数字化时代，企业如何借助数据驱动业务？

2022-01-07 00:00:00

文章转载自"ToB行业头条"

—

60%的大数据项目在试点阶段之后将无法生存，

66%的企业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。

来源 / 谈数据（ID：learning-bigdate）
作者 / 李建拥编辑 / 石秀峰

数据是数字化时代的石油！一个公司如果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，在市场上表现一定不会差。

然而，在数据经济中利用数据取得成功并不容易。

据Gartner研究，60%的大数据项目在试点阶段之后将无法生存，66%的企业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。

本文探讨了为什么企业需要成为数据驱动型企业；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，并在工作中形成独特的能力和价值链。

企业为什么需要数据分析驱动？

数字化时代，各种数据的产生，获取并加以利用，来支持以往通过直觉做出的决策。

事实上，许多企业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。

比如当今零售企业通过社交，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。

在过去几年中，许多企业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越来越需要基于证据的决策，而且还需要响应法规遵从性的要求。

越来越多的企业已经开始将这些数据转化为可用的信息和可操作的见解，并取得了明显的成功。

数据驱动为企业创造价值和实现竞争优势提供了一个全新的机会，不仅了解客户的趋势和特征，还能识别出与竞争对手差异化的因素。

但由于企业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；通过对数据的收集与分析使用，企业正在发现并处理其业务中可以产生价值的所有角落。

1、企业再造

案例1：某国际通信公司通过利用客户移动信息彻底改造了其业务。它们用客户的信息以及客户在某些特定领域的参与和活动，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，从而将其变现。

案例2：某国际医疗保健公司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，创造出了新业务。

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。这项新业务最终促成了一个独立的企业，其年收入达到250亿美元。

案例3：某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，从而创造出了一项新业务。

他们将餐饮服务提供商、餐厅评论网站、食品术语、菜单项等数据结合，帮助餐厅根据地理位置、餐厅类型、食材等信息，快速帮助餐厅更新菜单，提供个性化菜单。

2、卓越运营

案例1：某铜矿企业，投资于重型机械，挖掘包括金属和矿石在内的宝贵材料，成为世界上最赚钱的矿山之一。破碎机对采矿业至关重要，但其备件难以供应、订购和生产。

此外，如果一台破碎机意外出现故障，其主要维修单位在备件交付方面会有很长时间的等待，这对铜矿的收入有着明显的影响。

因此，企业迫切需要预测备件故障的能力。将破碎机配备高灵敏度传感器，用于测量钻孔速度、破碎机振动量以及其他参数，如破碎机元件上的压力量。

每天，每个破碎机的测量（数据）都被收集到分析平台中。维护工人和分析员分析这些测量值，以预测故障概率，并通知到破碎机附近的维护单位，后续采取行动。

通过这种方式，企业能够主动调整维护间隔，并有效地提供相关的机器零件。

案例2：某领先的航空公司通过收集雷达网络数据、天气、航班时刻表和其他因素的公开可用数据，建立了一个预测模型，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。

案例3：某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，并根据预测对结果采取了处理与跟踪，从而实现财务管理的阶跃变化。实现了净储蓄增加了700%。

案例4：某国际物流供应商通过使用燃油优化的模型，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。

3、客户体验

案例1：某大型健康保险机构通过评估其客户的满意度，将其工作目标定位于改善客户体验。他们将客户数据与非语音记录数据分析相结合，分析客户满意度和用户流失。为了做到这一点，他们利用自然语言处理（NLP）将语音记录文件转换成可以分析的文本。

在创建的文本中，他们能够区分表示客户高兴的词语和表示客户不高兴的词语。他们创建了独特的可操作模型和工具，用于分析他们创建的数据。

将这些见解、工具和技术与其他相关医疗保健提供者的数据（如电子病历）结合起来，可以进一步帮助人们过上更健康的生活。

因此，他们创建了一项向医疗保健公司销售数据、见解和软件的业务。目前年收入超过250亿美元。

案例2：某领先的娱乐服务提供商通过更好地预测观看电影的需求，预测观看电影需求方面更加准确，改进了对客户的电影推荐，极大地改善了客户体验。

案例3：某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，创建出实时可操作的模型，重新定义了他们的客户体验。

4、信任与合规

案例1：某生物技术解决方案提供商使用尖端分析来防止数据丢失。他们创建了一套分析模型，用以监控、检测和阻止企业所有类型敏感数据的使用异常，大大降低了泄露高度机密信息和高价值IP的风险。

案例2：某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，并使用文本挖掘来挖掘出缺失的事实、不一致和变化。

通过这些分析模型洞察，他们能够识别出有欺诈倾向的个人，由此每年节省1200万美元。

案例3：某奥运会IT服务商，每秒可捕获得200多个IT安全事件，这些事件进行实时数据分析处理，并在数亿个事件中进行相关事件的筛选。

在伦敦奥运会期间，利用其分析模型对90个关键事件采取了行动。基于这些洞察，该公司实现了零停机时间和零业务影响。

这些数据分析驱动型企业，利用数据，加以分析，创造出新的业务模式，最终获得成功。他们身上有什么其他企业借鉴的地方吗？这里我们总结了几个成为数据分析驱动型企业的关键特征。

如何成为数据驱动企业？

数据分析驱动型企业的关键特征可以总结成9个关键，代表了企业必须解决的挑战，其详细描述如下：

1、正确的领导

一个真正以数据分析为导向的企业，其基础是强大的分析领导力。

首先，领导者应该是强有力的利益相关者，这样才更有效地管理不同的观点。

第二，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，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，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，领导者需要识别影响力，并将分析投资导向业务重点。最后，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。

2、正确的战略

领导力是创建数据分析驱动型企业的先决条件，但单凭这一点还不够。企业需要有一个明确的战略，明确他们将把分析工作放在哪里。

因此，他们需要制定战略，包括分析战略、愿景和目标。只有把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。

3、正确的文化

除了正确的领导力和战略，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。

4、正确的能力和治理

每个员工都知道在他们企业中哪里可以找到分析人才，而不仅仅是一个孤立的视角，分析人才被视为企业中的战略资产。

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。

5、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，分析功能将存在于企业的核心；然而，要使核心有效运作，必须在分析技能和能力之间取得适当平衡。

6、正确的数据

首先，企业要非常了解其公司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。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，以及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，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。制定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？）。

企业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。

7、正确的技术

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。

除了这些混合生态系统之外，关键还需打造自己的数据中台体系，获得快速扩展的技能，例如并行计算系统（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），数据中台的工具与能力沉淀增强了他对数据的获取，存储，计算及使用的能力。

8、正确的流程和绩效管理

适当的标准和政策，以跟踪数据分析生命周期所有阶段的分析使用绩效。通过一系列的指标，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，在数据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。

9、安全与合规

信息安全是一个关键因素，安全（和法规遵从性）问题需要从计划的一开始就考虑。

数据驱动，创新之旅

企业如何开始其数据分析之旅，如何评估企业的数据分析成熟度，这可能有助于跟踪企业的进度如何随时间变化，以及与同行进行基准测试。

数据分析的深度，大体可以分为：

1、描述的：怎么搞的？现在发生了什么？会发生什么？

2、诊断的：这是怎么发生的，为什么发生的？

3、预测的：接下来会发生什么？我们对此有多确定？

4、规范的：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？

不同行业、不同企业的数据分析侧重点不一样，产生的价值也不一样，下表给出了不同行业的数据分析场景：

在大多数行业中，分析作为一门学科已经存在于许多企业的核心能力中。

上面表格概述了几个行业的常见的分析目标。

例如，金融服务提供商会尽其所能地降低未偿还贷款、债务或抵押贷款的风险。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，企业应该从改善已经存在分析的业务领域的分析能力开始。

数据分析的成熟度

成为一个以数据分析为导向的领先企业不是一夜之间就能完成的事情。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数据分析驱动型企业。

因此，重要的是，企业应在成熟度框架下以正式方式评估其分析成熟度。

我们建议各企业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-启动，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）。

1、“数据-启动”级别的企业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。

2、处于“数据-发展”阶段的企业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。

3、“信息-建立”级别的企业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。

4、达到“知识-高级”水平的数据分析驱动型企业将历史、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，这些企业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。

5、 “智慧-领先”级别的企业主导着其行业。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。