1.1　为何数据分析会在产生成效前流产

就在两三年前，数据分析负责人的最大挑战还是使管理团队了解到大数据的潜力，找到人才建立模型并构建恰当的数据桥梁，将企业内外通常是孤岛的数据库连接起来。但当他们在努力规模化应用争取成绩的时候，新的挑战又出现了（见图1-1）。

图1-1

资料来源：McKinsey analysis.

首先，规模化应用需要投资，即使是为了获得分析成果所需的投资，许多上层管理者仍不愿在这上面下赌注，因为早期的努力并没有获得显著回报。很多情况下，他们在前期会关注开放性的研究，从大数据中探寻新的商业洞察。那些数据分析供应商和数据科学家也会支持，因为他们希望在数据上跑遍所有的分析方法，试图从中寻金。很多高管都听过他们的豪言，“只要把数据给我们，我们就可以找到推动你的企业发展的新模式和新洞察”。

这些开放性的实践确实会有新的发现，但缺乏规模效益。比如，一位汽车制造商的高管最近投资了一个新项目，希望了解如何通过社交媒体改善对新产品的计划和销售预测。数据分析的结果虽然展现了客户偏好的各种有趣细节，却没有对如何改进公司的产品预测提供太多指导。高管们总能找到类似这样的例子，寻找到有趣的用户行为模式的早期努力不能转化为可执行的计划，因此并不会对公司的业绩产生实质的影响。结果就是，上层主管通常不愿对数据分析规模化应用进行进一步的投入，包括分析中心、工具、培训。

其次，基层管理人员和商业用户常常会对数据分析能否改善决策缺乏信心。其中就有人曾经抱怨过这些工具像个黑匣子，管理人员无法理解分析结果或是它们给出的建议。当他们不相信分析，特别是当分析工具不易使用或者没有嵌套在工作流程和进程之中的时候，他们会回归到传统的经验上，这种现象完全可以理解。比如，在销售客服中心，员工并没有使用产品推荐引擎，因为他们不知道这些工具是如何得出推荐结果的，而且使用起来也不方便。而当这些工具升级改善之后，既说明了推荐算法的工作原理，又改善了用户交互界面，接受度就有了大幅的提升。

最后，一个公司的核心流程也可能成为妨碍复杂分析（sophisticated analytics）充分发挥作用的因素。对于那些“以数据分析起家”的公司，例如亚马逊和Facebook，其核心业务流程，如定价、广告服务和供应链管理都是建立在自动数据分析基础上的。这些企业还建立了自动化的大数据处理系统和吸引分析人才的成熟招聘程序。

但是在更多传统企业里，企业的管理审批流程跟不上数据分析的进步。比如，拥有实时数据和自动定价引擎是非常好的，但是如果管理流程的设计是每周定一次价，那么企业就很难享受到这些新技术带来的全部优势了。而且，企业如果不能最大化利用这些技术，将会有落后的风险。