大數據時代，大多數企業都對大數據寄予厚望。通過數據分析，企業既能夠實現危機預警，也能做到洞察先機。但是，企業規模不同、數據應用的成熟度不同，大數據技術的發展更是一日千里。俗話說，“一口氣吃不成胖子”，企業如何科學地搭建適合自己的大數據視野呢?

[[207149]]

波士頓咨詢公司(Boston Consulting Group)最近的一項調查顯示，公司擁有的大數據能力與他們渴望在三年內擁有的大數據能力之間存在著巨大的差距。 其中一項能力——優先級能力——的不足影響尤甚，因為它是成功的根本。

[[207150]]

此外，另外一個明顯的現象是，企業選擇大數據方案時非常地“隨性”。有時候會選擇脫離實際的方案，而不是具有成長性的方案——那種可以讓企業隨著時間的推移集成到更先進、更有價值的能力的方案。

隨性的選擇有時候還會導致企業以彼此分散、不相關聯的方式工作。業務部門通常不知道、也沒有能力利用其他業務部門開發的數據資源、人才或洞見。

不過，企業可以改變策略。從隨性選擇轉變為聚焦重點，一邊追求大數據帶來的價值，一邊以協調的方式發展自己的大數據能力。通過“加速器”和“測試-學習”的方法，企業可以快速查看結果，獲得經驗并將經驗教訓應用到工作中去。

如果您覺得“加速器”和“測試-學習”這兩個概念比較陌生，這是正常的——我們即將從0開始，一步一步地展開說明如何利用這些工具，形成您的大數據視野

Step 1：聚焦重點

公司聚焦能力的關鍵在于它確定優先級的能力。然而，這往往是公司最薄弱的能力之一。波士頓咨詢公司(以下簡稱BCG)調查發現，受訪者表示他們排列各種大數據機遇的優先級的能力很低，如果在1～5分之間打分，平均得分僅為2.5。企業需要發展該項能力，以集中精力開展最佳舉措以及培育其它能力。

Step 2：對大數據方案進行調查的最佳方式

如何確定最佳機遇 面對利用數據的多種方法，企業必須排出優先級。這意味著評估每一種大數據方案的潛在利益，以及它們的可行性。

為了分析利益，公司需要一種定制但結構化的方法——使用企業目前的目標和優先級來建立一套標準，并分別給予權重。評分后，每項舉措的相應位置就繪制完成了。

上圖縱軸為潛在利益，越靠上說明方案帶來的潛在利益越大;橫軸則為可行性，越靠右說明方案越容易推行。

潛在利益可能包括：可以創造的潛在價值(無論是直接的方式，例如增加收入，還是以間接的方式，如提高客戶滿意度); 可能對客戶體驗產生的影響; 可能的戰略適應;或與技術路線的潛在整合力。與一家企業相關的因素，可能并不適合其它企業。

確定下潛在利益之后，要為每一個利益打分，也就是設定權重了。同樣，權重的設定也必須契合企業現狀。對于一些公司來說，更重要的可能是改善客戶體驗，而不是創造收入，這種情況應該反映在每個標準的權重上。

每項標準的權重直接影響到該方案在利益軸上的位置，所以改變一個權重可能會造成項目的實現或破產。管理人員深知這些，他們通常會強調某些標準的重要性，以提高項目通過的可能性。 因此，滿足所有利益相關者的權重可能是棘手的; 讓關鍵決策人參與討論并分配足夠的時間非常重要。根據我們的經驗，需要多個會議——通常是3個——來確定最優權重。

為了確定可行性標準，企業應考慮實行方案需要的各項能力——比如公司對必要數據的訪問權限，客戶是否信任這樣使用數據等等，并衡量每種能力是否到達所要求的成熟水平。 還應評估其它有助于確定可行性的因素——比如監管限制和上市時間。 由于確定當前和所需的成熟度水平往往需要技術專長，CIO以及來自IT和運營的代表應參與分析。

選擇標準，評分，并將這些方案繪制在圖表當中，可以幫助企業發現哪些機會值得關注。這個過程也可以幫助決策者認清企業應當聚焦的那些能力。

Step 3：發展正確的能力

使用聚焦重點的方式來培養能力是重要的，因為在這個時代，能夠發揮作用的大數據相關技能、流程和技術簡直多到不勝枚舉。確定大數據方案，應該利用一份涉及到公司運營各個方面的能力清單。BCG將這些能力分為四組：

• 數據視覺：數據視覺是一個公司建立大數據視野的“瞳孔”。這項能力對于確定數據與分析在公司業務模式、戰略中扮演的角色、以及對價值創造的影響至關重要。
• 數據使用：這方面的能力決定著企業如何生成、并管理新的創意，對于管理企業隱私、確保數據安全、贏得客戶的信任也很重要。
• 數據引擎：這些能力圍繞著企業的數據結構——要包括哪些人員、流程、技術——才使公司能夠高效地收集、存儲、管理和使用數據。
• 數據生態系統：利用這些技能，創建伙伴關系和其他外部關系，在大數據業務模式和戰略中發揮作用。

顯然，公司不能同時提升所有能力。調查顯示，幾乎所有的能力，公司目前的水平和未來三年內渴望達到的水平都存在巨大差距。數據使用，數據引擎和數據生態系統的差距尤其明顯。同時提升這么多能力對許多公司來說必然是一個挑戰。

調查結果還表明，許多公司可能并沒有完全了解某些能力的價值。報告顯示，受訪者發展伙伴關系和其他外部關系的能力特別低。事實上，只有相對較少的公司——大約30%——正在從事合作伙伴關系或考慮與同行進行有意義的合作。然而在實踐中，數據生態系統通常被證明是成功的大數據方案的重要組成部分。建立合作伙伴關系和外部關系是獲得必要知識和技能的最快捷——通常也是唯一的方式。建立更廣泛的生態系統還可以讓公司獲得一些自己需要、但不具備的數據。然而，在四組能力中，數據生態系統的能力不僅是目前的最低水平，而且也是最低期望水平。這表明，許多公司需要在整個組織中灌輸對大數據方案的基本理解，并獲得使其發揮作用的資源。

兩手抓，兩手都要硬。理想情況下，邁向大數據視野的旅程應該像爬樓梯一樣：通過每一步或每一個方案，一家公司創造價值并發展相應的能力以支持它的下一步，在這個“爬樓”的過程中逐漸健全企業能力。BCG建議，企業想要加快這一進程，應當邀請分析專家進入。

Step 4：獲得“加速器”

傳統來說，確定數據方案一般由業務人員主導。但是，如果以高效、有效的方式，讓分析專家參與到方案的創意、安排優先級、以及最終決策中，會帶來一些益處。我們發現，經典的“輻軸式”(從中心輻射到四周)運營模式可以確保公司獲得這些益處。

“輻軸”的中心由一個核心的數據分析團隊組成，團隊成員具備大數據的才能以及技巧。這并不是一個“數據部”，而是一個輕量級的組織，是負責設計和執行高級分析的數據科學家，以及負責收集清洗數據、實施數據管理以及數據安全、并定義數據架構的數據工程師的家園。而一條條從中心發散出去的輪輻則是各個業務部門。

納入分析專家的益處之一是，他們可以提升企業處理優先級的能力，以及命中大數據機會的可能性。該模型通過促進數據分析團隊和業務部門之間的交互與協作來確保這一點。比方說，當分析團隊的負責人及其專家參與優先級討論時，可以更精確地為利益標準制定權重。

另一個優點是，分析專家可以幫助企業提升對大數據的認識和了解。再一次，該模型的互動和協作可以幫助業務部門的領導者更好地理解大數據能做什么，不能做什么。同時，分析專家對業務需求以及如何滿足這些需求有更好的知識儲備。

但也許分析專家帶來的最大的好處是“速度”。通過與業務部門合作，分析團隊可以幫助加快大數據方案的實施以及能力建設。事實上，我們傾向于將分析團隊簡單地描述為“加速器”。 它可以通過幾種重要方式達到目標：

• 加快確定新機遇的速度。作為大數據方案的中心，加速器可以看到所有項目的成果。因此，它可以通過兩種方式激勵他人：分享業務部門的項目經驗與見解，以及醞釀新的舉措。了解其他舉措的結果將有助于業務部門產生新的想法;了解所有的大數據方案將有助于加速器確認機會。
• 快速訪問內部和外部資源。作為人才和工具的焦點，分析團隊可以協調內部資源。 這不僅可以確保技巧、可用數據和技術在整個公司內得到更有效的使用，而且有助于將業務部門引導至他們甚至可能不知道的資源(例如數據或見解)。 作為外部資源和伙伴關系的協調者，加速器可以將業務部門引導到更廣泛的分析生態系統，以訪問內部可能不可用的數據與功能。沒有這種協調，外部資源往往以隨性的、而且往往并非最佳的方式被使用。
• 以智慧和協調的方式建立能力。一步一個腳印是困難的。確實很容易就脫離了軌道。一方面，如果一家公司過分注重大數據方案的即時利益，選擇建設提供價值、但卻不需要發展新技能、新資源的方案，那么在未來某個時刻，當你需要某些關鍵能力的時候，就會發現有很大的缺口。另一方面，如果一家公司過分強調建設長期能力，但不能創造近期價值，那么就有建立一個累贅的風險：投入了大量的時間、金錢與人力，卻部署了一個看起來不錯但基本沒有得到充分利用的設施。

“加速器”通過幫助避免這些陷阱，來加快企業能力的發展。通過對整體能力和全面機會的了解，企業可以確保以協調的方式實施各項舉措和能力，從而使公司迅速邁向長期愿景。

Step 5：以敏捷的方式工作，并采用“測試-學習”方法。

以敏捷的方式工作是實施大數據方案的關鍵。在敏捷模式下，小型跨職能團隊通過快速、頻繁的迭代開發和測試，利用經驗教訓來改進這些項目，并探索新項目。

在我們的調查中有一個有趣的發現，總的來說，并不是最大的公司才擁有最成熟的分析能力或最大的野心。相反，這是一群介于最大和最小受訪者之間的公司。他們比小型企業擁有更多的資源，但與此同時，又沒有大企業那么多的層級結構，受到傳統結構的層層阻礙。簡而言之，他們往往更有能力實施敏捷模式。

雖然沒有業務部門與加速器如何協同工作的標準案例(公司跟公司之間會有所不同)，但有一個通用的流程：構思-策劃-研發以及部署-ownership。無論是業務部門，還是“加速器”，都能為項目帶來關鍵技能。業務單位提供業務專家和產品所有者; 加速器提供分析專家、數據專家和開發主管。在一起，他們通過頻繁的周期來開發、測試與學習構建最小可行性產品。

最小可行性產品發布后，業務部門將全面接管產品，并在必要時進一步開發產品。與此同時，“加速器”則用從經驗中獲取的見解來確定組織其他部分的新舉措——一個新的循環開始了。

實際上，實現大數據視野的途徑本身就由一系列的迭代組成。每個方案都會影響到下一個方案的方向。這個過程可以比喻成經過每一個轉彎都變得更聰明一點的GPS，為更好的目的地繪制更快的路線。

“輻軸式”模型已經成功實施。一位行業領先的金融服務提供商的首席財務官認識到，分散的分析工作無法對公司產生真正的影響。該公司建立了由75位專業人士組成的卓越中心(CoE)，其中包括數據科學家、數據工程師和業務分析師。該小組與業務部門的領導緊密合作，確定解決關鍵業務難點的大數據方案，根據明確和可衡量的回報優先考慮這些舉措，并使用跨職能團隊實施舉措。 該CoE顯著地加速了價值的交付，同時使公司能夠規模化、標準化地利用其分析方案。

該模式還具有很大的靈活性：可以根據公司的具體要求和特點，以各種方式實施。例如，在某個領先的歐洲銀行，大數據功能的成熟度在各個業務領域有很大差異。于是，該銀行建立了一個大約40人的數據中心，主要分為兩個組——高級分析師和數據工程師——為每個業務線提供所需的支持。 比如在零售銀行方面，分析被廣泛應用于運營和決策，因此其大數據功能已經非常強大。 因此，中心主要為更高級的方案提供補充援助。相比之下，在財富管理方面，分析并沒有得到廣泛的應用，所以中心提供了更全面的支持，實際上“外借”了全面的專家小組來創建分析模型，然后負責實施和監督。

現在：開始啟動

對于快速實現大數據視野，并將其轉化為公司尋求的價值來說，聚焦和加速至關重要。

我們建議企業首先選擇一個靈活、輕便的商業分析平臺，然后利用某個項目，逐步推進“數據分析+業務”的跨部門協作，一步一個腳印地實現自己的大數據視野。

畢竟，在商業的戰場中，數據觀跟世界觀一樣重要。