联合国抬杠队秘书长
正文：
波士顿咨询公司(Boston Consulting Group)最近的一项调查显示，公司拥有的大数据能力与他们渴望在三年内拥有的大数据能力之间存在着巨大的差距。 其中一项能力——优先级能力——的不足影响尤甚，因为它是成功的根本。
此外，另外一个明显的现象是，企业选择大数据方案时非常地“随性”。有时候会选择脱离实际的方案，而不是具有成长性的方案——那种可以让企业随着时间的推移集成到更先进、更有价值的能力的方案。
随性的选择有时候还会导致企业以彼此分散、不相关联的方式工作。业务部门通常不知道、也没有能力利用其他业务部门开发的数据资源、人才或洞见。
不过，企业可以改变策略。从随性选择转变为聚焦重点，一边追求大数据带来的价值，一边以协调的方式发展自己的大数据能力。通过“加速器”和“测试-学习”的方法，企业可以快速查看结果，获得经验并将经验教训应用到工作中去。
如果您觉得“加速器”和“测试-学习”这两个概念比较陌生，这是正常的——我们即将从0开始，一步一步地展开说明如何利用这些工具，形成您的大数据视野。
Step 1:聚焦重点
公司聚焦能力的关键在于它确定优先级的能力。然而，这往往是公司最薄弱的能力之一。波士顿咨询公司(以下简称BCG)调查发现，受访者表示他们排列各种大数据机遇的优先级的能力很低，如果在1～5分之间打分，平均得分仅为2.5。企业需要发展该项能力，以集中精力开展最佳举措以及培育其它能力。
Step 2:对大数据方案进行调查的最佳方式
如何确定最佳机遇 面对利用数据的多种方法，企业必须排出优先级。这意味着评估每一种大数据方案的潜在利益，以及它们的可行性。
为了分析利益，公司需要一种定制但结构化的方法——使用企业目前的目标和优先级来建立一套标准，并分别给予权重。评分后，每项举措的相应位置就绘制完成了。
上图纵轴为潜在利益，越靠上说明方案带来的潜在利益越大;横轴则为可行性，越靠右说明方案越容易推行。
潜在利益可能包括：可以创造的潜在价值(无论是直接的方式，例如增加收入，还是以间接的方式，如提高客户满意度); 可能对客户体验产生的影响; 可能的战略适应;或与技术路线的潜在整合力。与一家企业相关的因素，可能并不适合其它企业。
确定下潜在利益之后，要为每一个利益打分，也就是设定权重了。同样，权重的设定也必须契合企业现状。对于一些公司来说，更重要的可能是改善客户体验，而不是创造收入，这种情况应该反映在每个标准的权重上。
每项标准的权重直接影响到该方案在利益轴上的位置，所以改变一个权重可能会造成项目的实现或破产。管理人员深知这些，他们通常会强调某些标准的重要性，以提高项目通过的可能性。 因此，满足所有利益相关者的权重可能是棘手的; 让关键决策人参与讨论并分配足够的时间非常重要。根据我们的经验，需要多个会议——通常是3个——来确定最优权重。
为了确定可行性标准，企业应考虑实行方案需要的各项能力——比如公司对必要数据的访问权限，客户是否信任这样使用数据等等，并衡量每种能力是否到达所要求的成熟水平。 还应评估其它有助于确定可行性的因素——比如监管限制和上市时间。 由于确定当前和所需的成熟度水平往往需要技术专长，CIO以及来自IT和运营的代表应参与分析。
选择标准，评分，并将这些方案绘制在图表当中，可以帮助企业发现哪些机会值得关注。这个过程也可以帮助决策者认清企业应当聚焦的那些能力。
Step 3: 发展正确的能力。
使用聚焦重点的方式来培养能力是重要的，因为在这个时代，能够发挥作用的大数据相关技能、流程和技术简直多到不胜枚举。确定大数据方案，应该利用一份涉及到公司运营各个方面的能力清单。BCG将这些能力分为四组：
数据视觉 数据视觉是一个公司建立大数据视野的“瞳孔”。这项能力对于确定数据与分析在公司业务模式、战略中扮演的角色、以及对价值创造的影响至关重要。
数据使用 这方面的能力决定着企业如何生成、并管理新的创意，对于管理企业隐私、确保数据安全、赢得客户的信任也很重要。
数据引擎 这些能力围绕着企业的数据结构——要包括哪些人员、流程、技术——才使公司能够高效地收集、存储、管理和使用数据。
数据生态系统 利用这些技能，创建伙伴关系和其他外部关系，在大数据业务模式和战略中发挥作用。
显然，公司不能同时提升所有能力。调查显示，几乎所有的能力，公司目前的水平和未来三年内渴望达到的水平都存在巨大差距。数据使用，数据引擎和数据生态系统的差距尤其明显。同时提升这么多能力对许多公司来说必然是一个挑战。
调查结果还表明，许多公司可能并没有完全了解某些能力的价值。报告显示，受访者发展伙伴关系和其他外部关系的能力特别低。事实上，只有相对较少的公司——大约30%——正在从事合作伙伴关系或考虑与同行进行有意义的合作。然而在实践中，数据生态系统通常被证明是成功的大数据方案的重要组成部分。建立合作伙伴关系和外部关系是获得必要知识和技能的最快捷——通常也是唯一的方式。建立更广泛的生态系统还可以让公司获得一些自己需要、但不具备的数据。然而，在四组能力中，数据生态系统的能力不仅是目前的最低水平，而且也是最低期望水平。这表明，许多公司需要在整个组织中灌输对大数据方案的基本理解，并获得使其发挥作用的资源。
两手抓，两手都要硬。理想情况下，迈向大数据视野的旅程应该像爬楼梯一样：通过每一步或每一个方案，一家公司创造价值并发展相应的能力以支持它的下一步，在这个“爬楼”的过程中逐渐健全企业能力。BCG建议，企业想要加快这一进程，应当邀请分析专家进入。
Step 4:获得“加速器”
传统来说，确定数据方案一般由业务人员主导。但是，如果以高效、有效的方式，让分析专家参与到方案的创意、安排优先级、以及最终决策中，会带来一些益处。我们发现，经典的“辐轴式”(从中心辐射到四周)运营模式可以确保公司获得这些益处。
“辐轴”的中心由一个核心的数据分析团队组成，团队成员具备大数据的才能以及技巧。这并不是一个“数据部”，而是一个轻量级的组织，是负责设计和执行高级分析的数据科学家，以及负责收集清洗数据、实施数据管理以及数据安全、并定义数据架构的数据工程师的家园。而一条条从中心发散出去的轮辐则是各个业务部门。
纳入分析专家的益处之一是，他们可以提升企业处理优先级的能力，以及命中大数据机会的可能性。该模型通过促进数据分析团队和业务部门之间的交互与协作来确保这一点。比方说，当分析团队的负责人及其专家参与优先级讨论时，可以更精确地为利益标准制定权重。
另一个优点是，分析专家可以帮助企业提升对大数据的认识和了解。再一次，该模型的互动和协作可以帮助业务部门的领导者更好地理解大数据能做什么，不能做什么。同时，分析专家对业务需求以及如何满足这些需求有更好的知识储备。
但也许分析专家带来的最大的好处是“速度”。通过与业务部门合作，分析团队可以帮助加快大数据方案的实施以及能力建设。事实上，我们倾向于将分析团队简单地描述为“加速器”。 它可以通过几种重要方式达到目标：
加快确定新机遇的速度。作为大数据方案的中心，加速器可以看到所有项目的成果。因此，它可以通过两种方式激励他人：分享业务部门的项目经验与见解，以及酝酿新的举措。了解其他举措的结果将有助于业务部门产生新的想法;了解所有的大数据方案将有助于加速器确认机会。
快速访问内部和外部资源。作为人才和工具的焦点，分析团队可以协调内部资源。 这不仅可以确保技巧、可用数据和技术在整个公司内得到更有效的使用，而且有助于将业务部门引导至他们甚至可能不知道的资源(例如数据或见解)。 作为外部资源和伙伴关系的协调者，加速器可以将业务部门引导到更广泛的分析生态系统，以访问内部可能不可用的数据与功能。没有这种协调，外部资源往往以随性的、而且往往并非最佳的方式被使用。
以智慧和协调的方式建立能力。一步一个脚印是困难的。确实很容易就脱离了轨道。一方面，如果一家公司过分注重大数据方案的即时利益，选择建设提供价值、但却不需要发展新技能、新资源的方案，那么在未来某个时刻，当你需要某些关键能力的时候，就会发现有很大的缺口。另一方面，如果一家公司过分强调建设长期能力，但不能创造近期价值，那么就有建立一个累赘的风险：投入了大量的时间、金钱与人力，却部署了一个看起来不错但基本没有得到充分利用的设施。
“加速器”通过帮助避免这些陷阱，来加快企业能力的发展。通过对整体能力和全面机会的了解，企业可以确保以协调的方式实施各项举措和能力，从而使公司迅速迈向长期愿景。
Step 5:以敏捷的方式工作，并采用“测试-学习”方法。
以敏捷的方式工作是实施大数据方案的关键。在敏捷模式下，小型跨职能团队通过快速、频繁的迭代开发和测试，利用经验教训来改进这些项目，并探索新项目。
在我们的调查中有一个有趣的发现，总的来说，并不是最大的公司才拥有最成熟的分析能力或最大的野心。相反，这是一群介于最大和最小受访者之间的公司。他们比小型企业拥有更多的资源，但与此同时，又没有大企业那么多的层级结构，受到传统结构的层层阻碍。简而言之，他们往往更有能力实施敏捷模式。
虽然没有业务部门与加速器如何协同工作的标准案例(公司跟公司之间会有所不同)，但有一个通用的流程：构思-策划-研发以及部署-ownership。无论是业务部门，还是“加速器”，都能为项目带来关键技能。业务单位提供业务专家和产品所有者; 加速器提供分析专家、数据专家和开发主管。在一起，他们通过频繁的周期来开发、测试与学习构建最小可行性产品。
最小可行性产品发布后，业务部门将全面接管产品，并在必要时进一步开发产品。与此同时，“加速器”则用从经验中获取的见解来确定组织其他部分的新举措——一个新的循环开始了。
实际上，实现大数据视野的途径本身就由一系列的迭代组成。每个方案都会影响到下一个方案的方向。这个过程可以比喻成经过每一个转弯都变得更聪明一点的GPS，为更好的目的地绘制更快的路线。
“辐轴式”模型已经成功实施。一位行业领先的金融服务提供商的首席财务官认识到，分散的分析工作无法对公司产生真正的影响。该公司建立了由75位专业人士组成的卓越中心(CoE)，其中包括数据科学家、数据工程师和业务分析师。该小组与业务部门的领导紧密合作，确定解决关键业务难点的大数据方案，根据明确和可衡量的回报优先考虑这些举措，并使用跨职能团队实施举措。 该CoE显着地加速了价值的交付，同时使公司能够规模化、标准化地利用其分析方案。
该模式还具有很大的灵活性：可以根据公司的具体要求和特点，以各种方式实施。例如，在某个领先的欧洲银行，大数据功能的成熟度在各个业务领域有很大差异。于是，该银行建立了一个大约40人的数据中心，主要分为两个组——高级分析师和数据工程师——为每个业务线提供所需的支持。 比如在零售银行方面，分析被广泛应用于运营和决策，因此其大数据功能已经非常强大。 因此，中心主要为更高级的方案提供补充援助。相比之下，在财富管理方面，分析并没有得到广泛的应用，所以中心提供了更全面的支持，实际上“外借”了全面的专家小组来创建分析模型，然后负责实施和监督。
现在：开始启动
对于快速实现大数据视野，并将其转化为公司寻求的价值来说，聚焦和加速至关重要。
我们建议企业首先选择一个灵活、轻便的商业分析平台，然后利用某个项目，逐步推进“数据分析+业务”的跨部门协作，一步一个脚印地实现自己的大数据视野。
毕竟，在商业的战场中，数据观跟世界观一样重要。
