数据不是万能的，不进行数据转型是万万不能的

　　数据分析有局限，当前企业界在数据分析中的视角和方法亦存在错误。

　　数据不是万能的。浙江人民出版社、湛庐文化近日引进出版了全球著名的商业思想家、流程再造、知识管理、注意力经济等商业概念的提出者、美国知名商学院巴布森学院教授托马斯·达文波特，与埃森哲卓越绩效研究院高级研究员珍妮·莫里斯、资深企业顾问罗伯特·莫里森合著的《工作中的数据分析》。这本书出人意料的在全书开篇谈到了数据分析的局限，以及当前企业界在数据分析中的视角和方法错误。

　　数据分析的局限在于，首先，很多情况下，商业决策需要快速作出，来不及或者不具备条件进行周密的数据分析；其次，当遇到没有先例即不存在历史数据的情况下，只能借助于经验、直觉进行判断；第三，历史信息存在误导，就像是证券投资中，仅仅根据过去的周期信息，很可能遭遇“黑天鹅”和“灰犀牛”风险一样，对于历史信息在任何情况下都需要进行甄别采用；第四，当一些事物、事件难以测量其关键变量的情况下，数据分析的启动难度很大。

　　2008年金融危机以及之后的欧债危机，证明数据分析也可以出现严重的视角和方法错误，比如基于无效的、错误的、过期的假设。金融危机发生以前，华尔街的各大投行所建立的按揭证券交易模型建立在美国房价会一直上涨的（错误）建设之上，而信用违约模型基于信用市场的流动性的建设，投行对于风险、信用的认知存在巨大偏差。书作者据此归结出，数据分析需要分别避免逻辑错误和过程错误，前者包括没有提出正确的问题、做出了错误的假设且未加验证、篡改数据和模型来为特定的结论服务、没有正确理解数据的全部内容。

　　《工作中的数据分析》这本书指出，无论是金融服务业，还是其他行业，数据分析虽然存在技术上的局限，还会出现视角和方法错误，但仍然值得倚重，其决策可靠性要大大超出基于直觉和经验。书作者改写了苏格拉底的名言指出，“未经检视的决策是不值得做出的决策。”

　　《工作中的数据分析》这本书包括两大部分。第一部分给出了DELTA模型，即data（可用的高质量）数据、enterprise企业视角、leadership领导力、target战略性目标、analyst分析师，由这五大要素组合起来成为重塑企业在数据时代竞争力的框架。

　　首先，企业应致力于提升数据水平，使之提升质量，具备独特性、整合质量，并能得到很好的监管和保护。书中以美国部分企业案例为据，说明了如何收集具有唯一性和专有性的数据，并指出企业完全可以通过深耕基础运营的信息来挖掘数据金矿。比如，美国加州的一家牙科诊所，就通过分析多年来的索赔数据，对于投保客户与其对应牙医的行为模式进行了更加清晰的了解。谈到企业内外部多个数据源所获得的数据进行聚合，应当将之纳入业务需求的运行流程，并且要摒弃完美主义倾向，要能够应对和处理存在缺陷、缺失的数据。书中还强调，无论是金融服务商，还是其他行业的企业，而今都必须高度重视数据隐私，建立必要的分级权限体系和防泄漏规范。

　　其次，要以改善企业竞争发展水平为目标，建立大数据战略，打破信息孤岛。企业不同部门、流程、业务板块都有动机，对于数据进行封闭处理，特别是跨国的金融或多行业经营的企业，不同的业务部门、区域总部会举出种种理由，来避免业务信息在公司内部共享。书作者建议，企业的大数据战略必须建立在一个较好运行的信息共享平台之上。

　　第三，应当使得企业自上而下各级管理人员，包括数据分析部门、职能部门、业务单元及基层执行部门的领导者，都能以数据分析为导向，具备数据领导力。书中梳理指出，数据分析领导者通常应具备人际交往能力、自觉使用数据和分析、倾向于雇佣具备数据分析能力的人才、梳理数据分析使用的习惯、勇于承诺结果、教导数据分析技术、以数据分析为基础来建立绩效指标等素质，同时对于数据分析的局限和常见错误也有清晰的把握。书作者就此举出了一些企业管理者的实例，讲授在不同行业培养管理者数据领导力的方法和步骤。

　　第四，应该跳出行业，深刻把握技术革新、社会转型所导致的行业不断分化和跨界融合的趋势。

　　第五，积极培养、正确使用和激励不同层级的数据分析人才。书作者将数据分析人才分为四类，第一类是行业顶级数据分析师，这类人才通常精通行业分析技术，在行业内拥有很高声誉，有能力履行高层管理职责；第二类是拥有最强的量化分析能力的人群，擅长趋势分析、聚类算法、预测模型、统计模型、优化和模拟以及各类数据挖掘等技术的分析专家。这一类人才也就是人们常说的技术大咖，很可能也是怪才，企业需为之设计特有的施展空间的制度环境、激励政策。第三类是准分析专家，能够将前两类人才开发的模型和算法为其他业务部门服务，起到承上启下的作用。第四类是分析爱好者，将企业数据分析技术和指导政策转化到基层执行，能够敏锐的将市场信息转化为有价值的数据并纳入企业数据系统。书作者指出，企业大数据战略及其应用，最重要的就是要立足于人，改善发展环境和激励政策，最为充分的发挥各层次的数据分析人才的作用。

　　《工作中的数据分析》一书的第二部分立足于企业的数据化转型，聚焦数据分析与具体业务的深层次融合，提出了一系列建议。数据化转型首先要选择好切入点，一些上规模的企业对于数据化转型持排斥态度，很可能出于数据转型成本较高等担忧，以及对于转型效益不明朗而缺乏动力，这种情况下，应当使之了解数据对于流程提升的潜力。数据化转型其次应组织并管理数据分析所需的资源，要通过精密组织以确保较好的应对数据分析能力的供不应求等情况。

　　让数据分析与业务流程高度融合，应当明确流程中的关键决策点，确保拥有足够的数据来支撑相关决策，将决策置于事实、数据的基础上，将分析技术逐项整合到运营系统和流程之中，通过流程部署、模型部署、系统部署、人员部署四个步骤解决数据分析融入业务流程的难题。

　　在此基础上，还要积极打造数据文化。书作者指出，数据文化可以确保数据为导向的思想被企业上下广泛接受，使得企业体系能够自觉的探寻真相、发现模式并追根溯源、对于市场信息尽可能细致的分析、搜寻数据做出判断从事实出发而不是传闻和直觉、能够坦然的接受负面结果和正面结果。很显然，数据文化对于提升企业文化的水平，建设更加具有开放度、透明度的企业运营架构具有帮助。

　　文/郑渝川