译者序

如何建立企业级数据分析能力

随着大数据逐步深入发展至经济生活和社会活动的各个领域，全球正在稳步迈入数字化经济时代，我国也正式提出了“加快培育数据要素市场”的战略，越来越多的企业开始将数据作为一种战略资源，重新定义和努力挖掘数据价值。

著名信息学家达文波特（Davenport）曾经指出，各类企业正处在“可以用数据分析解决问题”向着“通过数据分析建立竞争优势”转变的重要阶段，并于2012年首次提出“数据科学家”这个时髦岗位。当前，世界范围内在如何组织和推动大数据分析，建立企业核心竞争能力方面已经有了许多进展，在其中发挥重要作用的数据科学家和数据分析师也成为全球范围内增长最快、需求量巨大的职业之一。

当前国内外普遍出现数据分析人才短缺的问题，是因为高水平数据分析师的培养难度很大。要成为一名高水平数据分析师，既要具有扎实的数学、统计学、数据分析基础能力，又要熟悉大数据应用的业务场景，还要具备很强的实践能力、创新意识和团队合作意识，懂得数据分析成果“入系统、进流程”的应用设计和业务协调。业界经验显示，培养一个中等水平的数据分析师平均需要五年的数据分析实践，而培养一个高级水平的数据分析师（数据科学家）平均需要九年以上的数据分析实践。对大多数企业而言，短期内引进大量高水平数据分析人才是不现实的，唯有依靠企业内部良好的体系化培养，才是正确道路。

在大数据时代，无论多么强调数据分析对企业的重要性都不为过。这是一本专门论述建立企业级数据分析方法论的书，国内关于这个专题的专著不多。我们组织翻译这本专著，是想给那些正在从事数据分析实践的数据分析师、正在研究企业数字化转型的学者、希望通过数据分析实现企业智能化运营和智慧化决策的企业管理者们介绍一套经过实践验证的、贯穿数据分析全生命周期的方法论和参考手册。希望通过本书的介绍，读者能够清楚地认识到解决好企业的数据分析与业务应用问题、通过数据驱动实现转型发展和建立以数字化为支撑的核心竞争能力，是一项需要企业高层管理者亲自参与推动、企业的各业务部门和数据分析师协同工作，数据分析成果应用流程需要精心设计、数据分析技能需要不断提升的长期努力过程。

结合译者多年从事数据分析与应用工作的实践经验，我们概括出做好企业级大数据分析必须重点修炼的四方面能力，请读者阅读本书时一并验证、探讨。

一、支持企业级数据分析的四大支柱

成功的大数据分析应用一定要注意做到数据基础、人才队伍、业务流程、技术支持四方面（象限）能力的平衡。缺少任何一个象限的能力，就不可能形成一流的企业级数据分析能力（见图1）。

图1　支持企业级数据分析能力的四大支柱

在数据基础建设方面，要从数据的量和质两个方面做好工作，记住两个铁律。第一，遵循“大数据秒杀一切算法”，尽一切可能收集、积累“准、快、全”的数据，除了企业内部数据外，还要尽可能收集有用的外部数据，做好内、外部数据的集成管理。第二，没有质量保证的数据毫无用处，也就是常说的“garbage in garbage out”。工商银行前任行长杨凯生先生曾深刻指出“数据不准确比没有数据的问题更加严重”。因此，必须将建立数据质量控制体系与数据标准管理体系列为开展企业级数据分析应用的先决条件。

分析师人才队伍建设方面，要做到外部引进与内部培养相结合，且以企业内部培养为主。同时具备“懂业务，懂数据，懂分析方法”三个条件的分析师人才十分稀缺，也是有远见的企业争相网罗的对象，企业要为分析师人才队伍开辟明确的职业发展道路，要在使用和激励两个方面做到分析师人才“引得进、养得成、用得好、留得住”。培养和留住分析师的最好办法，是为分析师提供施展才能的平台，组织分析师多参加数据分析最佳实践项目，让分析师经常有机会“贴近业务，靠近数据，彼此接近”，这是最佳的分析师使用和成长模式。

业务流程方面，一是分析项目要契合业务需求，坚持“问题导向、基层导向、客户导向、价值导向”，瞄准业务的痛点、难点问题；二是让分析成果“入系统、进流程”，要让高水平分析成果持续发挥业务应用价值。根据本书作者的举例，结合译者多年数据分析实践经验，成功的企业级数据分析项目往往都是在高管亲自领导或推动下，由分析师和业务人员组成项目团队，针对特定数据分析项目长期持续努力的结果。遗憾的是，大多数情况下，企业的数据分析项目往往因为组织实施不善或者缺乏高层认可、参与或推动而无法取得成功，而分析项目的失败往往会导致业务部门和分析师团队之间的相互埋怨和彼此不信任。

技术支持方面，要建立满足分析师工作需要的高性能数据分析环境，提供当前大数据分析所需的各类分析工具。但是，仅仅有这些“硬”技术能力还远远不够，还要采取多种方式建立分析师的“软”技术能力。例如，经常组织企业的分析师以建模大赛等“众筹”方式解决一些高价值、高难度的业务建模问题，为参赛分析师搭建数据分析项目实践比拼和展示能力的平台，提供观摩优胜者数据分析技能的机会，奖励解决了复杂业务建模问题的顶尖分析师。还可以通过组织高水平培训班、邀请业界顶尖专家为分析师举办讲座、购买优秀大数据分析网络课程等多种方式，提升企业的数据分析技能，往往这种“软”实力比“硬”技术更能够帮助企业级数据分析项目获得成功。

二、数据分析成果产生应用价值的关键方法

目前，业界谈论企业的数据分析方法和成果时，往往关心企业技术能力、具体建模方法的多，关心分析项目是否坚持“问题导向、基层导向、客户导向、价值导向”，是否能解决企业实际问题的少。本书的最大优点，是告诉我们应如何构建企业级数据分析应用能力，而不是仅仅停留在具体的数据分析技能上。因为，只有能够解决业务问题，创造业务价值的数据分析能力，才是企业普遍应该关注、培养和需要的数据分析能力。

在规划和建设企业级数据分析体系时，一定要将技术上能够提供的“数据分析潜能”与业务部门获得的“实际数据分析能力”区分开来。实际上，许多企业说的数据分析能力，往往指的是自己收集了多少数据，拥有多大的数据存储与计算能力，而这些能力仅仅为开展企业级数据分析提供了技术可能性，我们暂且称之为“数据分析潜能”，它实际上并不代表企业真正拥有的“数据分析应用能力”。国内外的企业数据分析实践表明，绝大部分企业的“数据分析应用能力”远远低于企业的“数据分析潜能”（见图2）。

造成企业数据分析能力浪费的原因很多，有业务部门没有参与数据分析项目选题、应用流程设计，对数据分析项目成果漠不关心甚至抵制，从而无法实现应用价值的原因，有数据分析项目成果理解难度大、应用门槛高、分析师数量配备不足而无法应用数据分析成果的原因，等等。在推动数据分析成果落地应用方面，有远见的企业一般会通过两种方法来克服数据分析成果落地应用困难，提升企业的“数据分析应用能力”，并使之不断逼近“数据分析潜能”。一是在企业内部增加数据分析师数量，支持业务部门理解、应用分析师团队主动开发的数据分析产品，降低业务部门应用数据分析项目的难度，实现数据分析项目成果落地应用（见图3）。二是引导业务部门主动提出数据分析项目，主动参与分析项目开发和应用流程设计，提高业务部门应用数据分析项目成果的积极性（见图4）。

图2　企业数据分析潜能不等于现实数据分析应用能力

图3　增加数据分析师数量，支持业务部门实现应用成果

提升数据分析成果应用能力（1.增加数据分析师+2.业务部门参与分析项目）

图4　业务部门参与数据分析项目，提高成果应用积极性

三、数据分析要能支持企业从被动决策向主动决策转变

目前，大部分企业开展数据分析的目的是为企业管理和决策提供报表、研究报告。实际上，数据分析是建立企业核心能力、拓展业务范围、实现管理和业务创新、支持企业从被动决策到主动决策等一系列与核心竞争力建设息息相关的重要手段。全球著名的数据分析软件服务商SAS公司发布的“企业分析能力进阶图”，从数据分析方法复杂度和对企业核心竞争优势支持能力两个维度，将企业数据分析能力分为支持被动决策和支持主动决策两大类共八个等级。当前，大部分企业的数据分析能力停留在仅仅支持企业被动决策的低级阶段。这是因为，只有在数据、人才、流程、技术四个象限都做得很好的企业，才有能力采取体系化、平台化、制度化、自动化方法，真正让数据分析成果“入系统、进流程”，进入到依靠数据分析支持企业主动决策，建立企业核心竞争能力的高级阶段（见图5）。

图5　数据分析能力进阶：从支持被动决策到支持主动决策

四、明确数据分析师的能力要求

为了实现“通过数据分析建立竞争优势”的目标，企业往往要求数据分析师具备“熟悉业务、了解数据、精通工具”的精湛能力，希望数据分析模型具有“源于业务、服务业务、高于业务”的应用价值，怀着数据分析成果能够“入系统、进流程、打造核心能力”的殷切希望。现实情况下，找到具备精通数据、业务、流程、协调能力的“独角兽”——全能型数据分析师人才并不容易，企业的一般做法是选择能力互补的若干个分析师组成团队来达到理想的对分析师能力的要求。企业级数据分析项目由分析师团队承担，同时也要对分析师团队能力构成提出四方面的明确要求：定量化数据分析能力、完善的数据管理能力、良好的业务沟通与成果可视化能力和敏锐的业务理解能力。并且要求团队的每一个分析师都应完全具备其中一个或多个方面的能力（见图6）。如果想成为分析师中的翘楚——数据科学家，则一定要在四个方面都有精深的造诣才能达成，企业也应当采取多种正向激励措施，鼓励分析师努力向着这个方向前进。

图6　数据分析师应该具备的能力体系

本书不同于其他讲授数据分析“如何做”的工具书，因为它不是指导你如何构造分析模型的“食谱”，而是重点讨论企业级数据分析中用到的最佳实践和各种流程，对已经具备了初步的数据分析能力和实践经验，正在建立企业级数据分析体系，怀着“用数据分析建立竞争优势”远大抱负的专业研究人员、数据科学家、数据分析师和企业管理人员，都具有重要参考价值。企业级数据分析能力的修炼是一个持续的过程。本书为如何高效达成高水平企业级数据分析能力提供了经过实践验证的方法论借鉴，译者所属的分析师团队仔细研读本书后受益良多。结合译者多年来在数据分析领域的实践经验，简要总结了成功开展企业级数据分析活动的体会，希冀读者将其与本书的观点相互印证。

陈道斌

2020年4月10日