力就可以从根本上改善战略成果。
