Brad Brown ， David Court ， Paul Willmott
问题所在
数据及数据分析方法改变了商业前景，同时也对高管团队提出一系列新的能力要求。
为什么重要
如果没有高层领导的投入，就很难获得捕捉数据分析机遇所需的组织层面的变革。
如何实施
领导力的最大缺口体现在六个方面。在考虑如何填补这些缺口时，需要评估中央数据库和分析资源的重要性，以及BU负责人推动一线变革的能力。然后采取行动，加强现有职能部门或BU负责人的权力，增加新职位以支持他们的工作，或创建诸如首席数据官、首席分析官等新的高管职位。
过去的30年里，为了应对不断变化的商业环境，几乎所有的公司都新增了C级高管职位。在20世纪80年代中期，大多数公司还没有首席财务官(CFO)。随着对资产管理和更透明的投资者关系[1] 的要求越来越高，这一职位变得日益重要。而新渠道、新媒体的出现增加了品牌建设和客户管理的复杂性，因此首席营销官(CMO)也变得很有必要。首席战略官(CSOs)加入高管团队则是为了应对日益复杂、快速变化的全球市场带来的挑战。如今，数据及数据分析方法的影响力正在深刻地改变商业的前景，企业高层的数据管理能力需要加强。抓住和数据相关的机会可以增加营收、提高效率，甚至开拓出全新业务。新的需求也随之产生，企业不仅需要在信息基础建设方面投入新的人力物力，还需要升级员工的思维方式和一线培训[2] 。事态正日益明朗，如果不增加新的高管力量，很多组织的数据分析大计将难以加速。
新的高管队伍可能来自营销、风控和运营等多个领域，因此C级高管可以通过各种方式参与其中。有时候，解决方法就是增设首席信息官、首席市场官、首席战略官或首席风控官。还有的企业可能需要新增首席数据官、首席技术官或首席分析官来领导卓越分析中心。本文试图明确担任这些高管所面临的主要任务，并提出关键问题，旨在为企业如何构建C级高管团队提供指南。重新设定高管团队的职能，这一工作似乎太过庞杂令人生畏，但鉴于很多和数据相关的机遇具有跨领域属性，如果不这样做的话，很可能意味着损害公司收入或利润的增长，给新的竞争对手拱手开门。
高管的六大数据分析任务
制定并实施大数据及高级分析战略，不仅仅是将数据提供给外部供应商以找出隐藏的趋势，其实还意味着对企业日常的业务经营要进行深入变革。这一变革通常意味着转型，而落实转型对高管团队提出了更高的要求。经验丰富的高管是不可替代的，他们运用自己的知识，消除相关威胁，作出艰难的权衡，在决策权遇到冲突时拿出权威来，并发出管理层致力于创建数据分析文化的信号。根据我们的经验，转型所需的协调行动可以从六个方面入手。在分配职责或创建职位之前，企业领导应对这六方面的情况进行充分了解。
树立新的思维方式
在转型之初，高管团队需要掌握数据分析的相关知识，以理解哪些趋势正在快速成为现实，同时接受这一观念——数据应该成为企业的业务核心。在这样的认识之下，可持续的行为变革才能在组织内形成气候。
“数据分析能够在哪些领域实现业绩的大幅提高？”这个问题很重要，一开始就必须提出来。每个重要的BU和职能部门都应该考虑这一问题，并获得有实权的高层领导的鼎力支持。
一家大型运输公司的领导要求首席战略官负责数据分析工作。为使高管层拓宽思路和掌握解相关知识，首席战略官安排他们访问了几家数据智能应用领域的领先大型企业，然后要求每个职能部门在来年的战略计划中制定数据分析的重点。这一流程设置了和制定实际业务目标相关的重要节点，并引起了BU负责人的重视。没过多久，他们就已经能够公开分享、探讨方案并寻找新的分析机会。这些做法激活了组织的潜能。
制定数据分析战略
和任何新的商机一样，如果没有清晰的战略、良好的运行和成功的对标，数据分析项目将无法实现全部的潜力。很多企业在这方面饱受挫折，原因就是高管团队中没有专人负责制定计划，未能进行充分的讨论或者没有足够的时间来统一安排各项工作重点。一家电信公司的首席执行官非常希望加强数据分析能力，特别是提升挽留客户和定价的洞察力。该公司迅速聘请了一位资深数据分析主管，但全部工作却很快停滞不前。公平地说，分析团队建立了模型，也作了深入分析，完成了应做的工作。但BU的同事在培训中层经理使用新模型时太慢，因为他们没有看到新模型的潜力，所以培训工作自然没有成为他们的战略重点。
和众所周知的战略规划流程相似，实现数据分析潜力需要清晰的计划以确定工作重点，也需要经妥善定义的路径以实现业务目标。制定这样的计划离不开领导层的参与。在北美的一家消费品公司，首席执行官要求网络和数字化运营部负责人（一位拥有丰富数据经验的高管）制定公司的计划，且进一步提出，该计划要和不熟悉大数据的一位BU负责人共同制定。这一合作结合了数据分析专家和经验丰富的一线同事的智慧，确保计划中的数据分析目标聚焦于切实可行、影响深远的业务决策。而且，在和其他高管团队的成员分享项目进度后，两位计划制定人之间的合作方式也成了其他BU制定工作规划的蓝图。
确定什么自己开发，什么需要购买或租借，什么可以租出去
另外一些决策也需要高层领导权威与经验的支持，包括数据加工、建立高级分析模型和工具以提高业绩。这些工作的推进常常伴随着巨大的资源需求。如今市场上已经有很多供应商能够提供核心数据、模型和工具，高管团队要根据自身经验作出自建还是购买的决策：战略的迫切性和可预期的业绩提升是否表明，公司需要内部开发和拥有一套可完全定制的、拥有自主知识产权的数据分析系统？迅速达到规模是否足够重要，以致需要借助供应商的经验和人才来共同承担这一任务？创建强大的数据资产也需要高管团队的参与。例如，要确保收集到有价值的外部数据，可能需要依靠和客户、供应商或价值链上的其他相关方建立高层合作关系。
不同的零售商选择了截然不同的道路，这说明企业领导必须权衡的事项范围很广。一些零售商已经和数据分析公司签了长期合同，内容涵盖一系列广泛的分析需求。一些大型的在线或实体公司则大力投入，以建立深入的内部数据和分析能力。每种选择都反映了战略、财务和组织结构的动态需求，而这些事项不应该交给中层经理来作决定。
确保数据分析能力
几乎在任何一种战略情境下，组织都会需要足够的分析专家在快速变化时发挥作用。当今的数据分析是公开的，经常基于云架构，以快速和用户友好的方式组合内外部数据。公司还需要一支力量强大的统计专家团队来创建预测模型或最佳模型，并对其进行有效的管理。
这些统计专家只有在全球最热门的高级技能人才市场上才能找到。留住这些有价值的员工，让他们和业务部门的负责人进行沟通并发挥真正作用，这是高管团队的一项重要任务，经常需要富有创意的解决方法。例如，一家大型消费公司大数据项目的负责人决定对一个分析部门进行投入，该部门远离公司总部，但是有充足的人才以及数据科学家和工程师偏爱的文化环境。于是，该负责人采取闭环方式，以确保分析团队的每个部门和公司总部的BU团队建立直接联系。
调动相关资源
令企业意外的是，为了建立新的决策支持工具并帮助一线经理使用先进的分析模型，管理层常常需要投入无穷的精力，才能调配众多职能部门和业务部门的人力和资金。通过数据分析清除推动决策的体制障碍时，充分授权的高管人员至关重要。成功的关键在于将不同部门的经理团结起来进行变革，鼓励IT专家、业务专家、分析专家和培训专家统一行动。如果企业的管理层没有作出承诺，失败的几率会很高。
例如，在另一家运输公司中，产品部中层经理的任务是找到数据分析机会并加以推进。当数据小组不能按时或按可用格式交付数据时，数据分析经理往往非常沮丧。当需要将分析结果嵌入定制工具时，紧急请求却占用了日常预算和计划中的流程，这让数据分析经理更加沮丧了。于是，加快数据分析的任务转交给了负责市场和销售的高管，由他召集了包括数据库经理、分析师和软件工程师在内的跨职能团队。该团队轮流展开工作，从分析启动到实施阶段花了6—8周时间。通过这种快速的调配，该高管才负责了几个月，公司就已经完成了几个重点的数据分析项目。
培养一线能力
由统计学家和科学家精密设计的数据分析解决方案必须以简单易用和吸引人的方式嵌入一线人员的工具，让经理和一线员工在日常工作中乐于使用。切勿忽视数据分析技术的部署范围和方法，包括正式培训、在职辅导和清晰定义的指标。根据我们的经验，很多公司将90%的资金用于建立模型，仅有10%投入到一线的使用。事实上，后者合理的投入比例应该接近一半。
但是在很多情况下，高管团队中没有专人负责持续进行基层的变革。由于高管层没能承担应有的责任，也缺乏积极性。一家金融服务公司虽然多次在分析项目上进行投入，最终都因为缺少培训和接受度不高导致劳而无功。于是公司领导让业务部门一把手负起责任，为经理和最终用户提供持续培训，积极推动分析工具的不断改进，并通过新的指标追踪工具的使用情况。由于持续应用分析工具，转型工作终于取得了预期的成果。
将领导力用在刀刃上
当评估这些挑战时，大多数企业会承认扩容高管数量有必要。但这并没有回答新职位应该如何架构，如何勾勒新的权力关系等重要问题。正如下面我们所介绍的，经验显示，企业应该集中领导其数据分析策略和人才库，甚至建立正式的卓越数据分析中心。但是一线活动（调配资源、培养能力）需要在BU和职能部门层面进行。其原因有二。首先，使用数据分析提高营收和效率的重点对于每项业务是不一样的。第二个同样重要的原因是，当一线变革与核心运营及管理重点相结合，并通过清晰的指标和目标予以强化时，企业才能够最有效地推动这一变革。
不少企业对调动一线的责任交给BU的呼声很高，但是除此之外，对企业在哪里以及如何增加领导职位没有统一的方法。由于数据分析应用相对来说还不够成熟，这种情况也在意料之中。但是企业领导在评估各自的选项时不应盲目行动。根据我们的经验，领导人应督促自己回答下面三个关键问题。
（1）是否所有BU使用共同的客户关系管理或运营管理中央数据库？
（2）在内部建立大量分析资源以留住人才并建立专属的资产和优势，是不是必不可少的？
（3）在每个BU中，目前的职能负责人能否应对变革管理的挑战？企业是否应该安排高管专门负责数据分析的变革工作？
我们将列举不同企业解决上述问题的不同方法，以阐述这些问题的重要性。
当中央数据资产成为关键
在很多消费者服务企业，利用数据分析需要合并来自多种业务或渠道的交易数据。这一方法让这些公司能够作出市场判断，例如消费者如何使用网站，或如何在线上和线下购物之间取舍。这些公司通常已经拥有（或者正在建立）新的中央数据库或数据环境，以及相应的数据管理能力。此外，还经常需要解决新问题。例如，如何在获取数据的同时保护客户隐私，或确保关键客户不会受到不必要的骚扰。
在这种情况下，增加首席信息官的职责，让他带领团队发展数据分析策略和培养人才，是一种常见的做法。在运营方面，首席信息官负责开发数据和构建分析基础架构，并推动BU进行变革以实现数据潜力。
例如，在一家多元业务的消费者服务企业，董事会及高管团队认识到，如果企业能够利用多渠道数据库来充分把握各个BU的数据分析机会，就可能实现业绩的大幅提升。意识到中央数据库在日常工作中的重要地位，管理团队于是指派首席信息官负责这项工作，并制定数据和数据分析策略。
公司领导认识到，每个BU必然有其数据分析重点，比如加强产品促销或者优化库存水平。另外，来自不同团队的经理将相关市场判断运用到各个BU。管理层认为，在这样的情况下，从公司总部层面管理数据分析工作及一线培训将是一个错误，于是决定让首席信息官和BU负责人合作，和他们一起分担相关责任。
目前，首席信息官主要着手两个关键项目。第一个项目是建立一套新的基础架构，将公司的多渠道交易数据和外部的社交媒体及竞争对手信息整合起来，并通过易于使用的用户界面，将分析结果交付给业务单元。第二个项目是建设数据分析能力，这个任务可以分配给不同的BU，并对其进行集中管理。至少在未来几年，在项目达到足够规模之前是这样。
分析团队的负责人是一位向首席信息官汇报的资深高管，他为管理层提供了新的核心能力。与此同时，BU的领导制定数据分析重点，培养一线经理的技能，让他们能够使用新的模型开展工作，比如，重新分配各个媒体渠道的费用。
当真正的内部分析能力成为业绩驱动机
第二种方法和我们刚才提到的集中化有关，但是特别包括了那些决定自建而不是外包关键高级分析能力的公司。作出这一决定后，组织经常会集中化部署相关能力，使其成为为各BU创造价值的公共平台。
在一家面向消费者的公司，分析能力和领导力过去集中在财务和风控团队，它们曾经负责创造主要的和数据有关的价值。当公司开始采取较为激进的数据分析策略时，首席财务官负责了几个项目，包括制定基本策略，监督核心风控分析工具是自建还是购买的决定，调动职能分析团队内部的资源，以及建设相关能力。
但是，在作出这些关于分析的主要决策后，首席执行官和首席财务官很快意识到，为了让分析团队获得更高质量的数据，加强变革力度并重新打造各BU的某些流程，还需要大量的辅助工作。为此，公司在首席财务官之下设立了首席数据官这一新的职位，负责主动管理信息，包括和业务经理合作，找出那些甚至还没有察觉到的内外部数据。交付后的数据可进行分析，并由建模专家迅速应用到所需的项目中。重要的是，数据应不断保持更新以进行新的尝试和更广泛的应用。很多公司可能都会需要这样的高管来支持BU负责人，因为他们能够找出数据型优势的来源，建立分析重点，并尽力加速一线的应用。
当BU内的管理规模和复杂性非常显著时
无论数据分析工作是否进行集中管理，多数任务都会落在BU的业务负责人或职能负责人身上。BU层面的一个核心问题，是增加新的职位，还是让主要的职能负责人（比如首席市场官或运营负责人）承担更多责任，虽然他们原来的工作量可能已经很大。
在对公司策略进行了全面审视之后，一家大型金融服务公司发现，如果大力发展数据分析，某个BU就可以获取显著的竞争优势。为了坚决推动这一策略，公司聘用了一位首席分析官，向BU总裁汇报，并通过新建的卓越中心管理内部顾问、分析建模师和软件程序员。
这样的方法为组织架构带来了重要的变化，促进了BU的数据转型工作。首席分析官作为高管团队之一，能够推动一系列广泛的决策，包括制定分析策略和定义一线经理的责任。由于卓越中心横跨多个领域，首席分析官能够迅速调动数据分析和软件编程资源，加快建立一线工具。与此同时，从BU内着手相关工作，能够让他深入了解问题所在，包括工作的重点、方式和持续不断的挑战。这样他就可以更加敏锐地判断需要开发哪些工具，更加清晰地了解培训项目需要培养的能力。BU负责人和首席分析官之间的日常互动使他们能够保持对数据分析及其实施进度的关注。
这一做法取得成效之后，公司又进一步设立了首席数据官。他向首席信息官汇报，并在日常工作中和首席分析官密切合作，推动数据和新的分析工具的结合，以加速一线的变革。
对致力于挖掘数据分析潜力的公司来说，无论最终的解决方法是什么，领导力的问题都已浮出水面。对于有的公司比如刚才举例的消费型公司，现有的高管团队需要增加工作量，承担更多的管理责任，并争取高管层的更大支持。对于另外一些公司，比如我们也研究过的金融服务公司，新设一个或多个高级职位来推动数据分析工作，将是最好的解决之道。
不管是何种类型的公司，高管团队（很可能也包括董事会成员）都应更好地理解确保数据分析工作成功所需的投入规模，在对现有职能管理范围和能力进行评估后敏锐洞察组织的核心价值来源，以调整现有的结构。这些工作都不轻松，却能护航数据分析成长为企业新的增长点。
三位作者谨向 Matthew Ariker， Amit Garg，Joshua Goff， Lori Sherer和Isaac Townsend对本文的贡献深表谢意。
Brad Brown是麦肯锡全球资深董事，常驻纽约分公司；
David Court是麦肯锡全球资深董事，常驻达拉斯分公司；
Paul Willmott是麦肯锡全球资深董事，常驻伦敦分公司。
麦肯锡公司版权所有（c）2013年。未经许可，不得做任何形式的转载和出版。本文经麦肯锡中国公司授权出版。
构建数据驱动战略：三大关键
Dominic Barton， David Court
高管应专注于有针对性的数据收集、模型构建和文化转型。
大数据及数据分析已经上升到公司的首要议程。它们将共同转变企业的经营方式并实现类似于20世纪90年代那样的绩效提升（当时企业纷纷重新设计了核心流程）。当数据驱动战略占据主动时，大数据及数据分析的重要性也将在差异化竞争中不断提高。
通过与来自六大数据密集型行业中的数十家公司的合作，我们发现，公司充分利用数据和分析方法需要三种相互辅助的能力。第一，能够鉴别、结合及管理多种数据源。第二，为了预测和优化成果，要有构建高级分析模型的能力。第三，也是最为关键的，为了确保数据和模型能够真正生成更好的决策，管理层必须具备推动体制转变的能力。巩固这些能力的两个重点是：在对如何使用数据和分析方法开展竞争方面制定明确的战略，以及部署合理的技术架构和相关性能。
同样重要的是，企业要对预期业务影响有一个清晰的愿景，并且该愿景必须能够提出数据收集、模型构建和文化转型的一揽子方法。这样做能帮助你避开那些通常一上来就问数据能为你做什么的陷阱。领导者应当投入足够的时间和精力，以保证各部门的经理一致支持这项任务。
1选择合适的数据
过去几年来，数据和建模领域发生了巨大的变化。信息海量膨胀的同时，通过联合各项数据来扩展洞察的机会也越来越多。更多更好的数据能够使公司更全面、更精细化地审视商业环境。此种前所未有的洞察力有效改善了运营水平、顾客体验和公司战略。这就要求企业从以下两个方面入手。
创造性地收集数据
通常，公司掌握那些可以用来解决业务问题的数据，但经理却不知道该如何用它作出关键性决定。例如，工厂及客服部门每日或每小时都有即时更新的相关数据，但运营经理往往无法捕捉其潜在价值。领导者可以通过对问题和机遇进行细化，以此推动经理们以更加全面的眼光审视数据。
经理也需要创造性地看待外部和新的数据源的潜力。社交媒体以会话、图片和视频的形式产生非传统、非结构化的TB级数据，此外还有来自传感器、监控过程的数据流，以及从本地人口统计到天气预报无所不包的各种外部数据源。激发对数据潜力更广泛思考的一个方法是回答这个问题：“我们可以利用掌握的数据作出哪些决策？”
获得必要的IT支持
传统的IT架构可能会阻碍数据收集、存储和分析的新模式。而管理非结构化数据通常已超出了传统的IT能力。彻底解决这些问题一般需要数年时间。然而，商业领袖们可以寻求首席信息官的支持，按照优先级来满足短期内的大数据需求。这意味着需要快速识别和获取最重要的数据用于分析，然后增加一个清理操作以同步、合并重叠的数据并补救缺失的信息。
2构建模型以预测和优化业务成果
数据是必不可少的，但是绩效提升、竞争优势来自可以让管理层预测和优化成果的分析模型。更重要的是，构建模型的最有效途径通常并不始于数据本身，而是从发现商业机会并判断该模型将如何提升业绩起步。我们发现，虽然传统的基于实际数据关系的模型更易于管理层理解，但这种假设引导型的建模方法可以快速获得成果。
请记住，任何建模工作都有相应风险。先进的统计方法无疑能构建更好的模型，但有时统计专家们设计的模型太过复杂，不适于实际应用，也许还会耗尽企业的大部分能力。领导者需要不断地追问：“什么是可以提高绩效的最简单模型？”
3提升企业的数据分析能力
高管们向我们坦言，最担心的是经理不理解或者不相信基于大数据的模型，所以并不使用它们。
由于现有的组织文化和能力与数据驱动新策略不相匹配而导致问题的出现，这其实很常见。新方法或者无法与现有决策方式相匹配，或者不能为实现企业目标勾勒清晰蓝图。许多分析工具看上去只是为专家建构模型而设，而不是为第一线的员工服务。而且很少有经理对模型有足够的兴趣并推广其使用——对于想要在内部推行新方法的公司来说，这是一个致命伤。关键在于，使用大数据需要深思熟虑的组织层面改革，从三方面入手采取行动可实现目的。
研发与业务息息相关并可投入使用的分析工具
很多大数据和数据分析的初步使用之所以失败，是因为不能与日常工作流程和进行决策的常规做法保持同步。模型设计者需要了解经理作出的各种类型的业务判断，以使其行动与公司的整体目标保持一致。与一线经理的对话将确保数据分析及相应工具能够完善现有的决策流程，从而使公司在各方面作出权衡。
在一线使用的简单工具中植入数据分析
经理需要简单明了的方法，便于日常使用新模型和新算法。当然，加强营销、进行风险管理和运营需要TB级数据和复杂模型。关键是要将统计专家和软件开发者与经理区分开来。目标是，为一线经理提供直观的工具和界面以帮助他们更好地工作。
开发利用大数据的能力
即便有了简单和便于使用的模型，大部分组织仍需提高其数据分析方法和知识水平。为了使分析成为日常运作的一部分，经理应当以此为中心去解决问题和发现机遇。依据公司的目标和预期的时间要求，需要采取相应的举措。调整企业文化和思维方式通常需要多管齐下，包括培训、领导者的榜样作用、激励和指标。例如，成年学习者通常能从“现场型讨论”中受益，通过现实工作的分析思考，从实践中学习。
根据我们的经验，高管们应当现在就行动起来，积极使用大数据和数据分析。但是与其推行大规模变革，不如专注于有针对性的数据收集、模型构建和文化转型。这些举措有助于企业保持灵活性。这很有必要，因为信息本身（包括管理和分析信息的技术）也将不断发展和变化，新的机会将从中产生。随着企业不甘落后地学习使用大数据的核心技术，构建卓越的数据能力将成为压倒一切的竞争力资产。
Dominic Barton（鲍达民）是麦肯锡董事长兼全球总裁，常驻伦敦分公司；
David Court是麦肯锡全球资深董事，常驻达拉斯分公司，他也是麦肯锡高级分析业务负责人。
麦肯锡公司版权所有（c）2013年。未经许可，不得做任何形式的转载和出版。本文经麦肯锡中国公司授权出版。
揭开大数据神秘面纱：以本土保险业为例
石磊，陈蕾，谢英卿
积累海量交易数据、配备强大精算团队的保险企业拥有揭开大数据神秘面纱的先天优势。
大数据时代来了。但大数据到底要怎么做，多数企业似乎还是懵懵懂懂，不知从何入手。以我们服务的保险企业为例，其实，对积累海量交易数据、配备强大精算团队的保险企业来说，拥有揭开大数据神秘面纱的先天优势。
我们发现，不少本土保险企业坐在闲置的数据“金矿”上，尚未善加利用。例如，承保和理赔两个IT系统的数据，并未能够有效地按客户维度进行整合。从理赔数据中分析得出的各行业的实际风险，也未能有效反馈到承保定价政策上。如右图所示，于是，制定定价政策时对部分行业的风险预期，严重偏离实际风险，导致企业利润低下，甚至亏损。
因此，对本土保险企业而言，从内部数据整合分析开始，逐步增加外部数据的使用，不失为建立“大数据”核心竞争力的有效路径。
石磊是麦肯锡全球资深董事，常驻上海分公司；
陈蕾是麦肯锡全球副董事，常驻北京分公司；
谢英卿是麦肯锡高级分析员，常驻上海分公司。
麦肯锡公司版权所有（c）2013年。未经许可，不得做任何形式的转载和出版。本文经麦肯锡中国公司授权出版。
注 释
[1]. 要更多了解首席财务官一职的故事，请参考Dirk Zorn所著“Here a chief， there a chief： The rise of the CFO in the America firm”，“American Sociological Review”，2004年，第69卷，第3号，第345–64页。
[2]. 参考Dominic Barton 和 David Court合著“Making advanced analytics work for you”，“Harvard Business Review”，2012年，第90卷，第10号，第79-83页；以及David Court对Frank Comes的访谈“Putting big data and analytics to work”，2012年9月，mckinsey.com.
聚合中文网 阅读好时光 www.juhezwn.com
小提示:漏章、缺章、错字过多试试导航栏右上角的源