五個步驟,搭建企業的「大數據視野」

波士頓諮詢公司(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着巨大的差距。 其中一項能力——優先級能力——的不足影響尤甚,由於它是成功的根本。安全

此外,另一個明顯的現象是,企業選擇大數據方案時很是地「隨性」。有時候會選擇脫離實際的方案,而不是具備成長性的方案——那種可讓企業隨着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致使企業以彼此分散、不相關聯的方式工做。業務部門一般不知道、也沒有能力利用其餘業務部門開發的數據資源、人才或洞見。數據結構

不過,企業能夠改變策略。從隨性選擇轉變爲聚焦重點,一邊追求大數據帶來的價值,一邊以協調的方式發展本身的大數據能力。經過「加速器」和「測試-學習」的方法,企業能夠快速查看結果,得到經驗並將經驗教訓應用到工做中去。架構

若是您以爲「加速器」和「測試-學習」這兩個概念比較陌生,這是正常的——咱們即將從0開始,一步一步地展開說明如何利用這些工具,造成您的大數據視野。併發

一、聚焦重點工具

公司聚焦能力的關鍵在於它肯定優先級的能力。然而,這每每是公司最薄弱的能力之一。波士頓諮詢公司(如下簡稱BCG)調查發現,受訪者表示他們排列各類大數據機遇的優先級的能力很低,若是在1~5分之間打分,平均得分僅爲2.5。企業須要發展該項能力,以集中精力開展最佳舉措以及培育其它能力。學習

二、對大數據方案進行調查的最佳方式測試

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

爲了分析利益,公司須要一種定製但結構化的方法——使用企業目前的目標和優先級來創建一套標準,並分別給予權重。評分後,每項舉措的相應位置就繪製完成了。設計

上圖縱軸爲潛在利益,越靠上說明方案帶來的潛在利益越大;橫軸則爲可行性,越靠右說明方案越容易推行。進程

潛在利益可能包括:能夠創造的潛在價值(不管是直接的方式,例如增長收入,仍是以間接的方式,如提升客戶滿意度); 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協力。與一家企業相關的因素,可能並不適合其它企業。

肯定下潛在利益以後,要爲每個利益打分,也就是設定權重了。一樣,權重的設定也必須契合企業現狀。對於一些公司來講,更重要的多是改善客戶體驗,而不是創造收入,這種狀況應該反映在每一個標準的權重上。

每項標準的權重直接影響到該方案在利益軸上的位置,因此改變一個權重可能會形成項目的實現或破產。管理人員深知這些,他們一般會強調某些標準的重要性,以提升項目經過的可能性。

所以,知足全部利益相關者的權重多是棘手的;

讓關鍵決策人蔘與討論並分配足夠的時間很是重要。根據咱們的經驗,須要多個會議——一般是3個——來肯定最優權重。

爲了肯定可行性標準,企業應考慮實行方案須要的各項能力——好比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,並衡量每種能力是否到達所要求的成熟水平。

還應評估其它有助於肯定可行性的因素——好比監管限制和上市時間。

因爲肯定當前和所需的成熟度水平每每須要技術專長,CIO以及來自IT和運營的表明應參與分析。

選擇標準,評分,並將這些方案繪製在圖表當中,能夠幫助企業發現哪些機會值得關注。這個過程也能夠幫助決策者認清企業應當聚焦的那些能力。

三、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,由於在這個時代,可以發揮做用的大數據相關技能、流程和技術簡直多到不勝枚舉。肯定大數據方案,應該利用一份涉及到公司運營各個方面的能力清單。BCG將這些能力分爲四組:

*

數據視覺是一個公司創建大數據視野的「瞳孔」。這項能力對於肯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相當重要。*

數據使用這方面的能力決定着企業如何生成、並管理新的創意,對於管理企業隱私、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着企業的數據結構——要包括哪些人員、流程、技術——才使公司可以高效地收集、存儲、管理和使用數據。*

數據生態系統利用這些技能,建立夥伴關係和其餘外部關係,在大數據業務模式和戰略中發揮做用。

顯然,公司不能同時提高全部能力。調查顯示,幾乎全部的能力,公司目前的水平和將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爲明顯。同時提高這麼多能力對許多公司來講必然是一個挑戰。

調查結果還代表,許多公司可能並無徹底瞭解某些能力的價值。報告顯示,受訪者發展夥伴關係和其餘外部關係的能力特別低。事實上,只有相對較少的公司——大約30%——正在從事合做夥伴關係或考慮與同行進行有意義的合做。

然而在實踐中,數據生態系統一般被證實是成功的大數據方案的重要組成部分。創建合做夥伴關係和外部關係是得到必要知識和技能的最快捷——一般也是惟一的方式。

創建更普遍的生態系統還可讓公司得到一些本身須要、但不具有的數據。然而,在四組能力中,數據生態系統的能力不只是目前的最低水平,並且也是最低指望水平。這代表,許多公司須要在整個組織中灌輸對大數據方案的基本理解,並得到使其發揮做用的資源。

兩手抓,兩手都要硬。理想狀況下,邁向大數據視野的旅程應該像爬樓梯同樣:經過每一步或每個方案,一家公司創造價值並發展相應的能力以支持它的下一步,在這個「爬樓」的過程當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。

四、得到「加速器」

傳統來講,肯定數據方案通常由業務人員主導。可是,若是以高效、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。咱們發現,經典的「輻軸式」(從中心輻射到四周)運營模式能夠確保公司得到這些益處。

 

歡迎加入大數據學習羣:784557197

「輻軸」的中心由一個核心的數據分析團隊組成,團隊成員具有大數據的才能以及技巧。這並非一個「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、並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。

歸入分析專家的益處之一是,他們能夠提高企業處理優先級的能力,以及命中大數據機會的可能性。該模型經過促進數據分析團隊和業務部門之間的交互與協做來確保這一點。比方說,當分析團隊的負責人及其專家參與優先級討論時,能夠更精確地爲利益標準制定權重。

另外一個優勢是,分析專家能夠幫助企業提高對大數據的認識和了解。再一次,該模型的互動和協做能夠幫助業務部門的領導者更好地理解大數據能作什麼,不能作什麼。同時,分析專家對業務需求以及如何知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」。經過與業務部門合做,分析團隊能夠幫助加快大數據方案的實施以及能力建設。事實上,咱們傾向於將分析團隊簡單地描述爲「加速器」。 它能夠經過幾種重要方式達到目標:

* 加快肯定新機遇的速度。做爲大數據方案的中心,加速器能夠看到全部項目的成果。所以,它能夠經過兩種方式激勵他人:分享業務部門的項目經驗與看法,以及醞釀新的舉措。瞭解其餘舉措的結果將有助於業務部門產生新的想法;瞭解全部的大數據方案將有助於加速器確認機會。

* 快速訪問內部和外部資源。做爲人才和工具的焦點,分析團隊能夠協調內部資源。

這不只能夠確保技巧、可用數據和技術在整個公司內獲得更有效的使用,並且有助於將業務部門引導至他們甚至可能不知道的資源(例如數據或看法)。

做爲外部資源和夥伴關係的協調者,加速器能夠將業務部門引導到更普遍的分析生態系統,以訪問內部可能不可用的數據與功能。沒有這種協調,外部資源每每以隨性的、並且每每並不是最佳的方式被使用。

*以智慧和協調的方式創建能力。一步一個腳印是困難的。確實很容易就脫離了軌道。一方面,若是一家公司過度注重大數據方案的即時利益,選擇建設提供價值、但卻不須要發展新技能、新資源的方案,那麼在將來某個時刻,當你須要某些關鍵能力的時候,就會發現有很大的缺口。另外一方面,若是一家公司過度強調建設長期能力,但不能創造近期價值,那麼就有創建一個累贅的風險: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獲得充分利用的設施。

* 「加速器」經過幫助避免這些陷阱,來加快企業能力的發展。經過對總體能力和全面機會的瞭解,企業能夠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願景。

五、敏捷,採用「測試-學習」方法

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

在咱們的調查中有一個有趣的發現,總的來講,並非最大的公司才擁有最成熟的分析能力或最大的野心。相反,這是一羣介於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,又沒有大企業那麼多的層級結構,受到傳統結構的層層阻礙。簡而言之,他們每每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做的標準案例(公司跟公司之間會有所不一樣),但有一個通用的流程:構思-策劃-研發以及部署-ownership。不管是業務部門,仍是「加速器」,都能爲項目帶來關鍵技能。業務單位提供業務專家和產品全部者;

加速器提供分析專家、數據專家和開發主管。在一塊兒,他們經過頻繁的週期來開發、測試與學習構建最小可行性產品。

最小可行性產品發佈後,業務部門將全面接管產品,並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看法來肯定組織其餘部分的新舉措——一個新的循環開始了。

實際上,實現大數據視野的途徑自己就由一系列的迭代組成。每一個方案都會影響到下一個方案的方向。這個過程能夠比喻成通過每個轉彎都變得更聰明一點的GPS,爲更好的目的地繪製更快的路線。

「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,分散的分析工做沒法對公司產生真正的影響。該公司創建了由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做,肯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,並使用跨職能團隊實施舉措。

該CoE顯著地加速了價值的交付,同時使公司可以規模化、標準化地利用其分析方案。

該模式還具備很大的靈活性:能夠根據公司的具體要求和特色,以各類方式實施。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別。因而,該銀行創建了一個大約40人的數據中心,主要分爲兩個組——高級分析師和數據工程師——爲每一個業務線提供所需的支持。

好比在零售銀行方面,分析被普遍應用於運營和決策,所以其大數據功能已經很是強大。

所以,中心主要爲更高級的方案提供補充援助。相比之下,在財富管理方面,分析並無獲得普遍的應用,因此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建立分析模型,而後負責實施和監督。

如今:開始啓動

對於快速實現大數據視野,並將其轉化爲公司尋求的價值來講,聚焦和加速相當重要。

咱們建議企業首先選擇一個靈活、輕便的商業分析平臺,而後利用某個項目,逐步推動「數據分析+業務」的跨部門協做,一步一個腳印地實現本身的大數據視野。

畢竟,在商業的戰場中,數據觀跟世界觀同樣重要

相關文章
相關標籤/搜索