构建生态视角的人才获取方式、行动学习式的项目团队组合和项目落地的七步流程。
文/黄嘉烨
关键词:大数据 商业洞见 商业决策 项目落地 会员管理 时尚品牌
目前,我国围绕大数据创业的公司数以万计,面临这一波新浪潮,传统企业也跃跃欲试,希望能够借助大数据等技术手段实现数字化转型。然而,这样的转型并非易事,除了个别行业的领先企业之外,大多数企业的大数据战略都还停留在论证或实施阶段,项目落地情况参差不齐。
一、大数据项目落地的三个痛点
对于很多企业来说,为什么大数据项目落地举步维艰?我们通过文献研究和对中国数十家企业的调研,发现当前推动大数据项目落地主要存在以下三个痛点:缺乏合格的数据人才,数据分析的结果得不到有效的应用,缺乏有效支持大数据项目落地的流程。笔者与企业业务专家和咨询顾问一起探讨,逐渐形成了一套应对三大痛点的解决方案——大数据落地三角模型(见图1)。
大数据落地三角模型包含三个要素:人才获取方式——ECO模型、团队组织方式——ABC团队组合模型、大数据项目落地流程——GRANDER模型。
二、大数据人才获取方式:ECO模型
根据麦肯锡的研究,大数据人才包含四种角色。
数据清洗专家:保证进入系统的数据是干净、准确的,并在整个数据生命周期中一直保持如此。
数据发现专家:负责从海量的数据中筛选出有用的数据。这项工作非常关键,因为数据本身并不是为了分析而产生的,其原本的存储和结构访问起来并不方便。
业务解决方案架构师:负责整合、重新组织数据发现专家筛选后的数据,使之成为易于分析的格式。他们构建恰当的数据结构,确保数据能够被所有使用者在需要时访问,保证正确的数据在正确的时间位于正确的位置上。
数据科学家:在这些整理过的数据的基础上建立科学的分析模型,比如帮助预测用户行为,将客户进行精细分群,以及优化定价。为保证模型的有效性,他们经常需要更新模型。
这四类角色中,除了第三类可以从现有的软件开发架构师中寻找外,其他的三个角色,在传统企业中基本是空白,而市场上也非常紧缺。如何在有限的数字化转型时间窗口内获取这样的人才,传统的招聘模式基本上是不奏效的。为此,我们提出了获取稀缺数据人才的ECO模型(Employee Training, Crowdsourcing, Outsourcing,见图2)。ECO也是ecosystem(生态系统)的缩写。
1.培养内部的数据专家
(Employee Training)
培养内部的数据人才是一个比较慢的过程,尤其是掌握大数据中的复杂分析方法,或者具备开发新算法的能力,都需要长期的专业训练。但是,企业大数据的应用往往遵循一个从初级到高级的渐进式过程,这个过程正好可以配合内部人才培养的过程。实际上,在数据分析的初级阶段,往往是对“小数据”的分析,如通过对结构化数据库的分析,获得某些商业洞见,这个过程需要的理论和工具并没有超出一个理工科大学毕业生的知识范围。所以,内部培养数据专家,是可行的,而且是必需的。尤其考虑到专业数据专家应该具备商业敏感性,内部培养就更加重要了。
内部培养可以导入企业内训课程,也可以利用网上的免费资源。如IBM的“大数据大学”提供免费课程,在慕课平台Coursera上,可以学习华盛顿大学的数据科学概论、斯坦福大学的统计学基础,哈佛大学也在网上免费提供数据科学课程。数据可视化方面,加州大学伯克利分校通过其官网提供可视化课程。如果想学习处理大数据的语言Python, 在Coursera, Codecademy和麻省理工学院均有针对初学者的免费课程。
内部数据人才的培养,最好结合具体的大数据分析项目,一边学习,一边应用学习的结果解决组织的现实问题,这种工作与学习相结合的行动学习的方式,其效果才是最大化的。
2.众包模式(Crowdsourcing)
众包就是利用计算机平台,利用散布在世界范围内的技术专家解决企业的数据分析问题。众包模式在很多领域已经得到应用,如软件开发领域的大大神网,设计领域的猪八戒网等,在业界都有相当的影响力。
众包本质上是一种共享模式。当某种人力资源比较稀缺,或者自己拥有某类人才时,共享这些专业人才就是更好的选择。鉴于高级数据人才在相当长的一段时间内都是稀缺的,而企业对数据的需求又呈现出爆炸式的增长,对有限的高级数据人才进行共享,采用众包模式,不论对于人才本身还是对于企业来说,都是合理的选择。伴随着众包平台的成熟,更多人愿意选择依靠平台工作而不是受雇于一家企业,大数据领域采用众包模式,不论对企业,还是对国家层面,都是一种更优化的资源配置方式。
更重要的是,中国企业众多,大数据的应用场景全球最丰富,可以通过众包模式吸引全球的数据人才从事分析和算法开发,这是全球数据人才的优化配置过程。
3.外包模式(Outsourcing)
众包模式是利用个体的数据专家进行数据分析和算法开发,而外包模式则是寻求专门的大数据公司进行合作,对于某些专业领域,如数字化门店、数字化营销、智能工厂等领域,已经出现了专门的大数据公司。他们规模不大,但在聚焦的领域积累很深,同这些机构合作,进行项目式的大数据分析,或者建构大数据能力都是非常必要的。
值得注意的是,目前,阿里巴巴、京东、腾讯等平台,都提供了强大的数据分析能力,平台上的商家完全可以直接利用这些平台的数据分析能力一步进入大数据时代。当然,目前这些平台上的数据都是割据一方,互相之间没有打通,提供的数据都是局部的。未来,会出现跨平台的数据分析公司,为企业提供更全面的跨平台数据分析服务。
数据人才获取的ECO模型,全面分析了数据人才分布的生态,并提出了系统化的数据人才获取方案,可以大大缓解数据人才的短缺。
三、大数据项目的团队组织方式:ABC团队组合
大数据分析不只是大数据的事情,它起于商业敏感,成于商业洞见、商业决策和商业行动,终于商业成果,这就决定了这个过程必须采用数据人才和业务专家合作共创的模式,这有别于当前普遍存在的“扔过墙头”模式。为了更好地实现合作,我们提出了ABC团队组合模式(见图3)。
所谓ABC团队组合,就是将数据分析专家(Analysist)、商业专家(Business Expert)和计算机技术专家(Computer Expert)组合成一个团队,通过一定的过程,共同研讨和实施大数据项目。由于大数据项目的落地是一个持续形成假设和行动验证的过程,严格来讲,这个项目团队就是一个行动学习团队。
如图3所示,精通一个领域,同时又对其他两个领域有所认识的人才,是非常难得的,这样的知识构成,使其成为不同专业之间的翻译,将大大提高沟通的效率。而行动学习的过程,通过持续的研讨和交流,可以让更多的小组成员进入其他领域,培养更多的翻译人才,为开展更多的项目储备人才。
四、大数据项目落地的高效流程:GRANDER流程
成立跨专业的ABC团队后,就要遵循一定的项目流程开展工作。为此,我们设计开发了大数据项目落地GRANDER流程,包含七个步骤(见图4)。
1.设定商业目标(Goal)
大数据项目一定不能从数据分析出发,而是要从澄清商业目标出发。很多由数据专家主导的大数据项目忽略商业目的,纯粹从技术角度追求所谓的先进性,其分析结果可能毫无用处。
但是,确认商业目标并非是一个显而易见的事情,需要ABC团队一起研讨。一般的研讨过程,可以是业务专家提出业务层面的痛点和期望,明确需要解决的问题。计算机专家对于当前已有的数据资源进行分享,数据专家初步判断业务专家提出的期望哪些可以满足,哪些短期内很难满足。当然,也可能出现计算机专家和数据专家根据已有的数据基础,先提出可能的分析方向和成果,业务专家再判断哪些方向是当务之急。
总之,ABC团队的对话是非常重要的,这往往是一个层层深入、不断迭代的过程。通过这样的深度对话,逐渐澄清分析的领域和要达成的商业目标。
2.规划数据资源(Resource)
根据要达成的商业目标,ABC团队开始详细计划需要哪些数据资源,哪些数据资源是现在就有的,还存在哪些数据资源缺口,通过什么样的技术手段可以获取。这个环节最重要的是遵循循序渐进的原则,先利用已有的数据作分析,不断获取新的数据,实现新的分析,一般不需要将分析建立在完美的数据资源的基础之上。我们调研的一些企业,期望先打通内外部多个平台的数据,建立数据银行,再进行数据分析。结果建立数据银行的工作旷日持久,很多本可以当下就进行的很有价值的分析却一直没有做。这样的持久战,导致公司内部质疑声音很多,从而加大了项目推进的难度。
3.开展数据分析(Analysis)
确定数据资源以后,数据专家和计算机专家要密切合作,分析数据类型,进行数据清洗,确保进入系统的数据是干净、准确的。同时,他们还要从大数据中选择出真正需要的数据。计算机专家负责整合,重新组织数据专家选择的数据,并使之成为易于分析的格式,构建恰当的数据结构,确保数据能够被所有使用者在需要的时候访问。与此同时,数据专家在这些整理过的数据基础上构建分析模型。这个过程,需要数据专家和计算机专家的密切配合。
4.形成商业洞察
(New Understanding)
分析模型输出的结果本身并没有意义,除非我们能够解读它,并赋予它意义,这个就是商业洞察的过程。这个过程,需要ABC团队召开专门的商业洞察研讨会。首先由数据专家解释分析过程及分析结果,然后由业务专家对结果进行解读,既包括这些结果的成因,也包括这些结果对于业务可能产生的影响。而这些解读,有可能引发新的数据分析,以验证解读的有效性。不论分析技术多么先进,如果不能产生商业洞察,就不能帮助管理者形成商业决策,更不能实现商业目标。传统上,这个形成商业洞察的环节实施不当,是大数据项目失败的重要原因。因为多数大数据项目,数据团队和业务团队没有紧密的合作过程,商业洞察的过程通常是由欠缺业务经验和商业敏感的数据团队做出的,这就造成业务团队不理解、不认同数据团队分析结论的情形。
5.做出商业决策(Decision)
有了商业洞察,业务专家们就可以在此基础上形成商业决策。尽管形成商业决策的过程,计算机专家和数据专家的贡献通常不大,但我们还是强烈建议ABC团队要一起研讨。计算机专家和数据专家参与研讨的重要意义不是他们有多少贡献,而是他们有很多积累,可以帮助企业管理者更深刻地理解数据对业务的具体影响。同时,能够亲身参与数据分析成果变成商业决策的过程,也大大提高了团队成员的成就感和自豪感。当然,这个过程可以召集更多的业务层面或战略层面的人员参与,尤其是负责商业决策落地的人员,他们在这个阶段的参与,对于提高项目执行的力度是非常重要的。
6.持续迭代验证
(Experiential Learning)
基于大数据分析做出来的商业决策是否能够产生预期的商业结果,还需要进一步验证。这个阶段,ABC团队就要选择变革准备度比较高的业务部门进行局部验证,并根据验证结果不断调整商业决策和行动计划;有些情况下,没有达成商业成果,也有可能是商业洞察的结论本身就有问题;某些极端情况下,验证过程还有可能发现数据分析结论中的错误。这是一个典型的行动学习的过程。这个持续迭代的过程,直到输出商业结果才结束。当然,在有些情况下,我们可能证明了某些数据及分析方法无法达成商业目标,这也是非常重要的学习成果,并非意味着项目是失败的。
7.总结固化经验(Reflection)
最后一个步骤是对项目实施过程中的成败得失进行复盘,从而持续优化人才来源、项目成员组织模式以及项目开展的流程,从而让大数据工作能够更加高效。这个过程,应该由ABC团队和项目实施团队一起召开总结会,公司领导出席并对项目组的贡献进行客观的评价和激励。
GRANDER模型提供了大数据项目落地的路线图。有了路线图的指引,可以避免大数据项目实施过程中的很多风险和错误,大大提高项目推进的速度。■
主要参考文献
[1] 麦肯锡公司.麦肯锡大数据指南.机械工业出版社,2016.
[2] 伯纳德.马尔.数据战略——如何从大数据/数据分析和万物互联中获利.机械工业出版社,2018.
[3] 伊恩.麦吉尔,利兹.贝蒂.行动学习法.华夏出版社,2016.
作者单位 北京凯文学校
|