技术不是实现分析价值的阻碍

　　过去十年当中，商业分析平台已从支持信息科技和财务部门，转变成用来强化全公司所有商业使用者的能力。不过，许多公司发现难以实现这种可能性。我们发现有三个主要障碍，妨碍了企业充分发挥分析的价值，这三个障碍都与技术无关，而与人有关，包括组织的架构、文化，以及解决问题的方法。

　　架构

　　从架构上来看，分析部门可能位于两个相反、但同样深具挑战性的极端之间。一个极端，是与业务保持太大距离的数据科学小组。这些小组通常会产出令人印象深刻又复杂的模型，而这些模型并没有证明太多可行的见解。

　　以一家零售金融服务公司的经验为例：这家公司分析部门的员工，尽可能只使用专业的软件包，以及特定的复杂菜单单。同时，这个小组会刻意避免采用传统的商业标准做法，像是访谈客户、以图像来简报结果、把分析结果放在商业的背景条件下来解释，以及把复杂的发现与传统智慧连结起来。结果，这个小组变成一个孤立的部门，商业伙伴认为这个部门缺乏响应、不可靠，也不愿交付重大计划给他们。

　　另一方面，纳入业务部门太深的分析人员，通常会过度倾向维持现状，或是偏向领导人的思维。例如，我们在租车业的一家领导厂商观察到，车队分析人员提出的情报，据说是显示车队应偏向采用较新的车辆。他们表示，维修成本较低，足以抵销较高的折旧费用之后还有余。这符合车队副总对车龄较新车队的偏好。

　　但事实证明，那些分析人员刻意挑选了有偏差的样本，这个样本里的旧车，在同车龄的车辆当中，维修成本高于平均水平。若分析的是无偏差的样本（或整个母体），就会产生不同的结果。（当然，维持车龄较新的车队，可能还有其他动机，像是顾客满意度和品牌观感等，但降低成本并不是原因之一。）

　　文化

　　从文化上来说，过度以数据为导向的组织（的确有这样的组织存在），会盲目采用有缺陷模型呈现的意义，就算那些意义违反常识，或是与商业目标背道而驰。这正是某家金融服务公司发生的情况，当时管理阶层正在仔细思考，要如何改变佣金结构。他们想要把销售人员的薪酬基础，从原始结果，改成相对于每位销售人员市场潜力的绩效。

　　分析人员响应管理阶层的要求，开发了让人钦佩的数据包络模型（data envelopment model）。这项模型同时比较不同类型产品的销售，以及当地人口结构和财务统计数据，以便为每位销售人员，提出一个相较于同侪表现的单一效率衡量指标。这似乎让薪酬更为公平。但它降低了效率较低、但最后更有价值的销售人员的薪酬，导致他们跳槽到竞争对手公司。

　　相反地，过度依赖直觉本能的组织，拒绝调整它们的假设，就算数据清楚显示这些假设是错的也一样。例如上述那家租车公司，即使在发现数据不支持它降低成本的说法之后，还是极度不愿意改变方向。

　　方法

　　在采用的方法方面，这种两极现象仍持续出现。在一个极端情况下，我们看到分析小组创造出过于复杂的模型，前置时间相当长，也不太会针对输入数据的变化而调整。

　　有个例子，是一家全国性汽车保险公司里的数据科学团队，成员都是改变功能的精算师。这个团队创造了一个令人印象极为深刻的模型，用来预测汽车在第一次事故报告之后，是否会变成全部损失或部分损失。这整套模型包含一个「随机森林」（random forest；编按：一种机器学习的算法）、主成分分析，以及贝氏分类法（Bayes classifier）。

　　可惜，这家公司缺乏所需的基础设施，无法在生产环境中直接执行训练过的模型。这个模型也太复杂，信息科技团队无法复制。结果事实证明，简单的逻辑回归（logistic regression）就几乎会有同样的成效。

　　不过，有些团队创造的模型则过度简单，无法掌握待解决问题的细微之处。某家大型时尚零售商就碰到这样的问题。这家公司注意到，某些促销活动，与来店客数增加有高度相关。他们不了解，那些促销活动通常是在周五和周六举办的，那时的来店顾客人数，原本就明显高于一星期里的其他日子。

　　有效的分析组织所具备的要素

　　考虑到上述这些障碍，我们认为有效的商业分析组织，会在职能知识、商业直觉和数据分析之间取得平衡，而且秉持的营运信念是：只有在额外的见解证明需要增加复杂度时，才会增加复杂度。这种分析组织的成员包括：分析神经中枢（analytics nerve center）。理想情况下，由各自独立、技能高超的数据科学家组成一个小型团队，担任组织的分析神经中枢，成员通常拥有统计学、数学和计算机科学等领域的高等学位。另外，在每个主要商业部门里的分析技术通才，也要向这个神经中枢报告。

　　在这样的安排下，深入各个商业部门的通才，获得所需的深入职能知识，得以启动和发展可行的分析。他们仰赖神经中枢提供额外的支持、模型的验证和训练。各个商业部门内的通才，了解分析和商业的语言，同时也担任他们所属部门内商业伙伴和独立的数据科学家之间的联络人。

　　高层里的代表。谁来领导神经中枢？分析长（chief analytics officer）把分析的意见直接提供给长字辈高阶主管，这个层级的主管往往靠直觉来做决策。若把分析和直觉结合在一起，策略就会变得更强大。当分析结果和直觉不一致时，透过研究就可以显示，有错的是模型或商业假设。

　　「冠军及挑战者」的方法。若要管理这种理想架构下的复杂度与见解之间的取舍，分析人员最初会专注创造一个最精简可行产品（minimum viable product，MVP）。在这方面的MVP模型，会用尽可能简单的方式，把问题解决到最低限度可接受的程度。这个MVP变成「冠军」，面对其他更复杂模型的挑战，看是否能取代冠军模型。挑战者必须让所有利害相关人都认为，值得为了它的好处，而增加复杂度，如此挑战者才能取代冠军。这种方法有个有趣的副产品，那就是，就算这个过程中断，几乎都还是会产出有用的东西。

　　现代商业分析已能从大量数据数据当中，提炼出新类型的见解。结果，分析变得很重要，攸关任何大型组织的决策能力。若要取得适当的决策能力，就必须打造出拥有适当架构、文化和解决问题方法的分析组织，以提出可行的见解，供商业领导人应用在竞争上。

　　摘自：《哈佛商业评论》数位版

　　Todd Clark，Dan Wiesenfeld

关注读览天下微信， 100万篇深度好文， 等你来看……