数据驱动业务创新

前言

​数据：21世纪推动经济发展的新资源

信息是互联网时代的石油。能够将信息资产商业化以获得更好的洞察力并知道如何在其业务流程中利用这一点的公司和组织，在市场上表现优异并提供更好结果的可能性要高得多。然而，在数据经济中取得成功是一个挑战。60%的大数据项目在试点阶段之后将无法生存。66%的组织不知道如何真正从大数据中获取价值。90%的大数据基础设施和数据湖无法提供所需的性能。

然而，成功是必不可少的：以信息为中心的公司比同行的利润高20%，价值高110%。在一个“到2018年，30%的领导者将被新的参与者或现任者“惊呆”的世界里，保持领先一步是一个基本优势。

本文探讨了为什么企业需要成为分析驱动型企业才能在新数据经济中取得成功；企业如何开始这一变革之旅，将数据和分析置于其战略的核心，并在工作中区分其独特的能力和价值链。

企业为什么需要数据分析驱动？

• 企业再造

• 卓越运营

• 客户体验

• 信任与合规

• 示例分析用例按业务领域划分

数据驱动企业转型案例

• 钻探到一个全新的水平

• 积极倾听客户的意见

• 预测未来购买

成为数据分析驱动型企业

• 正确的领导

• 正确的战略

• 正确的文化（心态）

• 正确的能力和治理

• 正确的技能和能力

• 正确的数据

• 正确的技术

• 正确的流程和方法

• 绩效管理

• 正确的规则

数据分析，创新之旅

• 组织应如何开始其分析之旅

• 分析成熟度

01背景

在过去几年中，许多组织见证了前所未有的数据量爆炸，此外，不仅在其业务的各个领域（包括绩效管理）越来越需要基于证据的决策，而且还需要响应法规遵从性要求。

现在可以访问和综合分析各种数据源，以发现可能支持历史上通过直觉做出的决策的证据；十年前这在很大程度上是不可能的，基于判断的方法也不再被接受。事实上，许多组织已经将其技术的使用从管理工具转变为关键的战略成功因素。如今，零售组织通过社交，电商等渠道监控和评估其在线社区，以发现客户趋势。制造业公司有可能在其生产设施中安装传感器，以监控其生产力状况，而谷歌等互联网公司则可以监控访问者的搜索行为，以增强广告的性质和时间安排。结构化数据（如列和行输出）和非结构化数据（如包含图片、视频或纯文本的数据库）的组合可供世界各地的组织使用。

许多组织已经开始将这些数据源转化为可用的信息和可操作的见解，并取得了明显的成功。随着我们进入一个数据等于洞察的时代，获得和保持竞争优势的可能性巨大。

02企业为什么需要数据分析驱动

答案很简单；分析驱动为组织创造价值和实现竞争优势打开了一个全新的机会世界，不仅通过了解客户的趋势和特征，而且通过识别与竞争对手不同的因素。

由于组织几乎不可能仅通过其产品来实现自身的差异化，因此业务流程是最后剩下的差异化重点领域之一；通过分析的使用，组织正在发现并处理其业务中可以产生价值的所有角落。

数据分析的使用可根据以下价值进行分类：

i.描述的：怎么搞的？现在发生了什么？会发生什么？

ii.诊断的：这是怎么发生的，为什么发生的？`预测：接下来会发生什么？我们对此有多确定？

iii.规定的：可能发生的最好情况是什么？我们该怎么办？下一个最佳行动？

以下列举一些企业通过数据分析取得的商业价值：

商业领域价值	企业案例
企业再造	一家领先的通信组织通过利用客户移动信息彻底改造了其业务。它们用客户的信息补充客户移动信息 特定领域的背景和活动，并将这些丰富的见解销售给其他方，如购物中心、体育场业主和广告牌公司，从而将其货币化。
	一家国际医疗保健组织通过向保险公司出售客户未来医疗支出风险最大的预测模型，并帮助保险公司基于这些洞察主动减少客户医疗支出，创造了新业务。模型是通过将客户的健康信息与客户的人口统计、索赔和医疗处方相结合而创建的。这项新业务成立为一个独立的组织，年收入为250亿美元。
	一家领先的食品服务提供商通过向餐厅和供应商提供食品术语、菜单项、配料的实时趋势，改变了餐厅业务。他们将来自在线餐饮服务提供商和餐厅评论网站的数据与食品术语和菜单项数据库相结合，帮助餐厅根据地理位置和餐厅类型对某些食材的需求增减来更改菜单。
卓越运营	一家领先的航空公司通过更好地预测航空延误和空域性能，提高地面人员调度效率和飞机吞吐量，节省了数千万美元。这些节约基于新的预测模型，该模型由雷达网络数据的洞察、天气、航班时刻表和其他因素的公开可用数据组成。
	美国的一家能源供应商通过对客户的人口统计、历史记录和支付行为进行预测分析，预测未来的未付款情况，并通过提前冲销和减少服务中断，对结果采取行动，从而实现财务管理的阶跃变化。结果导致净储蓄增加了700%。
	一家国际物流供应商通过使用允许燃油优化的见解，并通过确定驾驶员应停车加油的最佳位置，大幅降低了运营成本。他们在所有的卡车和集装箱中放置传感器，以监控位置、驾驶行为、燃油油位以及集装箱是否装载或清空，并将这些数据与沿途的燃油价格相结合。 这有助于他们确定卡车司机停车的最佳位置，并降低加油成本。
客户体验	一家领先的娱乐服务提供商通过更好地预测观看电影的需求，改进了对客户的电影推荐，极大地改善了客户体验。他们众包了用户观看电影需求的预测模型，这导致了一个组合预测模型，该模型在预测观看电影需求方面更加准确。
	一家领先的美容产品提供商通过情绪分析跟踪了1700名Facebook粉丝、150万名喜爱者和41000名twitter关注者，通过创建实时可操作的见解，重新定义了他们的客户体验。可采取行动的消费者评论会主动发送至沟通中心，以便进行最适当的处理，从而通过与客户的直接沟通提高品牌知名度和忠诚度。
	分析驱动的赌场使用对忠诚卡和客户行为的实时分析来改善客户体验。这些洞察用于设定老虎机和酒店房间的价格，并设计通过赌场的最佳交通流。当客户损失太多金钱时，系统能够向客户的机器发送信息看来你在吃角子老虎机的日子不好过。这可能是参观自助餐的好时机。这是一张20美元的优惠券，可以在下一个小时使用
信任与合规	一家全球工业生物技术解决方案提供商使用尖端分析来防止数据丢失。他们创建了一个分析系统，以监控、检测和阻止组织中所有类型敏感数据的使用异常。这些见解大大降低了泄露高度机密信息和高价值IP的风险。
	一家国际保险公司通过使用大数据分析，将欺诈索赔的成功率从50%提高到88%，并大幅缩短索赔调查时间。他们对多年的历史索赔和覆盖率数据进行预测分析，并使用文本挖掘来突出报道中缺失的事实、不一致和变化。通过这些见解，他们能够针对低索赔欺诈倾向的个人，并节省1200万美元。
	在伦敦奥运会期间，IT服务提供商每秒可获得200多个IT安全事件，这些事件通过实时数据分析处理。在2.01亿个事件中，相关事件根据分析进行了筛选，最终组织对90个关键事件采取了行动。 由于这些见解，该组织实现了零停机时间和零业务影响。

组织应该清楚他们在哪里通过分析创造价值。制定明确的目标和指标，并将重点放在特定领域，将有助于：改进数据采集流程和分析模型的技术适用性，相关利益相关者的参与以及清晰战略愿景的沟通，即：“我们希望在哪里通过分析创造价值？”如果没有这些明确的目标，基于分析的价值创造将仍然是一系列孤立的临时活动。

03成为数据分析驱动型企业

领先分析驱动型组织的关键特征；从本质上讲，9个关键组成部分代表了组织必须解决的挑战，以成功地采用和运行支持其业务的分析驱动方法。9个关键挑战中的每一个都将详细描述如下。

正确的领导

一个真正以分析为导向的组织的基本基础是强大的分析领导力。

为了能够有效地履行这些职责，分析领导者必须具备几种技能；分析领导者是强有力的利益相关者，他们有效地管理不同的观点。其次，他们是优秀的、有说服力的和有远见的演讲者，能够有效地传达分析愿景。第三，仅仅有远见和说服力是不够的。分析领导者还能够从不同的角度进行有效沟通：深入的技术、分析和面向业务的分析。第四，分析领导者的特点是他们愿意进行实验，并对变革持开放态度。第五，分析领导者能够识别高影响力的分析项目，并将分析投资导向业务重点。最后，分析领导者是数据精明的人，他们对数据分析、定量或统计建模和报告的不同方法和工具有着广泛而深刻的知识；他们是分析领域公认和受尊敬的专家。

正确的战略

拥有强大的分析领导力是创建分析驱动型组织的先决条件，但单凭这一点还不够。组织需要有一个明确的战略，明确他们将把分析工作放在哪里。除了有效的领导，组织需要将分析视为核心价值创造者。因此，他们需要制定分析战略，包括分析战略、愿景和业务目标。然而，只有当分析工作针对特定的业务问题和/或机遇时，分析战略才会有效，并伴随着清晰和共享的分析愿景。

从分析中提取业务价值的战略基于（1）增强现有价值（分析提高运营效率，改善客户体验）和（2）重塑业务价值（提供开发新产品和服务的见解，并提供转换业务模式的指导）。

正确的文化（心态）

除了正确的领导力和战略，分析驱动型组织必须具备分析文化和思维方式。管理者和员工需要培养这样一种信念：通过基于事实做出决策，他们有一种有价值的方法来验证自己的直觉，并且在直觉受到证据挑战的情况下，决策的基础会得到改善。在量化方法和基于事实的管理方面必须有一种支持性的文化，否则员工将保持基于直觉和舒适度的决策现状。

正确的能力和治理

认识到需要在整个企业范围内调整分析领导力、战略和文化，从而有效地管理其分析工作。每个员工都知道在他们的组织中哪里可以找到分析人才，而不仅仅是一个孤立的视角，分析人才被视为组织中的战略资产。分析能力在战略层面进行管理。

分析驱动型组织正在以敏捷的方式管理分析项目。分析项目优先级和分析功能的分配是针对业务和IT的最新需求而主动调整的。业务分析师与技术专家和数据科学家一起工作，并通过类似“scrum方法”的会议和委员会（例如，指导/创新委员会）管理他们的项目。

最后，分析驱动型组织将分析置于其组织的核心，因为他们的决策（战略、战术和运营）基于数据分析。为了进一步促进基于分析的决策，分析驱动的组织将其激励结构与分析驱动的行为相结合。

正确的技能和能力

通过致力于分析领导力、战略、文化和治理/运营模式，分析功能将存在于组织的核心；然而，要使该核心有效运作，必须在分析技能和能力之间取得适当平衡。

正确的数据

首先，领先组织非常了解其组织中所有业务流程的数据输出。其次，他们知道在所有业务流程的数据输出旁边存在哪些数据源。领先的分析驱动型组织知道哪些非结构化、结构化和快速移动的数据源补充了他们的发现和他们已经使用的内部数据输出。分析工作包括内部数据源（财务绩效数据、ERP、PLM、CRM、GPS数据等）和外部数据源（如社交媒体、视频、语音和纯文本、行业研究）。第三，领先的组织通过形式化的努力不断收集独特的信息，从而为他们提供独特的见解和竞争优势。他们已经制定了一项关于如何收集新数据源的计划，并考虑到数据的来源（例如，数据是否可以自由访问或需要获取，是第三方数据还是开放访问？）。分析驱动型组织不仅认识到数据的潜在价值；他们还利用数据，将各种数据源的数据组合成可用信息。

总的来说，强大的分析领导者是有效数据战略的支柱：他们可以被视为一名建筑师，对建造梦想之家所需的构建块有着清晰的愿景，知道哪些构建块可用，并制定有效的计划来访问目前不可用的构建块。

知道存在哪些数据源是数据策略难题的一部分。另一个步骤是有效地将数据源分配给特定用例。分析领导者能够回答以下问题：哪些数据源可以为每个用例提供更好的洞察力。

正确的技术

为了利用来自各种数据源的数据；分析领导者制定了分析技术战略，根据其业务目标/用例和数据战略，指导他们在获取、处理、管理、分析、建模和可视化所有相关类型的数据源时应使用哪种技术。

他们构建了一个由可用的集成IT基础设施系统和工作流管理系统组成的混合生态系统，以（1）获取和存储数据，（2）转换和管理数据，（3）建模和分析数据，（4）呈现和评分数据。在大多数分析驱动型组织中，这些生态系统与其传统技术结构共存。他们已经投资于可扩展和敏捷的发现环境，使他们能够在将新的分析方法投入生产之前探索和测试它们。由于每个用例的数据输入通常不同，处理所需的技术可能会有很大差异，因此参与和管理不同合作伙伴生态系统的能力非常重要（例如，存储和动态分析来自web和社交媒体的大量非结构化数据需要不同于捕获和分析高容量和速度（如电信网络信号或IT基础设施系统日志）所需的技术堆栈）。

除了这些混合生态系统之外，分析驱动型组织还拥有快速扩展的技术。分析领导者熟悉使用公共云、混合云和私有云以及使用并行计算系统（如Hadoop和/或无SQL数据存储）或内存中分布式计算环境（如Spark）来存储、分发和计算大量数据。由于这些技术提供了各种与大数据配合良好的编程语言（如Javascript、Python、Ruby、Scala等），分析领导者也在使用这些编程语言方面增强了他们的技术能力。

正确的流程和绩效管理

建立一个适合目的的有效分析环境需要开发一个分析性能和风险管理框架，以确保可持续性和适应性，以便在需要时进行持续改进。分析驱动型组织有适当的标准和政策，以跟踪分析生命周期所有阶段的分析使用绩效；通过一系列精心定义的指标，他们可以定期评估准确性和有效性，并确定改进领域和改进机会。因此，在分析生命周期的每个步骤中，定期评估和报告有关数据使用的性能和风险考虑：（1）获取和存储数据，（2）转换和管理数据，（3）建模和分析数据，（4）呈现和评分数据。

有效的分析性能管理从数据本身开始；垃圾进垃圾出。创建了收集和清理数据、维护技术基础设施、制定可访问性政策（以及保护隐私）和保护知识产权的标准化方法。他们拥有数据清理工具和策略，以便清理和删除不正确、不完整、损坏或过时的数据。只是有工具而已清洁是不够的；所有analytics员工都完全了解并负责清理准备进行分析的数据。此外，管理其信息生命周期。制定了对信息进行分类和存储的政策和标准，并实施了提供信息风险评级的系统，以便对高风险信息进行适当的谨慎处理。他们有适当的政策来标准化和统一数据，并将其作为主数据存储在数据管理系统中。在对不同类型的数据输入进行标准化的同时，致力于对高度重要/高风险/有影响力的数据进行分类，以便能够进一步降低使用潜在敏感和分类数据带来的风险。

下一步是分析数据集。为了跟踪这些分析的性能，定期质疑所使用的模型是否提供了最佳拟合。例如，组织机构跟踪模型衰退，分析师定期检查他们是否了解用于模型的元数据，特别是如果存在任何潜在偏差，或者由于数据的潜在分布随时间的变化，是否需要重新校准任何模型参数。否则，当模型的基本假设错误或过时时，决策将被错误地引导，并产生潜在的灾难性后果。因此，监控基于模型的决策的准确性，并首先在测试区域（沙箱）中测试其模型，然后在其人口子集（样本）上测试模型，然后将模型部署到生产环境中。

正确的规则

通过数据集存储和聚合，任何执行分析的组织都存在一系列安全挑战和考虑事项。因此，信息安全是成为分析驱动型的关键因素之一，并要求组织在其分析能力和流程中主动纳入分析安全和合规政策和标准。随着安全威胁在数量和复杂性上的增加以及分析使用的增加，需要采取形式化和稳健的措施来整合信息安全。

聚合数据集而产生的一些安全挑战；数据变得更丰富、更有价值，并在某些情况下创造了新的知识产权。组合信息价值的增加也可能与组织的竞争对手有关。黑客可以访问各种有价值的数据并更改和/或删除关键内容，具有恶意意图的员工可以替代数据输入，从而可能破坏基于分析的决策。此外，即使是云服务提供商的员工也可能有恶意意图并操纵数据。因此，更多数据和信息的存在、处理和使用伴随着组织运营和声誉风险的增加。

任何信息安全管理系统的一个关键组成部分是能够很好地处理（1）所持有的数据，（2）在存储和分发之前如何对数据进行标准化、统一、清理和分类，（3）如何对数据进行加密和匿名（4）在何处持有数据，（5）谁有权访问数据（以及谁对所持有的数据负责），以及（6）每种特定类型的数据具有什么价值。另一个考虑因素是分析应用程序本身及其安全特性和优势；组织是否能够确信分析应用程序本身具有所需的安全性

这些问题都不是不可克服的；但它们需要一些仔细的思考和考虑。最重要的是，安全（和法规遵从性）问题需要从此类计划的一开始就考虑.

04数据驱动，创新之旅

组织如何开始其分析之旅，如何评估组织的分析成熟度，这可能有助于跟踪组织的进度如何随时间变化，以及与同行进行基准测试。

组织应如何开始数据分析，创新之旅

工业	示例分析应用程序
金融服务	欺诈检测、信用评分、索赔优化、客户盈利能力、客户保留。
零售	库存管理、需求预测、客户营销和产品管理、价格优化、客户忠诚度。
制造业	预防性维护、库存管理、供应链优化、新服务/产品开发、产品质量一致性。
后勤	优化：供应链、计划、路线。改进员工安全、产量管理。
保健和保险	预测药物效应、预测保险索赔损失率、患者个性化治疗、预测住院患者再入院可能性和费用。
农业公司	产量和作物管理，动物种群健康分析。
电信和 公用事业	实时服务、客户流失风险和预防、欺诈管理、计费和收入管理、系统故障预测、网络价值优化。
服务	渠道管理优化、呼叫中心管理、新服务开发。
政府	欺诈检测、犯罪预防、人群管理、预测投票行为、优化对全球问题的响应。

在大多数行业中，分析作为一门学科已经存在于许多组织的核心能力中。上面表格概述了几个行业的常见分析目标，例如，金融服务提供商尽其所能降低未偿还贷款、债务或抵押贷款的客户的风险。零售商努力优化客户服务和营销。运输公司严重依赖其供应链。因此，组织应该从改善已经存在分析的业务领域的分析能力开始。

通过使用业务增强分析，现有业务流程不会直接改变，文化冲突也不太可能出现。下图突出显示了与飞行员开始分析旅程时要采取的最重要步骤。试点成功后，组织应在可操作和可扩展的环境中部署模型。下一步是在现有业务中建立更多的用例，并通过使用分析创建新产品和服务，最终发展为一个更成熟的分析驱动型组织。

分析成熟度

成为一个以分析为导向的领先组织不是组织一夜之间就能完成的事情。要想成为分析驱动型企业，企业必须知道自己的发展历程，并知道如何改进业务以成为分析驱动型企业。因此，重要的是，组织应在成熟度框架下以正式方式评估其分析成熟度。

根据我们的研究、经验以及与Gartner等机构的讨论，我们建议各组织应根据以下所述的能力维度评估其成熟度，区分分析成熟度的5个级别（级别1：数据-开始，级别2：数据-发展，级别3：信息-建立，级别4：知识-高级，级别5：智慧-领先）。下面的图6突出显示了每个成熟度级别，包括其特征。“数据启动”级别的组织主要根据其直觉和管理专业知识行事。分析不被视为核心价值，分析功能也没有正式化。数据质量挑战带来了重大问题，高级管理层要求本地团队手动整理数据。

处于“数据-发展”阶段的组织使用一些历史数据来支持精通数据的部门内的某些决策。分析不是以结构化的方式进行的，分析工作是重复的，恕不另行通知。战略决策仍然基于直觉。数据质量是不接受分析结果的常见借口。

“信息已建立”级别的组织使用部门内的分析来支持决策，并根据未来的预测选择决策。决策更具可操作性，跨部门合作仍然不是共识。存在数据拥护者和责任感，通过智能地处理数据获得了一些效率，但存在许多关键人员/分析过程风险。
达到“知识-高级”水平的分析驱动型组织将历史、预测性见解（源自各种数据源）视为补充其战略的关键和关键。它们支持运营和战略决策，以改进产品、服务和客户体验，并提高运营绩效。除此之外，这些组织还就其分析能力传达了清晰的愿景，促进了企业范围内的分析协作，并在战略层面上使其分析能力正式化。对于支持分析的人员、流程、治理和技术方面，存在详细的框架。

“智慧领先”级别的组织主导着其行业。分析（预测或其他）不仅用于增强其业务，而且还持续用于开发新的变革性业务模型。重复分析是自动化的，因此可以根据业务优先级进行实验和分析创新。或未分类的风险和机遇。在分析中考虑了外部因素，如外国地区的政治不稳定，从而向领导层提出基于决策树的SWOT建议。业务部门真正理解分析的价值，业务部门和IT部门之间存在着值得信赖的合作关系。

要了解更多关于大数据方面的咨询服务并要求进行个性化评估，请访问：企业互联网开放平台。