五个步骤,搭建企业的“大数据视野”

波士顿咨询公司（Boston Consulting Group）最近的一项调查显示，公司拥有的大数据能力与他们渴望在三年内拥有的大数据能力之间存在着巨大的差距。 其中一项能力——优先级能力——的不足影响尤甚，由于它是成功的根本。

此外，另一个明显的现象是，企业选择大数据方案时很是地“随性”。有时候会选择脱离实际的方案，而不是具备成长性的方案——那种可让企业随着时间的推移集成到更先进、更有价值的能力的方案。随性的选择有时候还会致使企业以彼此分散、不相关联的方式工做。业务部门一般不知道、也没有能力利用其余业务部门开发的数据资源、人才或洞见。

不过，企业能够改变策略。从随性选择转变为聚焦重点，一边追求大数据带来的价值，一边以协调的方式发展本身的大数据能力。经过“加速器”和“测试－学习”的方法，企业能够快速查看结果，得到经验并将经验教训应用到工做中去。

若是您以为“加速器”和“测试－学习”这两个概念比较陌生，这是正常的——咱们即将从0开始，一步一步地展开说明如何利用这些工具，造成您的大数据视野。

一、聚焦重点

公司聚焦能力的关键在于它肯定优先级的能力。然而，这每每是公司最薄弱的能力之一。波士顿咨询公司（如下简称BCG）调查发现，受访者表示他们排列各类大数据机遇的优先级的能力很低，若是在1～5分之间打分，平均得分仅为2.5。企业须要发展该项能力，以集中精力开展最佳举措以及培育其它能力。

二、对大数据方案进行调查的最佳方式

如何肯定最佳机遇？ 面对利用数据的多种方法，企业必须排出优先级。这意味着评估每一种大数据方案的潜在利益，以及它们的可行性。

为了分析利益，公司须要一种定制但结构化的方法——使用企业目前的目标和优先级来创建一套标准，并分别给予权重。评分后，每项举措的相应位置就绘制完成了。

上图纵轴为潜在利益，越靠上说明方案带来的潜在利益越大；横轴则为可行性，越靠右说明方案越容易推行。

潜在利益可能包括：能够创造的潜在价值（不管是直接的方式，例如增长收入，仍是以间接的方式，如提升客户满意度）; 可能对客户体验产生的影响; 可能的战略适应；或与技术路线的潜在整协力。与一家企业相关的因素，可能并不适合其它企业。

肯定下潜在利益以后，要为每个利益打分，也就是设定权重了。一样，权重的设定也必须契合企业现状。对于一些公司来讲，更重要的多是改善客户体验，而不是创造收入，这种状况应该反映在每一个标准的权重上。

每项标准的权重直接影响到该方案在利益轴上的位置，因此改变一个权重可能会形成项目的实现或破产。管理人员深知这些，他们一般会强调某些标准的重要性，以提升项目经过的可能性。

所以，知足全部利益相关者的权重多是棘手的;

让关键决策人参与讨论并分配足够的时间很是重要。根据咱们的经验，须要多个会议——一般是3个——来肯定最优权重。

为了肯定可行性标准，企业应考虑实行方案须要的各项能力——好比公司对必要数据的访问权限，客户是否信任这样使用数据等等，并衡量每种能力是否到达所要求的成熟水平。

还应评估其它有助于肯定可行性的因素——好比监管限制和上市时间。

因为肯定当前和所需的成熟度水平每每须要技术专长，CIO以及来自IT和运营的表明应参与分析。

选择标准，评分，并将这些方案绘制在图表当中，能够帮助企业发现哪些机会值得关注。这个过程也能够帮助决策者认清企业应当聚焦的那些能力。

三、发展正确的能力

使用聚焦重点的方式来培养能力是重要的，由于在这个时代，可以发挥做用的大数据相关技能、流程和技术简直多到不胜枚举。肯定大数据方案，应该利用一份涉及到公司运营各个方面的能力清单。BCG将这些能力分为四组：

*

数据视觉是一个公司创建大数据视野的“瞳孔”。这项能力对于肯定数据与分析在公司业务模式、战略中扮演的角色、以及对价值创造的影响相当重要。*

数据使用这方面的能力决定着企业如何生成、并管理新的创意，对于管理企业隐私、确保数据安全、赢得客户的信任也很重要。*

数据引擎这些能力围绕着企业的数据结构——要包括哪些人员、流程、技术——才使公司可以高效地收集、存储、管理和使用数据。*

数据生态系统利用这些技能，建立伙伴关系和其余外部关系，在大数据业务模式和战略中发挥做用。

显然，公司不能同时提高全部能力。调查显示，几乎全部的能力，公司目前的水平和将来三年内渴望达到的水平都存在巨大差距。数据使用，数据引擎和数据生态系统的差距尤为明显。同时提高这么多能力对许多公司来讲必然是一个挑战。

调查结果还代表，许多公司可能并无彻底了解某些能力的价值。报告显示，受访者发展伙伴关系和其余外部关系的能力特别低。事实上，只有相对较少的公司——大约30％——正在从事合做伙伴关系或考虑与同行进行有意义的合做。

然而在实践中，数据生态系统一般被证实是成功的大数据方案的重要组成部分。创建合做伙伴关系和外部关系是得到必要知识和技能的最快捷——一般也是惟一的方式。

创建更普遍的生态系统还可让公司得到一些本身须要、但不具有的数据。然而，在四组能力中，数据生态系统的能力不只是目前的最低水平，并且也是最低指望水平。这代表，许多公司须要在整个组织中灌输对大数据方案的基本理解，并得到使其发挥做用的资源。

两手抓，两手都要硬。理想状况下，迈向大数据视野的旅程应该像爬楼梯同样：经过每一步或每个方案，一家公司创造价值并发展相应的能力以支持它的下一步，在这个“爬楼”的过程当中逐渐健全企业能力。BCG建议，企业想要加快这一进程，应当邀请分析专家进入。

四、得到“加速器”

传统来讲，肯定数据方案通常由业务人员主导。可是，若是以高效、有效的方式，让分析专家参与到方案的创意、安排优先级、以及最终决策中，会带来一些益处。咱们发现，经典的“辐轴式”（从中心辐射到四周）运营模式能够确保公司得到这些益处。

 

欢迎加入大数据学习群：784557197

“辐轴”的中心由一个核心的数据分析团队组成，团队成员具有大数据的才能以及技巧。这并非一个“数据部”，而是一个轻量级的组织，是负责设计和执行高级分析的数据科学家，以及负责收集清洗数据、实施数据管理以及数据安全、并定义数据架构的数据工程师的家园。而一条条从中心发散出去的轮辐则是各个业务部门。

归入分析专家的益处之一是，他们能够提高企业处理优先级的能力，以及命中大数据机会的可能性。该模型经过促进数据分析团队和业务部门之间的交互与协做来确保这一点。比方说，当分析团队的负责人及其专家参与优先级讨论时，能够更精确地为利益标准制定权重。

另外一个优势是，分析专家能够帮助企业提高对大数据的认识和了解。再一次，该模型的互动和协做能够帮助业务部门的领导者更好地理解大数据能作什么，不能作什么。同时，分析专家对业务需求以及如何知足这些需求有更好的知识储备。

但也许分析专家带来的最大的好处是“速度”。经过与业务部门合做，分析团队能够帮助加快大数据方案的实施以及能力建设。事实上，咱们倾向于将分析团队简单地描述为“加速器”。 它能够经过几种重要方式达到目标：

* 加快肯定新机遇的速度。做为大数据方案的中心，加速器能够看到全部项目的成果。所以，它能够经过两种方式激励他人：分享业务部门的项目经验与看法，以及酝酿新的举措。了解其余举措的结果将有助于业务部门产生新的想法；了解全部的大数据方案将有助于加速器确认机会。

* 快速访问内部和外部资源。做为人才和工具的焦点，分析团队能够协调内部资源。

这不只能够确保技巧、可用数据和技术在整个公司内获得更有效的使用，并且有助于将业务部门引导至他们甚至可能不知道的资源（例如数据或看法）。

做为外部资源和伙伴关系的协调者，加速器能够将业务部门引导到更普遍的分析生态系统，以访问内部可能不可用的数据与功能。没有这种协调，外部资源每每以随性的、并且每每并不是最佳的方式被使用。

*以智慧和协调的方式创建能力。一步一个脚印是困难的。确实很容易就脱离了轨道。一方面，若是一家公司过度注重大数据方案的即时利益，选择建设提供价值、但却不须要发展新技能、新资源的方案，那么在将来某个时刻，当你须要某些关键能力的时候，就会发现有很大的缺口。另外一方面，若是一家公司过度强调建设长期能力，但不能创造近期价值，那么就有创建一个累赘的风险：投入了大量的时间、金钱与人力，却部署了一个看起来不错但基本没有获得充分利用的设施。

* “加速器”经过帮助避免这些陷阱，来加快企业能力的发展。经过对总体能力和全面机会的了解，企业能够确保以协调的方式实施各项举措和能力，从而使公司迅速迈向长期愿景。

五、敏捷，采用“测试-学习”方法

以敏捷的方式工做是实施大数据方案的关键。在敏捷模式下，小型跨职能团队经过快速、频繁的迭代开发和测试，利用经验教训来改进这些项目，并探索新项目。

在咱们的调查中有一个有趣的发现，总的来讲，并非最大的公司才拥有最成熟的分析能力或最大的野心。相反，这是一群介于最大和最小受访者之间的公司。他们比小型企业拥有更多的资源，但与此同时，又没有大企业那么多的层级结构，受到传统结构的层层阻碍。简而言之，他们每每更有能力实施敏捷模式。

虽然没有业务部门与加速器如何协同工做的标准案例（公司跟公司之间会有所不一样），但有一个通用的流程：构思－策划－研发以及部署－ownership。不管是业务部门，仍是“加速器”，都能为项目带来关键技能。业务单位提供业务专家和产品全部者;

加速器提供分析专家、数据专家和开发主管。在一块儿，他们经过频繁的周期来开发、测试与学习构建最小可行性产品。

最小可行性产品发布后，业务部门将全面接管产品，并在必要时进一步开发产品。与此同时，“加速器”则用从经验中获取的看法来肯定组织其余部分的新举措——一个新的循环开始了。

实际上，实现大数据视野的途径自己就由一系列的迭代组成。每一个方案都会影响到下一个方案的方向。这个过程能够比喻成通过每个转弯都变得更聪明一点的GPS，为更好的目的地绘制更快的路线。

“辐轴式”模型已经成功实施。一位行业领先的金融服务提供商的首席财务官认识到，分散的分析工做没法对公司产生真正的影响。该公司创建了由75位专业人士组成的卓越中心（CoE），其中包括数据科学家、数据工程师和业务分析师。该小组与业务部门的领导紧密合做，肯定解决关键业务难点的大数据方案，根据明确和可衡量的回报优先考虑这些举措，并使用跨职能团队实施举措。

该CoE显著地加速了价值的交付，同时使公司可以规模化、标准化地利用其分析方案。

该模式还具备很大的灵活性：能够根据公司的具体要求和特色，以各类方式实施。例如，在某个领先的欧洲银行，大数据功能的成熟度在各个业务领域有很大差别。因而，该银行创建了一个大约40人的数据中心，主要分为两个组——高级分析师和数据工程师——为每一个业务线提供所需的支持。

好比在零售银行方面，分析被普遍应用于运营和决策，所以其大数据功能已经很是强大。

所以，中心主要为更高级的方案提供补充援助。相比之下，在财富管理方面，分析并无获得普遍的应用，因此中心提供了更全面的支持，实际上“外借”了全面的专家小组来建立分析模型，而后负责实施和监督。

如今：开始启动

对于快速实现大数据视野，并将其转化为公司寻求的价值来讲，聚焦和加速相当重要。

咱们建议企业首先选择一个灵活、轻便的商业分析平台，而后利用某个项目，逐步推动“数据分析＋业务”的跨部门协做，一步一个脚印地实现本身的大数据视野。

毕竟，在商业的战场中，数据观跟世界观同样重要