酷播亮新聞
當一系列的流程可以在比原子結構更為複雜的系統中被分解，分析，又被重新組合在一起時，產生的結果可以比原子彈更具威力。一家大型鋼鐵製造商使用各種分析技術來研究其商業模式的關鍵階段，包括需求規劃、預測、採購和庫存管理。它單獨對每個階段中關鍵的價值驅動版塊進行研究，並縮減或消除效率缺陷，從而節約5％至10％成本。當製造商將改進後的流程再重組在一起，並將實時信息在每個階段之間傳送時，這些數據分析所帶來的數以百計的微小改進及其所節約的成本，將產生前所未有的收益激增。
你的數據有目的嗎？如果沒有，那麼你正在原地踏步。
下面是一個如何發現目標，並將其轉換為行動的方法。
數據分析革命
目前正在進行的數據分析革命具有可以改變公司如何去組織、經營、管理人才和創造價值的潛力。一些公司之中,特別是那些從數據中獲得主要回報的企業,正在發生這種變革，但尚未成為主流。
原因很簡單：作為唯一能夠推動更廣泛的業務變革、充分利用高級數據分析的關鍵人物，CEO和其他高層管理人員，對於數據分析這種他們看來深奧又有很多門道的新事物，保持著敬而遠之的心態。
在某個層面上考慮，這是可以理解的。數據分析方法的複雜性、機器學習的日益重要性以及數據集的龐大規模，使得管理層更傾向於「把它留給專家們」。
同時這也是錯誤的。高級數據分析是一個重要的業務問題。這就意味著CEO和其他高管必須能夠清楚地明白這些數據的目的，並將其轉化為行動。他們必須要明白，數據分析不單單是數據分析部門的工作，其結果更是能為整個公司都帶來洞察力和靈感。
本文介紹了8個理清數據分析目標和提升行動能力的關鍵要素。我們確信，充分意識到這兩個其重要性的領導者們，不僅能藉助數據分析解決一些基本問題，還能夠更好地解決他們所面臨的許多關鍵和重要的高級管理方面的挑戰：傳統商業原則下將分析願景轉化為切實結果的需求，部署一系列生產工具和僱用適當人員的重要性，以及應用嚴格指標和提出難題的必要性。從而提升使用數據分析提高企業績效的可能性。
畢竟，性能才是最終的要點，而不是原始的數據集、有趣的模式或者通殺的演算法。高級數據分析是實現目標的手段，它是用來鑒別、實現目標的辨別工具，是一個價值驅動的答案。只有清楚分析數據的目的（我們將在本文的前四條原則中談到）和數據的用處（後四條原則），才能正確的使用這樣的工具。由於不同公司、行業和地區對於高級數據分析業務的熟悉程度參差不齊，當然會得到不一樣的結果。
但是，無論你的起點是什麼，分析發現的洞察力應該成為你的企業的核心策略，能夠隨著市場競爭的變化，持續的定義和不斷的提升公司表現。如果不是這樣的話，則你並沒有讓高級分析的成功為你所用。
第一部分 | 「目的導向」的數據
對於不同的公司，「更好的性能」意味著不同的東西。這也意味著應該根據具體案例情況來分離，聚合和分析不同類型的數據。有時，數據點(data point)很難找到，當然，並非所有數據點都是一樣的。但是，正是這些能助你達到特定目的的數據點，才是最具價值的。
1. 提出正確的問題 | Ask the right questions
你的機構應該問的確切問題取決於你的最優先事項。問題清晰是至關重要的。例如，好的提問包括「我們如何減少開銷？」或者「我們如何增加收入？」，甚至更好的是進一步挖掘問題：「我們如何提高團隊中每個成員的生產力？」、「我們如何為患者帶來高質量的服務？」、「我們如何從根本上加快產品從研發到上市的時間？」
我們需要考慮如何將重要的功能和領域與最重要的版塊結合起來，通過實際的業務示例來，指向真正價值之所在。在對資金和時間有著嚴格限制的現實世界中，數據分析很難為含糊不清的問題給出答案，例如「數據點顯示了什麼樣的模式？」。
一家大型金融公司也因這種開放性的嘗試而遭遇了失敗：它試圖收集儘可能多的數據，想看看大量的數據背後顯示了什麼。當公司發行這種開放性的嘗試結果，有趣但卻對提升企業利益沒有任何幫助的時候，他們才重新調整了團隊。
有了來自管理層的強大支持，這家公司首先清晰了自己使用數據分析想要達到的目標：減少產品開發時間，然後使用客戶採納度，作為衡量此目的的指標。提高數據分析的針對性幫助公司為兩個細分市場推出成功的產品。
無獨有偶，我們知道的另一個組織也是通過首先創建「數據湖」（data lake）而陷入漫無目的的數據分析中。它花費了過多的時間（實際上是數年的時間）收集和處理原始數據，但幾乎沒有投入任何精力來思考數據分析的目的以及想要解決的問題到底是什麼。管理層之後才意識到那些是急待解決的問題，卻已經失去了先機。
如果這些企業先明確了想要解決的問題，再以此為引導來收集數據，那麼他們肯定會更快地取得成效，哪怕只有一部分數據可用作分析。
例如，一家著名的汽車公司在一開始就著眼於如何提高利潤這一基本問題。隨後認識到解決此問題最大的機會是減少在匹配產品設計和工程功能時耗費的開發時間（以及成本）。
一旦公司意識到關鍵所在，即結合其十年的研發經驗教訓進行改革，並顯著的縮短了開發周期，提升了公司利潤。
2. 看起來微不足道的事物，作用卻很大 | Think really small… and very big
細節可能決定成敗。讓我們關注下面這張拍攝於1896年奧運會，100米決賽起跑線上的照片。照片中，參賽運動員們的起跑姿勢可謂千姿百態，有直立的，有彎著腰的，也有雙手攤開的，只有美國田徑運動員ThomasBurke一人採用了現在的標準蹲踞式起跑方法（four-point stance）。也正是這種蹲踞式起跑，幫助Burke節省了加速時間從而助他在那一屆奧運會上，以12秒的成績奪得100米跑的金牌。Burke的成功使田徑界在短跑比賽中開始普及蹲踞式起跑方式，如今，短跑運動員在比賽中都採用了這種準備姿勢。
當然，這個案例可以很好地類比到商業界，那就是當競爭對手迅速採取了同樣的最佳方案（best practice）之後，你的競爭優勢就難以維持。
在1896年雅典舉行的第一次現代奧運會上，被現代觀眾所驚訝的是100米短跑參賽者的姿態各種各樣。Thoams Burke（左二）是唯一的一個採用標準蹲踞式起跑（如今被認為是短跑起跑的最佳方案）的選手，這個優勢幫助他在奧運會上贏得了他兩個金牌中的一個。
好消息是，聰明的一方仍然可以不斷的提升他們的表現，取得突破並回到領先位置。輕鬆地保持優勢是不可能的，但是公司可以找出微小的差異，然後放大並利用它。
「大數據」分析的成果通常表現為數千甚至更多的細微改進。如果一個組織可以將單個任務細化為數個細小的組成部分，並在可能的情況下一一對其進行提升改進，那麼由此帶來的回報是相當可觀的。如果一個組織能夠將這些小的改進，系統化的合併到整個連續的流程之中，其帶來的回報更是呈指數增長的。
企業所做的一切事情幾乎都可以被分解成小的組成模塊。
GE（通用電氣）公司在飛機發動機中嵌入感測器，以實時跟蹤其各部分的性能，從而實現更快的調整，大大減少停機維護的時間。
如果這聽起來像是最前沿的高科技（實際上確實如此），那麼我們可以看一看更接地氣的消費品是怎麼做的。一家領先的CPG公司試圖增加旗下某知名早餐品牌的利潤率。它將整個產品製造過程分解為幾個大的步驟，然後通過高級分析，仔細檢查每個製造過程，以尋求其中是否有可以提高利潤的機會。在這個案例中，公司在烤箱里發現了答案：稍微的調整了烘烤溫度之後，不僅產品的味道更好，而且還減少了生產成本。證據就是，優秀的試吃的結果，以及同樣優秀的財務報表。
當一系列的流程可以在比原子結構更為複雜的系統中被分解，分析，又被重新組合在一起時，產生的結果可以比原子彈更具威力。一家大型鋼鐵製造商使用各種分析技術來研究其商業模式的關鍵階段，包括需求規劃，預測，採購和庫存管理。它單獨對每個階段中關鍵的價值驅動版塊進行研究，並縮減或消除效率缺陷，從而節約5％至10％成本。
當製造商將改進後的流程再重組在一起，並將實時信息在每個階段之間傳送時，這些數據分析所帶來的，數以百計的微小改進及其所節約的成本，帶來了前所未有的收益激增。
通過合理化的端到端系統，將需求計劃，預測，採購和庫存管理連在一起，製造商實現了近50%的成本節約，節約了相當於幾億美元的成本。
3. 擁抱禁忌 | Embrace the taboo
謹防廢進廢出（garbage in, garbage out：要保證數據可靠有用，才能保證分析結果的可靠有用）,這個咒語已深入到了商業思維中，有時會阻礙我們的思維和洞察力。
實際上，有用的數據點在不同的案例中有著不同的形式和規模，通常以自由文本維護報告或者PPT演示文檔等形式隱藏在企業之中。然而，不少團隊經常會忽視這些數據，因為這些數據質量不一、缺乏一致性、過時或者因為看起來並不像是我們定義中的「數據」而被過濾等。
但是如果我們能「廢物再利用」，正確的使用這些隱藏著的信息，也許將能得到更清晰有力的結論。在日常生活中，在跳出Excel表格進行信息創建，讀取或回應的非二進位世界裡，即使是最精英的「金融工程師」（「quant」）處理大量定性的信息，其中大部分都是無法量化信息並且不適合用做數據分析。我們知道，生活中很少有確定的事情，通常我們去衡量概率，考慮各方優勢並且記錄細微的提示信息。
想一想去超市購物的時候，你總是去4號台結賬嗎？或者你有沒有注意到，今天某個櫃檯的員工似乎工作效率更高，某個櫃檯有個顧客拿著現金買單而不是信用卡，某個櫃檯的收銀員沒有助手去幫助他打包商品，而在某條隊伍排隊的顧客的購物車裡面有些貨物還未稱重並且需要分開裝？所有這些都是無法量化卻可以處理的信息，並且有些數據比其他數據更有價值。但你可能會逐個地去考慮他們，而且當你決定購物車將往哪兒推時會考慮地更多。只是因為4號結賬台在你最近幾次購物經歷中結賬速度最快，但這並不意味著在今天也會是最快的。
事實上，雖然原生數據點和歷史數據點是有價值的，但它們有其局限性。有一家公司在建立強大的投資審批流程後遇到了這些問題。公司為減少資本資源的浪費，在沒有歷史數據，以及可靠的信息支持投資回報率預測的情況下，管理層將不予通過新產品。不幸的是，這種嚴格的制度導致了公司產品上市周期過長，從而使公司不斷錯過市場。只有放鬆數據約束，將諸如行業預測、產品專家預測和社交媒體評論等軟數據也納入考慮之中，公司才能更準確地了解當前市場環境和推出新產品的絕佳時機。
當然，Twitter信息與遠程信息處理並不一樣。但是不能僅因為數據不完整或基於設倫，或是存在偏差，就把這些數據當作「垃圾」來對待。軟信息確實有它的價值。特別是當人們嘗試將獲取更精準的數據與更好的推測未來形勢時，這些軟數據甚至會起到關鍵作用。
為了以智能而細緻的方式優化可用信息，公司應努力構建一個強大的數據世系模型（data provenance model），以識別信息來源源，並實時評估其可靠性（可能隨時間而提升或降低）。記錄數據的質量，以及確定數據之類的方法，這不僅是數據透明度問題，同時也是一種風險管理的形式。所有的公司都在一個不確定性下競爭，有時一個關鍵的決定性數據的確定性不一定能滿足人們的期待。一個構架完善的世系模型可以使用負荷測試檢查對行/不行決策的可行度，從而幫助管理者決定投資去改善關鍵數據集的合適的時機。
4. 連點成線 | Connect the dots
在邊界上往往能產生新見解，就像考慮軟數據一樣能夠帶來新見解一樣，結合信息來源來全盤考慮，可以使這些見解更加清晰。
一些企業往往在一項獨立的數據集上進行深入挖掘，卻沒有考慮到各種不同數據集結合在一起時所傳達的信息。例如，人力資源部可能有完整的員工績效數據，營運部門有特定資產的綜合信息，而財務部的投資回報率的備份財務報表。仔細審查每一份信息肯定是有用的，但是互相獨立的信息數據集之間也許存在著更多尚待未開發的價值。
有家工業公司提供了一個具有啟發性的實例。公司核心業務使用了最先進的機器，它可以同時負載多個任務。機器的每一個部件都價值上百萬美元，而公司採購了數百個單元，總共投資了數十億美元。這些機器可提供了優秀的運行性能數據，該公司據此評估了機器的每個部件一直以來的運行情況。毫不誇張地說，讓機器保持持續運作是公司成功的關鍵。
儘管如此，這些機器實際上花費了比管理人員預期更長的維護時間和更昂貴的維護費用，停機維修的每一個小時都對公司有著極大的影響。雖然公司派出了強大的分析團隊去仔細篩選分析機器的運行性能數據，但還是沒有找出確切的故障原因。
然後，當公司將人力資源部提供的信息也納入分析考慮中時，產生次級輸出的原因變得很清楚：因為負責人在關鍵時刻未在場，導致機器缺少定期維護檢查。
獎勵機制，而非器械性能，才是這個問題的本質原因。最終，一個簡單的政策調整就能解決這個問題，但只有當將不同的信息數據集結合起來審查時才能發現問題本質之所在。
第二部分 | 從分析結果到實際行動
在前面的工業公司的案例中，在視覺上就像Venn圖一樣(維恩圖，用於顯示元素集合重疊區域的圖示。)：當將兩個數據集放在一起觀察研究時，數據集重疊的部分往往顯示了問題所在。當你同時分析50個數據集時，其呈現信息的能力則更為強大-前提是繁雜的數據沒有造成過度的複雜，從而減弱了數據分析的作用。為了避免這個問題，領導者應該鼓勵他們的企業，從多方面入手，來分析數據。如果數據分析工作在孤立的環境中進行而不考慮全局的其他影響，如果數據分析結果在實際情況中沒有起到作用，更糟糕的是，如果數據分析得到了正確的結論，可企業並未採納和依次採取對應的實際行動；那麼，這個分析工作就是失敗的，沒有成功的。
5. 採用迭代循環而不是單向流程 | Run loops, not lines
數據分析需要一個目的和一個計劃。但俗話說「沒有任何作戰計劃在與敵人遭遇後還能保持有效。」為此，我們引入另一個軍事理論-包以德循環（OODALoop），這是由美國空軍上校John Boyd發明的，由觀察（Observe），調整（Orient），決策（Decide）和行動（Act）組成的決策循環。
Boyd上校認為做出決策的方式往往能決定勝利屬於哪一方，能更快速地對情況做出反應並更準確地處理新的信息的一方將在戰鬥中取得優勢。換句話說，可以把決策過程看做一個循環，或更確切地說，是一個動態循環系列（下圖）。
The OODA Loop
許多一流的企業都採用以上這種方法來提升其競爭優勢。
Google就是其中之一，它堅持以數據為中心做決策，將消費者反饋構建成解決方案，並迅速升級改進顧客常用且喜愛的產品。
在矽谷之外，這種迭代循環而非單向的方法也很奏效。例如，有一家全球製藥公司跟蹤和監測其產品數據用以識別關鍵模式。當數據點表明某個過程可能偏離軌道時，迅速採取干預措施並通過試驗改善其反饋環路以加速新藥物研發。電子消費產品製造商通過收集數據並採用一個迭代、驅動假設建模周期做盤算之後快速行動起來。
它首先創建了一個臨時數據架構、構建三個「建議庫」（insightsfactories），為其最高優先順序的關注要點提供可操作性建議，並與反饋並行結合起來。這一系列的措施，使得該公司的早期試點產品快速的得到了優異的結果。
如今，數據點的數字化縮短了反饋周期。通過使用高級演算法和機器學習，提高了對於新增信息的分析能力，從而是公司可以更快更好的進行迭代循環。雖然機器學習在任何分析工具中都有著重要的地位，但它並不是唯一可用的分析工具，我們也不希望它取代所有其他分析方法。我們前面提到了圓形Venn圖，或者叫三重Venn圖。無論叫什麼名字，其概念本質上是一樣的，那就是，使用各種分析技術，並將其結果以不同的方式結合，從而得到一個更可靠的答案。
在我們的經驗中，我們發現哪怕是擁有最先進機器學習演算法和使用了自動迭代循環的企業，都將會受益於將其結果同另外一種或多種分析方式的結果進行比較。事實上，最好的迭代循環，包含了人和機器這兩個組成部分。通過測試、迭代循環和監控數據質量變化的方式，更新數據點並使之隨著事態的進程做出智能化反應，一個動態的、多管齊下的決策過程將超越任何單一的演算法，無論這個演算法有多麼先進。
6. 使你的分析結果既有用又美觀 | Make your outputs usable – and beautiful
雖然最好的演算法能夠製造奇蹟，但是它們並不能為自己發聲代言。而數據科學家們往往缺乏良好的表達能力，不擅長闡述和演示他們的成果。這並不足以為奇，因為公司在僱傭技術人員時，毫無疑問的把對專業技能要求放在了表達能力之前。但我們需要意識到這一點，及其可能會產生的後果。
有一個世界級的製造商僱傭了一個團隊為研發項目的期權定價開發了一個優秀的演算法。在這個演算法中數據點被精心解析，擁有智能、給力的數據分析過程，得到的數據本質上都是是正確的。但最後公司卻沒有使用這個演算法，原因？公司的決策者們覺得產品有些「複雜」。
畢竟我們是人類，外在對我們來說十分重要。這就是為什麼，比起有超強運算功能但五官不全的產品，賞心悅目的操作界面更能俘獲人心。這也是為什麼如蘋果和Nest這些知名企業，都選擇為使用優雅的外觀設計以及易於操作的特質來打造他們的產品的原因。
數據分析應當被當做一件商品，需妥善包裝才能吸引顧客，現在一流的企業已經在他們的核心分析團隊中增設了設計師一職。我們發現，懂得抓人眼球，突出關鍵研究成果的展示界面，在整個企業中將獲得更好的反響與支持。
7. 建立一個技能多樣化的團隊 | Build a multiskilled team
牢牢抓住你的用戶是至關重要的，不僅僅是管理層需要考慮到這一點，更應該培養企業中不同員工都向著這一目標努力，提升個人能力。數據分析是一項需要團隊協作的任務，採用哪種分析方法、要挖掘哪些數據源以及以何種方式呈現分析結果等決定，都是需要人為進行選擇判斷的。
組建一個強大的團隊如同烹制一份美食—-你需要有各種優良的食材和創造的激情。團隊主要成員包括：開發和應用複雜分析演算法的數據科學家，精通微服務（microservices）、數據集成和分布計算領域技能的工程師，提供技術和系統支持的雲數據架構師，以及保證產品的視覺美觀、簡明易操作的用戶界面開發人員和創意設計師等。你還需要可以將IT和數據分析結果與業務決策和管理聯繫在一起的「翻譯官們」。
我們發現，希望企業們也意識到了，擁有合適能力的人才明顯供不應求。且簡單地擴大編製引進更多人通常無法解決問題。有效的方法是根據具體情況將一系列行動的結合在一起：僱傭一些經驗豐富的行業資深人員來帶領公司的分析團隊；在某些情況下，戰略性收購或與小型數據分析服務公司達成合作關係；針對具有一定量化技術背景的現有員工進行改編和技術培訓，將其加入到公司自己的分析團隊中。
我們熟悉的幾家金融機構和一家大型工業公司，通過推行這些方法建立了一流的高級數據分析團隊。這些團隊成功的關鍵因素，是充分理解組內每一個成員可以做出的最大貢獻，以及一個有互補人才的團隊可以集體實現的最大潛力。有時，幸運的僱主可以找到全能員工（「rainbow unicorn」），這類員工一個人就擁有了一個團隊所需的大部分或者全部的技能。但是最穩妥的做法還是打造一支有具有多樣技能的人才組成的分析協作團隊。
組建這樣一隻團隊，最開始的重點，是那些擁有核心技術，活躍在解析數據點及進行複雜分析的人們。然而，我們期望隨著發展，企業會轉向另一種模式，處於不同職能的員工們，都能使用數據分析為其日常工作服務。擁有數據思維天賦的員工的特性不難被發現：他們是有好奇心的思想者，關注細節，對尚未探索清楚的事物充滿熱情，對不同意見持開放態度，並願意與公司一起不斷嘗試，期望能從中得到有意義，能在現實世界中帶來成果的結論。最後一點也是至關重要的一點，無論有的數據分析看起來有多炫酷，如果這些分析是與現實世界脫節，無法帶來實際成果的，那麼你的公司就不應該在上面耗費時間和資源。你和你的員工應該傾盡全力去開發那些切實可行的方案，並確保這些方案能得到妥善的執行。
8. 讓你的成果得以應用 | Make adoption your deliverable
優秀的公司文化能讓你數據分析的成果得到更好的採納應用。從你的公司踏上數據分析之旅開始，每一位員工都應該明白，那些數學運算、數據處理以及對分析結果的包裝設計都是不夠的：真正地力量來自於應用。演算法只提供了問題的癥結，問題的解決方法還需要將其應用在現實世界的運作模式，以及每天的工作流程中。傳奇棒球裁判Bill Klem 有一句名言：在我裁決之前，它什麼都不是。（Itain』t nothin』 until I call it）數據分析也是如此，除非你真正將其應用在企業運營中，讓其發揮作用，不然它就沒有任何意義。
我們已經看到太多不幸的警醒的事例，擁有使用精確（昂貴）的地震預測系統卻沒有被高層採納，優秀且擁有驚人的準確度的飛行指示系統卻被飛行員閑置等等。
在一個極具代表性的案例中，有一家公司似乎擁有了一切先進的資源：該公司目標明確，專註於營收增長，對可靠的數據源進行了智能加權和開發，僱傭Stellar分析公司提供服務，並取得了提升交叉銷售的機會。
他們的客服中心甚至有一款界面優美的，由語言識別軟體觸發的屏幕彈出窗口系統，此系統會根據顧客在電話中提到的信息，在彈出窗口中向客服人員展示顧客可能感興趣的一些產品。真的是無比的優秀！但可惜該公司的客服人員並沒有很好的使用這一功能，而是不斷的關閉彈窗，不斷的忽視提示信息。原來，客服人員的收入更多的取決於其處理顧客來電的數量和效率，而非他們成功銷售出的產品的數量和類型。
當整個團隊群策群力並擁有正確匹配的獎勵制度時，得到的效果是顯著的。例如，一家航空公司需要評估其下一代產品一系列的研發方向，但在技術、市場和監管條例方面面臨重大挑戰，致使任何結果都無法確定。而根據歷史數據，一些技術似乎是更安全的投資，而另一些技術看起來也充滿潛力，但尚未得到證實。加上產業鏈正在從產品轉向以服務為中心的模式轉型，未來的發展方向的預估和複雜的利弊權衡，都需要公司做出一系列動態且準確的決定。
通過構築正確的問題、對不同方案進行負荷測試，使用設計優良的視覺模型呈現溝通各種方案的利弊取捨之後，該公司發現，增加某一個研發方向投資可以提供更多的靈活性，可以為公司爭取到更長的時間對三個技術進行權衡取捨，而不必急於做出選擇。這一發現讓公司有了足夠的時間來觀望了解相關技術的發展情況，避免陷入最糟糕的情況-導致公司做出一個花費巨大且非常錯誤的選擇。公司的一個高管將其得到的靈活性比作「不但能在比賽開始時選擇馬匹下注，更為保險的是，還能夠在比賽中途在某匹馬上下注」。
這種皆大歡喜的結局不是一個巧合。根據我們的經驗，數據分析項目中從一開始就能預示成功的指標，並不是手上的數據質量，甚至也不是公司團隊人員的技術水平，而是公司管理層的參與與投入。成功的數據分析項目，需要有人從企業管理層的角度來識別關鍵的業務問題，促進各職能部門間的協作、匹配激勵政策，並全力推進直至方案被採用。雖然高級數據分析是一項優秀的技術，但你的公司不應該僅僅為了實施。
畢竟，我們使用數據分析的初衷是讓其為你所用。
原文作者：Helen Mayhew, TamimSaleh, and Simon Williams
翻譯：Peiwen Lin , Youjun Zhai
校對/編輯：Youjun Zhai
