企业分析转型的挑战与策略

在大数据的全貌中,实施规模的影响需要规模的实施,而这正是企业分析转型成功所缺失的。"IT整合"和"有限的采纳"被认为是企业分析转型成功的两个关键挑战。根据EY最近的一项研究,尽管81%的公司承认数据应该成为所有决策的核心,但只有31%的公司显著地重塑了他们的运营以实现这一点。

思考当今最具颠覆性的企业及其护城河。当然,是数据——“不断演变且永无止境”的数据使用,几乎持续不断地改善用户体验、流程,并在其他人之前创造差异化能力。虽然“数字化”是一个革命性的想法,但真正的潜力在于持续和自维持的分析应用,以产生新的收入流,洞察消费者行为,提高营销举措的投资回报率,并使供应链高效。

需要从将数据收集视为一种爱好转变为一旦分析路线图到位并且数据成熟度达到,就需要从小规模试点或临时项目转变为在整个组织中拥抱分析。以下是组织在这方面可能面临的一些挑战以及如何解决它们的一些想法。

利益相关者之间的协作

实施的所有权在分析、IT和业务单位之间没有明确定义。因此,分析的洞察力在成为结果的路上丢失了。通常,可以轻松分析的可能不容易实施,反之亦然。部门之间的沟通不良也可能源于非标准化的信息源、编程语言、指标和业务目标。

由于运营项目不如分析灵活,因此采用协作方法变得重要。需要跨多个功能的互补技能的专门资源,以确保分析和业务团队之间的成功协作和对齐。这样的“翻译者”,如下面的信息图表所示,可以帮助弥合功能团队之间的差距。

变革管理

历史上,组织的决策一直由直觉而非数据和证据主导。这在迄今为止是有意义的,因为数据要么稀缺要么不可用,计算能力有限。因此,高管们依靠他们多年的学习(经验)和机智(直觉)来处理信息并推动业务。这种传统的HiPPO——“最高薪酬人士的意见”——需要让位于“从数据中提出正确问题”的方法,并让数据说话。为了摆脱对直觉和传统智慧的依赖,从顶层推动变革管理并在组织中根植分析应该是首要任务。

同时,管理者需要敏感地认识到,对每个人来说,突然的变化可能会压倒性。因此,应该计划一个现实的、分阶段的转变,首先针对一些选定的、业务关键的流程。除了心态转变外,员工还需要接受如何在日常工作中理解数据的培训。员工应该被授权自己进行基本的数据整理和报告操作,使用MS Excel、SQL和R/Python,以减少对IT和分析团队的依赖。

信任差距

前线采用分析的另一个主要挑战源于对分析的理解和信任的缺乏。分析被商业领袖视为一个“黑匣子”,这种缺乏透明度导致他们贬低分析输出。这种信任差距可以归因于复杂的深度学习模型和传统、“业务导向”的领导者对解释分析的兴趣和技能的缺乏。为了赢得他们对数据发现的信心,数据科学家应该养成解释预测模型和业务假设的创建过程、处理数据干扰、模型背后的假设以及尝试过的不同方法和算法的习惯。

如果员工为过渡到嵌入分析的过程做好准备,他们可能会更开放于变革。工作流程和业务应用也需要重新设计。例如,部署一个处理客户投诉和查询的聊天机器人需要重新绘制整个客户体验流程。分析可以显著改变活动之间的时间分配,使大多数手动任务变得多余。员工可能会因为这种突然的变化而感到震惊,担心失业,因此这种过渡需要逐渐进行。

对于这样的员工,需要重新调整工作职责和期望,以培养一个为未来做好准备的劳动力。例如,自动化报告和销售预测可能会释放出区域销售经理在设定销售目标和跟踪销售代表表现上花费的大量时间。这些时间可以花在更有利可图的活动上,如与高价值客户互动、分析市场因素和销售激励计划。

测量和归因

模型评估过程通常关注其在准确性、精确度和召回率方面的性能,但对促成结果的因素只有最小的理解。在一些用例中,例如欺诈建模和自动驾驶,模型的准确性至关重要。然而,对于大多数常见的商业流程,如库存规划或销售预测,了解推动预测的关键因素和影响者很重要。不幸的是,尽管许多分析师关注“发生了什么/正在发生/将会发生什么”以产生影响流程变化,但“为什么”往往是最重要的。这有助于理解潜在的因果关系,因此,“哪些因素可以改变以及在多大程度上?”和“这些变化的结果将是什么?”

如果业务影响没有被测量,那么为任何项目的投资辩护就变得困难。一个有效的测量框架应该跨越组织的所有层面。指标应该直接与有形的业务价值联系起来,间接与前线采用、员工生产力和其他软目标联系起来。除了观察到的历史指标外,评估预期的未来值将有助于优先考虑长期的分析举措。下面展示了一个涵盖常用功能特定指标的框架。

维护和改进

随着业务场景和流程的变化,模型性能会随着时间的推移而衰减,可能会使旧模型出现故障或过时。因此,分析项目中的RoI和其他指标的测量是一个持续的过程,应该随着模型调整以反映变化的趋势。例如,鉴于欺诈行为的演变和动态性质,欺诈检测模型应该定期输入新规则和/或最新数据,以发现新的欺诈行为模式。在可能的情况下,应该部署动态的ML模型,如在线学习和增量学习模型,以避免频繁的更改或微调。

此外,应该寻找新的业务案例和先进的算法来提高分析效率。分析应该被视为通过探索新的业务问题、分析工具和框架来发现价值的持续旅程。具有证明潜力的项目应该推广到生产中,并跨功能和地区扩展,而由于IT限制、数据不可用或执行障碍导致的失败则不应进一步追求。

沪ICP备2024098111号-1
上海秋旦网络科技中心:上海市奉贤区金大公路8218号1幢 联系电话:17898875485