前言数据：推动21世纪经济发展的新资源信息是互联网时代的石油。能够将信息资产商业化以获得更好的洞察力并知道如何在其业务流程中利用这一点的公司和组织更有可能在市场上表现出色并取得更好的成果。然而，在数据经济中取得成功是一项挑战。60%的大数据项目将无法在试点阶段生存下来。66%的组织不知道如何真正从大数据中获取价值。90%的大数据基础设施和数据湖无法提供所需的性能。然而，成功势在必行：以信息为中心的公司的利润比同行高20%，价值高110%。在一个“到2018年，30%的领导者将被新进入者或现任者‘震惊’的世界中，保持领先一步是一项基本优势。本文探讨了为什么企业需要分析驱动才能在新竞争中取得成功数据经济；企业如何开始这一转型之旅，将数据和分析置于其战略的核心，并在工作中区分其独特的能力和价值链。为什么企业需要数据分析驱动？业务再造卓越运营客户体验信任和合规示例业务领域分析用例数据驱动的企业转型案例钻探到一个全新的水平积极倾听客户预测未来购买成为数据分析驱动的企业正确的领导正确的战略正确的文化（心态））正确的能力和治理正确技能和能力正确的数据正确的技术正确的流程和方法绩效管理R正确的规则数据分析，创新之旅组织应该如何开始他们的分析之旅分析成熟度01过去几年的背景2018年，许多组织见证了前所未有的数据量爆炸。此外，越来越需要基于证据的决策，不仅在其业务的各个领域，包括绩效管理，而且还要响应法规遵从性要求。现在可以进行易于访问的综合分析。各种数据源，以发现可能支持历史上通过直觉做出的决策的证据；这在十年前基本上是不可能的，基于判断的方法已不再被接受。事实上，许多组织已经将他们对技术的使用从管理工具转变为关键的战略成功因素。如今，零售组织通过社交、电子商务和其他渠道监控和评估他们的在线社区，以发现客户趋势。制造公司有可能在他们的生产设施中安装传感器以监控他们的生产力状态，而互联网公司如谷歌可以监控访问者的搜索行为以增强广告的性质和时机。世界各地的组织都可以使用结构化数据（例如列和行输出）和非结构化数据（例如视频或纯文本数据库）。许多组织已经开始将这些数据源转化为可用的信息和可操作的见解，并取得了明显的成功。当我们进入一个数据等于洞察力的时代时，获得和保持竞争优势的可能性是巨大的。02为什么企业需要数据分析驱动答案很简单；分析驱动为组织创造价值和获得竞争优势打开了一个全新的机会世界，不仅通过了解客户趋势和特征，而且通过识别将他们与竞争对手区分开来的因素。由于组织几乎不可能仅通过其产品来使自己与众不同，因此业务流程是最后剩下的差异化重点领域之一；通过使用分析，组织正在发现并解决他们可以产生价值的业务的所有角落。可以根据以下值对数据分析的使用进行分类：i。描述：如何？现在发生了什么事？会发生什么？二.诊断：这是怎么发生的，为什么会发生？`预测：接下来会发生什么？我们对此有多确定？三.规定：最好的情况是什么？我们应该做什么？下一个最佳行动？以下是企业通过数据分析实现的一些商业价值：商业价值商业案例商业再造一家领先的通信组织通过利用客户移动信息彻底改造了其业务。他们使用有关客户的信息来补充特定领域的上下文和客户移动信息的活动，并通过将这些丰富的见解出售给购物中心、体育场馆所有者和广告牌公司等其他方来将这些丰富的见解货币化。一家国际医疗保健组织通过向保险公司销售客户未来风险最高的医疗保健支出的预测模型并帮助保险公司根据这些见解主动减少客户的医疗保健支出，从而产生了新业务。通过将客户健康信息与客户人口统计数据、索赔和医疗处方相结合来创建模型。新业务作为一个独立的组织成立，年收入为250亿美元。一家领先的食品服务提供商通过向餐厅和供应商提供食品术语、菜单项目和配料方面的实时趋势，改变了餐厅业务。他们将来自在线餐饮服务提供商和餐厅评论网站的数据与食品术语和菜单项数据库相结合，以帮助餐厅根据地理位置和餐厅类型对某些食材的需求增加或减少来更改菜单。卓越运营一家领先的航空公司通过更好地预测航空延误和空域性能、提高地勤人员调度效率和飞机吞吐量节省了数千万美元。这些节省是基于一个新的预测模型，该模型包括来自雷达网络数据、天气、航班时刻表和其他因素的公开数据。美国的一家能源供应商通过对客户人口统计数据、历史记录和付款行为进行预测分析来预测未来的未付款，并通过提前注销和减少服务中断品种来根据结果采取行动，从而在财务管理方面向前迈进了一步。结果是净储蓄增加了700%。一家国际物流供应商通过使用允许燃料优化的洞察力并确定司机应该停下来加油的最佳位置，显着降低了运营成本。他们在所有卡车和集装箱中安装传感器，以监控位置、驾驶行为、燃油油位以及集装箱是满载还是空载，并将这些数据与沿途的燃油价格相结合。这有助于他们确定卡车司机停车的最佳地点并降低加油成本。客户体验一家领先的娱乐提供商通过更好地预测电影观看需求改进了向客户推荐的电影，从而显着改善了客户体验。他们众包了用户观看电影需求的预测模型，从而形成了一个组合预测模型，可以更准确地预测观看电影的需求。一家领先的美容产品供应商通过情绪分析追踪了1,700名Facebook粉丝、150万个赞和41,000名Twitter关注者，以通过创建实时可操作的见解来重新定义他们的客户体验。可操作的消费者评论会主动传送到通信中心进行最适当的处理，通过与客户的直接沟通提高品牌知名度和忠诚度。分析驱动的赌场使用会员卡和客户行为的实时分析来改善客户体验。这些洞察力用于为老虎机和酒店房间设定价格，并设计赌场的最佳人流。当客户损失太多钱时，系统能够向客户的机器发送消息看起来你在老虎机上遇到了困难。这可能是参观自助餐的好时机。这是一张20美元的优惠券，可在下一小时使用Trust&Compliance，这是一家全球工业生物技术解决方案提供商，使用尖端分析来防止数据丢失。他们创建了一个分析系统来监控、检测和防止组织中所有类型的敏感数据的异常使用。这些见解大大降低了泄露高度机密信息和高价值IP的风险。某国际保险公司利用大数据分析，将欺诈理赔的成功率从50%提升至88%，并大幅缩短理赔调查时间。他们对多年的历史索赔和覆盖数据进行预测分析，并使用文本挖掘来突出缺失的事实、不一致和覆盖范围的变化。利用这些见解，他们能够将索赔欺诈倾向低的个人作为目标，并节省了1200万美元。伦敦奥运会期间，IT服务提供商每秒可以获得200多个IT安全事件，这些事件是通过实时数据分析处理的。在2.01亿个事件中，根据分析筛选相关事件，使组织针对90个关键事件采取行动。得益于这些见解，该组织实现了零停机时间和零业务影响。组织应该清楚他们在哪些地方通过分析创造价值。制定明确的目标和具体目标，重点放在特定领域，将有助于：提高数据收集过程和分析模型的技术适用性，让相关利益相关者参与进来，并传达清晰的战略愿景，即：“我们想要的价值在哪里通过分析创造？”如果没有这些明确的目标，基于分析的价值创造将仍然是一系列孤立的临时活动。03成为数据分析驱动型企业领先的分析驱动型组织的关键特征；从本质上讲，这9个关键组成部分代表了组织必须应对的挑战，才能成功采用和运营支持其业务的分析驱动方法。下面将详细描述九个关键挑战中的每一个。领导权真正由分析驱动的组织的根本基础是强大的分析领导力。为了能够有效地履行这些职责，分析型领导者必须具备多项技能；分析领导者是强大的利益相关者，他们可以有效地管理不同的观点。其次，他们是优秀的、有说服力的和有远见的演讲者，能够有效地传达分析愿景。第三，光有远见和说服力是不够的。分析领导者还能够从不同的角度进行有效沟通：深入的技术、分析和面向业务的分析。第四，分析领导者的特点是愿意尝试并乐于改变。第五，分析领导者能够确定具有高影响力的分析项目并将分析投资引导至业务优先事项。最后，分析领导者是精通数据的人，他们对数据分析、定量或统计建模以及报告的不同方法和工具具有广泛而深入的了解；他们是分析领域公认和受人尊敬的专家。正确的战略拥有强大的分析领导力是创建分析驱动型组织的先决条件，但仅此还不够。组织需要有一个明确的战略来确定他们将把分析工作放在哪里。除了有效的领导力，组织还需要将分析视为核心价值创造者。因此，他们需要制定分析策略，包括分析策略、愿景和业务目标。然而，只有当分析工作针对特定的业务问题和/或机会，并伴随着清晰和共享的分析愿景时，分析策略才会有效。从分析中提取业务价值的策略基于(1)增强现有价值（分析提高运营效率，改善客户体验）和(2)重塑业务价值（提供洞察力以开发新产品和服务，并提供洞察力以转变业务模式).指导）。正确的文化（思维模式）除了正确的领导和战略，分析驱动型组织还必须具有分析文化和思维模式。管理者和员工需要培养一种信念，即通过根据事实做出决策，他们拥有验证直觉的宝贵方法，并且在直觉受到证据挑战的情况下，决策的基础得到改善。在量化方法和基于事实的管理方面必须有一种支持性的文化，否则员工将保持现状，根据直觉和舒适度做出决定。正确的能力和治理认识到需要调整整个企业的分析领导力、战略和文化，以有效管理其分析工作。每个员工都知道在他们的组织中哪里可以找到分析人才，而不仅仅是孤立的观点，分析人才被视为组织中的战略资产。分析能力在战略层面进行管理。分析驱动的组织正在以敏捷的方式管理分析项目。分析项目的优先级排序和分析功能的分配会根据业务和IT的最新需求主动调整。业务分析师与技术专家和数据科学家一起工作，并通过“类似scrum”的会议和委员会（例如指导/创新委员会）来管理他们的项目。最后，分析驱动的组织将分析置于其组织的核心，因为他们的决策（战略、战术和运营）基于数据分析。为了进一步促进基于分析的决策，分析驱动的组织将他们的激励结构与分析驱动的行为结合起来。正确的技能和能力通过对分析领导力、战略、文化和治理/运营模式的承诺，分析职能将成为组织的核心；然而，为了让这个核心有效运作，必须在分析技能和能力之间取得适当的平衡。正确的数据首先，领先的组织非常了解其组织中所有业务流程的数据输出。其次，他们知道哪些数据源与所有业务流程的数据输出一起存在。领先的分析驱动型组织知道哪些非结构化、结构化和快速移动的数据源补充了他们的发现以及他们已经使用的内部数据输出。分析工作包括内部数据源（财务绩效数据、ERP、PLM、CRM、GPS数据等）和外部数据源（例如社交媒体、视频、语音和纯文本、行业研究）。第三，领先组织通过正规化的努力不断收集独特的信息，这为他们提供了独特的见解和竞争优势。他们已经制定了一个关于如何收集新数据源的计划，同时考虑到数据的来源（例如，数据是可以免费访问还是需要获取，第三方数据还是开放访问？）。分析驱动的组织不仅认识到数据的潜在价值；他们还利用数据，将来自各种来源的数据组合成可用信息。总的来说，强大的分析领导者是有效数据战略的支柱：他们可以被视为建筑师，对建造梦想家园所需的构建块有清晰的认识，知道哪些构建块可用，并制定有效的计划以访问当前不可用的构建块。了解存在哪些数据源是数据策略难题的一部分。另一个步骤是有效地将数据源分配给特定用例。分析领导者能够回答哪些数据源可以为每个用例提供更好的洞察力的问题。利用来自各种数据源的数据的正确技术；分析领导者制定分析技术战略，指导他们获取、处理、管理、分析、建模和可视化所有相关类型，基于他们的业务目标/用例和数据战略应该将哪种技术用于数据源。他们构建了可用的集成IT基础架构系统和工作流管理系统的混合生态系统，以(1)获取和存储数据，(2)转换和管理数据，(3)建模和分析数据，(4)呈现和评分数据。在大多数分析驱动型组织中，这些生态系统与其传统技术结构共存。他们投资了一个可扩展且敏捷的发现环境，使他们能够在将新分析投入生产之前探索和测试它们。由于每个用例的数据输入通常不同，处理所需的技术也大相径庭，因此参与和管理不同合作伙伴生态系统的能力很重要（例如，存储和动态分析大量结构化数据需要不同的技术堆栈需要捕获和分析高容量和高速度（例如电信网络信号或IT基础设施系统日志）。除了这些混合生态系统之外，分析驱动型组织还拥有快速扩展的技术。分析领导者熟悉存储、分发和计算大型使用公共云、混合云和私有云以及使用并行计算系统（例如Hadoop和/或无SQL数据存储）或内存分布式计算环境（例如Spark）的大量数据。由于这些技术提供了多种编程与大数据配合良好的语言（如Javascript、Python、Ruby、Scala等），分析领导者都是从而提高他们使用这些编程语言的技术能力。适当的流程和绩效管理建立一个有效的适合目的的分析环境需要开发一个分析绩效和风险管理框架，以确保在需要时持续改进的可持续性和适应性。分析驱动的组织制定了标准和政策来跟踪分析生命周期所有阶段的分析使用性能；通过一套精心定义的指标，他们可以定期评估准确性和有效性，并确定需要改进的领域和机会。因此，在分析生命周期的每个步骤中定期评估和报告有关数据使用的性能和风险考虑因素：(1)获取和存储数据，(2)转换和管理数据，(3)建模和分析数据，(4)呈现和评分数据。有效的分析性能管理始于数据本身；垃圾进垃圾出。创建用于收集和清理数据、维护技术基础设施、制定可访问性策略（和保护隐私）以及保护知识产权的标准化方法。他们有数据清理工具和政策来清理和删除不正确、不完整、损坏或过时的数据。仅有工具和清洁是不够的；所有分析人员都充分了解并负责清理数据以供分析。此外，管理其信息生命周期。制定信息分类存储政策和标准，实施信息风险评级制度，妥善处理高风险信息。他们制定了标准化和统一数据并将其作为主数据存储在数据管理系统中的政策。在标准化不同类型数据输入的同时，努力对高度重要/高风险/影响数据进行分类，以便进一步降低使用潜在敏感和机密数据的风险。下一步是分析数据集。为了跟踪这些分析的性能，人们经常质疑所使用的模型是否提供了最佳拟合。例如，组织跟踪模型退化，分析师定期检查他们是否了解用于模型的元数据，特别是是否存在任何潜在偏差，或者是否由于数据基础分布的变化而需要重新校准任何模型参数时间。否则，当模型的基本假设错误或过时时，决策将被误导，并可能带来灾难性后果。因此，监控基于模型的决策的准确性并首先在测试区域（沙盒）中测试他们的模型，然后在他们的人口子集（样本）上测试他们的模型，然后将模型部署到生产中。跨数据集存储和聚合的正确规则为任何执行分析的组织提出了一系列安全挑战和注意事项。因此，信息安全是成为分析驱动的关键因素之一，并要求组织主动将分析安全和合规性政策和标准纳入其分析能力和流程。随着安全威胁的数量和复杂性的增加以及分析的使用增加，需要正式和强大的措施来集成信息安全。聚合数据集会带来许多安全挑战；数据变得更丰富、更有价值，并且在某些情况下会创造新的知识产权。投资组合信息价值的增加也可能与组织的竞争对手有关。黑客可以访问各种有价值的数据并更改和/或删除关键内容，而怀有恶意的员工可以替代数据输入，从而可能破坏基于分析的决策。此外，即使是云服务提供商的员工也可能怀有恶意并操纵数据。因此，更多数据和信息的存在、处理和使用会增加组织的运营和声誉风险。任何信息安全管理系统的一个关键组成部分是能够处理(1)妥善保存的数据，(2)在存储和分发之前如何对数据进行标准化、协调、清理和分类，(3)如何加密数据以及匿名化(4)保存数据的位置，(5)谁有权访问数据（以及谁对保存的数据负责），以及(6)每种特定类型的数据具有什么价值。另一个考虑因素是分析应用程序本身及其安全特性和优势；一个组织是否可以确信分析应用程序本身具有所需的安全性，这些问题都不是不可克服的；但它们需要仔细思考和考虑。最重要的是，需要从此类程序的一开始就考虑安全（和合规）问题。对于跟踪组织的进展如何随时间变化以及与同行进行基准比较很有用。组织应如何开始数据分析、创新之旅行业示例分析应用程序金融服务欺诈检测、信用评分、索赔优化、客户盈利能力、客户保留率。零售库存管理、需求预测、客户营销和产品管理、价格优化、客户忠诚度。制造预防性维护、库存管理、供应链优化、新服务/产品开发、产品质量一致性。物流优化：供应链、规划、路线。提高员工安全、收益管理。医疗保健和保险预测药物影响、预测保险索赔损失率、对患者进行个性化治疗、预测住院患者再入院的可能性和成本。农业公司产量和作物管理、动物种群健康分析。电信和公用事业实时服务、流失风险和预防、欺诈管理、计费和收入管理、系统故障预测、网络价值优化。服务渠道管理优化、呼叫中心管理、新业务开发。政府欺诈检测、犯罪预防、人群管理、预测投票行为、优化对全球问题的响应。在大多数行业中，分析作为一门学科已经成为许多组织的核心竞争力。上表概述了多个行业的共同分析目标，例如，金融服务提供商尽其所能降低有未偿还贷款、债务或抵押贷款的客户的风险。零售商努力优化客户服务和营销。航运公司严重依赖其供应链。因此，组织应该首先在已经存在分析的业务领域提高分析能力。通过使用业务增强分析，不会直接更改现有业务流程，也不太可能出现文化冲突。下图突出显示了与试点一起开始分析之旅时要采取的最重要步骤。试点成功后，组织应在可操作且可扩展的环境中部署该模型。下一步是在现有业务中建立更多用例，并通过使用分析创建新产品和服务，最终演变成一个更成熟的分析驱动型组织。分析成熟度成为分析驱动的领导者不是组织一夜之间就能完成的事情。要成为分析驱动的企业，企业必须了解自己的历史，并知道如何改进业务以成为分析驱动的企业。因此，组织在成熟度框架下以正式方式评估其分析成熟度非常重要。根据我们的研究、经验以及与Gartner和其他人的讨论，我们建议组织根据下面描述的能力维度评估其成熟度，区分5个分析成熟度级别（第1级：数据开始，第2级：数据-开发，级别3：信息-构建，4级：知识-高级，5级：智慧-领先）。下面的图6突出显示了每个成熟度级别，包括其特征。处于数据支持级别的组织主要依靠他们的直觉和管理专业知识行事。分析不被视为核心价值，分析功能也没有正式化。数据质量挑战带来了重大问题，高级管理层要求本地团队手动整理数据。处于“数据演化”阶段的组织使用一些历史数据来支持精通数据的部门内的某些决策。分析不是以结构化的方式进行的，并且会重复分析工作，恕不另行通知。战略决策仍然基于直觉。数据质量是不接受分析结果的常见借口。“信息成熟”级别的组织使用部门内的分析来支持决策制定并根据未来预测选择决策。决策更具可操作性，跨部门合作仍未达成共识。有数据拥护者和问责制，通过智能处理数据可以获得一些效率，但存在许多关键人员/分析过程风险。达到知识高级水平的分析驱动组织将历史的、预测性的见解（来自各种数据源）视为补充其战略的关键和关键。他们支持运营和战略决策，以改进产品、服务和客户体验，并提高运营绩效。除其他事项外，这些组织传达了对其分析能力的清晰愿景，促进了企业范围内的分析协作，并在战略层面规范了他们的分析能力。支持分析的人员、流程、治理和技术方面存在详细的框架。“SmartLead”级别的组织主导着他们的行业。分析（预测性或其他）不仅用于增强他们的业务，而且还不断用于开发新的变革性业务模型。重复分析是自动化的，因此可以根据业务优先级进行实验和分析创新。或未分类的风险和机会。分析中考虑了国外地区政治不稳定等外部因素，从而向领导层提出基于决策树的SWOT建议。企业真正了解分析的价值，并且企业与IT之间建立了值得信赖的合作伙伴关系。了解更多大数据咨询服务及申请个性化测评，请访问：企业互联网开放平台。
