首页 > 新闻中心

波士顿咨询董事总经理陈果:仿生型企业转型的数据分析能力提升

发布时间:2022-05-07 09:23:44 作者:天博和bob官方平台 来源:天博和bob下注网址  浏览: 7

  在数字科技不断发展的推动下,我们迎来了一个崭新的数字化时代,也诞生了一个全新的概念——。那些将人机能力完美结合的企业,不仅能够打造卓越的客户体验和关系,实现高效运营,还能显著提升商业模式创新速度。仿生型企业的本质是什么?企业要如何通过数字化转型实现成为仿生型企业的愿景?

  10月22日,乘云驾务·2021观远数据智能决策峰会暨产品发布会在上海举行,本场峰会由国内智能分析领域的领先企业——观远数据主办。此次峰会汇集了500+来自泛零售、大消费、泛金融与新经济等各个领域的知名企业高层,阐述前沿见解与价值观点,解读自成一派的企业数字化发展体系建设方法论,分享颇具成效的实践经验,共同探索通往智能决策的路径。

  波士顿咨询董事总经理陈果莅临现场,带来《仿生型企业转型的数据分析能力提升》主题分享,深入企业数字化转型历程研究,创新性提出仿生型企业概念,洞察企业数字化转型技术和组织变革的实质,与现场嘉宾及观众一起探索企业数字化变革的有效路径。

  三周前,我在自己的公众号写过一篇文章,主题是讨论为什么在中国做BI特别难,有众多的挑战。很多人看了这篇文章后说深有同感。例如观远数据的产品再好,但企业要把它用好也是非常难的。今天峰会的主题是「乘云驾务」,「乘云」是手段,但到底要如何「驾务」,让业务部门真正把强大的数据分析产品用好,是我今天希望跟大家交流的一个问题。

  波士顿咨询是全球顶级管理咨询公司,我们负责IT咨询,服务各行各业。同时,波士顿咨询也有一个数字化转型的愿景,和今天在座的各位企业高管行业精英一样,在一边探索一边实践数字化转型的有效路径。

  当然今天都在说数字化、数字化转型,说我们正身处于数字化时代,但对企业来说,数字化和过去传统的信息化应用有什么巨大的区别吗?

  我们来看看从信息化到数字化是如何发展的。从70年代开始,计算机开始应用到企业管理;到90年代,计算机设备越来越便宜,企业开始进入到人人使用计算机办公的时代;90年代以后,随着计算机技术的发展,企业开始广泛应用计算机进行管理工作,信息化进入快速发展期;从90年代到2010年的20年间,企业的信息系统开始大面积普及并逐步完善。通过建设信息系统,企业积累了大量数据,有了进行数据分析来指导业务运营的需求,因此2010年以后大数据、数据分析成为了企业很大的一个课题。

  而今天我们所讲的数字化转型,对企业来讲就是在传统的信息化的基础上来进行数字化建设。完成了信息化建设的企业,在进行数字化转型时有两个基本的特征:

  第一,数据驱动业务。对企业来说,内部已经有了众多的信息系统,不论是内部系统产生的数据,还是外部业务反馈的数据,量级都是巨大的。企业要如何管理数据,并且从数据中产生业务洞察,根据业务洞察做业务决策,这就是企业期望以数字化转型来实现的数据驱动业务。

  第二,以用户为中心。过去的信息系统,都是以流程为中心建设的,但我们现在看到,数字化无论是数据的产生、应用,则都是围绕着用户和场景。

  基于这两个特点,未来经历数字化转型后的企业会变成什么样?波士顿咨询提出了一个概念——仿生型企业。当一家企业完成以数据驱动业务、以用户为中心的数字化建设,企业就会像一个能够自己思考、能够产生认知,能够自主决策的生物体,我们将其称作仿生型企业。我今天带来的分享主题就是《仿生型企业转型的数据分析能力提升》。

  仿生型企业是数字化转型的愿景,但我们也要明确想要做数字化转型的初心、目的是什么,更要有核心的数字化战略来推动转型的实现。首先是要明确企业数字化转型最终的产出是什么,我认为有三点:仿生型运营;个性化体验和客户关系;商业模式创新。

  一般来讲,企业应用数字化有三个层面:后台、前台、商业模式。后台的数字化即仿生型运营,例如企业的财务、人力资源、供应链等等。财务要核算成本、要做某一个客户或某一个区域的获利分析;人力资源要看什么样的人生产效率最高、用什么样的激励方式最有效;供应链要做需求预测、库存水平的设计、供应商的优化、采购策略的优化等等,这些都包含在后台中。实现数字化转型后,企业可以利用数据智能来整体提高数据分析的能力,智能、自主、高效地进行运营决策。

  第二,前台。前台是指企业和客户、合作伙伴等打交道的界面。前台的数字化即帮助企业打破与客户或合作伙伴信息交互的壁垒、界限,实现更密切的信息交互。让企业能够在竞争激烈的市场环境中为客户提供更贴心、更个性化的产品服务,例如精准的商品推荐、精准的营销推送等等,即实现个性化的体验和客户关系。

  第三,商业模式的创新。通过数字化转型企业要用数据来重构价值链。例如滴滴在出租车行业的创新,背后的内核就是数据,以数据来重构了司机、乘客的商业关系。过去出租车司机要承租车辆、要办理牌照、要满大街跑寻找乘客,乘客也遭受着打车不方便的困扰,但现在滴滴用大数据,用地理定位,重构了这个商业模式。

  数据、人工智能会给企业带来业务的创新,但无论是仿生型运营、个性化体验和客户关系、商业模式创新,这些都是企业数字化在前端的产出。更重要的其实在背后的能力提升。想要成为这样的仿生型企业,就要学会两条腿走路,一条是技术,另一条是组织和人才。今天智能决策峰会的主题也契合了这两条,「乘云驾务」,「乘云」是技术,「驾务」就需要组织和人才。

  第一,传统的信息系统是分散的,数据与数据彼此割裂,不同的业务数据在不同的系统中,难以打通。我们要运用数字技术去解决的第一个问题,就是打通割裂的系统数据,让所有的业务数据可以在一个数据平台里统一管理、分析。

  第二,通过数据分析平台要解决的与数据相关的三个环节的问题:一,数据怎么取出来;二,数据怎么存储、管理,比如数仓、数据湖、数据的虚拟化等等;三、数据怎么用,无论是BI还是更高级的分析工具,或是数据可视化等等,实际都在解决这个问题。

  但我一直认为,数据分析并不是某一个工具就能够搞定的,很多人觉得企业建一个数据中台就能解决所有问题,但数据中台实际也是由一系列工具构成的。数据分析其实是一条工具链实现的数据提取、管理、分析,企业要将这些技术工具模块化,并根据自己的业务需求、应用场景来灵活化组合,搭建最适合自己的数据平台。这是仿生型企业转型的关于技术的第一个要素。

  第二个要素,是要有领先的人工智能的算法,以及算法的管理、生成等工具,包括数据管理平台等。

  技术之外,仿生型企业转型的重点在组织和人才。企业要如何在内部从组织管控来建立自己的组织模式,更好的构建数字化的能力,提升企业数据分析的能力,培养数字化人才?

  从数据管理的归口上来讲,对于拥有大量数据和有了数据分析需求的企业,就要求企业上层要有组织管控能力,即企业要设置高层的管理角色。这种针对数据管理的组织管控模式现在主要有三种,其角色可能独存也可能并存,甚至一个企业会三种角色共存。

  第一种角色是CDO(Chief Digital Officer),越来越多企业在设置的首席数字官,尤其是很多消费品企业。但我们也观察到,很多传统的消费品企业往往是CDO和CIO(Chief Information Officer 首席信息官)并存的,后端系统ERP等由CIO管理,CDO在一般在消费品企业的营销体系内,包括来源于前端的渠道或产品数据,由CDO负责。于是经常在数据获取和数据分析时CDO和CIO之间产生矛盾,数据的治理模式上也有许多分歧。

  第二种角色CDMO(Chief Data Manage Officer),首席数据管理官。数据分析由两个部分构成,除了分析这一部分之外,就是要数据管理,将数据提取好、清洗好、归纳好,再去做分析。因此数据提取、清洗归纳、治理、管理就是属于CDMO。

  数据的保密和管理是很多企业正在面对的新课题。设置CDMO的企业具有一些特性,例如最典型的银行、保险业,作为高度监管行业,我们观察到四大行数据管理部门和IT部门是平行的。这与银行涉及反洗钱、监管等等要求有关,银行要做监管的报送,数据需要一条专门的管理条线,对于数据管理要求非常严格,因此是单独的高管来进行管理。而消费品行业则因为数据驱动业务的特性非常强,所以有很多消费品企业也单独设置了数据管理的高管。

  还有一些行业的企业对于数据管理没有强烈的行业特性。例如制造业以产品数据为核心,数据源头来源于PRM、ERP、供应链系统等等,这些信息系统由IT部门主导,因此他们的CDMO是汇报给CIO,角色关系与消费品行业和银行、保险等高监管行业不同,并不平行。

  第三个角色是CAO(Chief Analytics Officer),首席分析官。分析对企业来讲是一项重要的能力,企业要如何建立这种能力呢?很多企业最直观的想法就是建立一个卓越的COE(人力资源专业知识中心),来服务一线业务。今天观远数据的智能决策峰会,提出“让业务用起来”的理念,如何让一线业务人员更好的运用数据?有些企业可能就需要有人来帮助业务一线,于是形成了COE机制。COE有多种模式,比如一个大型的集团有多个区域、多个事业部,就可以只建立一个总部COE,也可以建立总部COE之外再加上各个事业部的COE的模式。不管是建立COE的模式,还是企业内部的分析能力建设,都需要一个企业上层角色牵头,即首席分析官CAO。在很多公司,CAO的汇报对象是CDO或CIO。

  在这些角色中我们暂且不算在数字化转型这个概念兴起时,最早出现的CTO(Chief Technology Officer 首席技术官)。由于对很多企业来说,数字化转型可能只是一个阶段性的工作,随之CTO的工作也就成了阶段性的,在企业内部带领一个数字化转型项目,往往不是一个常设性的组织。

  不论是CDO、CMDO、CAO,三者是共存或单独存在,是平行关系或垂直关系,企业总归需要一个高管角色来牵头建设数据分析的能力。

  波士顿咨询研究了众多真实的案例,观察到了一些CDO、CDMO、CAO等组织设计的模式。

  第一种模式在一些消费信贷、金融企业中常见,这些企业主要由CDO驱动数字化,CAO则汇报给CDMO,CDMO汇报给CDO。

  第二种模式是一种中间模式。CDMO归属于IT部门,CIO和CAO以及CDO则是平行的。

  第三种模式,由CAO驱动,CDMO汇报给CAO,根据分析的要求做数据管理和支持,同时CAO与CDO是平行的。

  不同的公司有不同的模式,以上三种模式可以为企业提供一些参考。而解决组织问题需要解决权责的问题,我们提供了两个抓手作为解决权责问题的抓手。

  第一,分析。分析的定义就是从数据建模中形成业务的洞察。数据的分析有多种形式,传统的形式就是数据的可视化、报表查询。高级的分析形式则侧重探索式分析和预测性建模。开始的时候我提过不久前我曾在文章里写过中国的BI是很难做的,但传统的数据可视化、查询报表的方式则是比较简单的,相应的效果也低一些,而目前我们很多企业则停留在数据可视化这一层。

  看过那篇文章的读者的反馈里有一类声音说,中国企业有这些传统方式就够了。我个人并不认同。例如探索式分析和预测性建模,对企业来说,无论是供应链的预测、市场需求的预测,甚至设备运行状态的预测等等,这些预测都会影响企业如何提升自身的资产运行效率,降低时间、人工等成本。中国的企业是需要更高级的分析形式的,而中国企业分析能力的提升实际上取决于对数据分析的理念、能力的提升。

  企业需要建立一个数据分析团队,组建一支数据科学家的队伍。现在很多企业也花费了巨大成本招来了数据科学家,但却留不住这些人才,主要问题一般有两个,一是这些人在团队里发挥不了作用,二是与业务之间沟通不畅。

  如何保障企业的数据分析团队可持续管理呢?要从两个方面来解决,一方面是临界规模。人才力量要积累到一定的时候才能发挥巨大的能力,所以这个团队一定要保证有一定的临界规模。另一方面对数据科学家来讲要有社区的感觉,内部要有能与他沟通能理解他在说什么的人。一个团队里如果只有一两个数据科学家,其他人都听不懂他的话,这个人是很难留下来的。

  我观察到已经有企业在进行一些很好的实践,例如某世界五百强集团企业,在进行企业内部的数据科学家培养计划,培养了数百名的数据科学家团队。因为该集团产业含有消费品、房地产、银行等等,他们甚至跨集团产业式的培养,希望把这些人在超大型的企业里形成一个内部的社区网络。

  第二,数据管理。近年来,数据管理、数据治理的课题备受关注。数据质量不好就会影响后面的分析。分析工具能不能发挥作用很大程度上也取决于企业基础数据质量如何。后台数据的质量取决于ERP等系统和前面的业务流程,数据不好数据治理也难做好,因此要从业务源头上来解决数据质量的问题。尤其是ERP系统、经销商管理系统等,企业要在源头上就做好数据管理。

  企业需要建立数据治理的体系,明确数据治理的责任方等,建立企业级的数据管理标准,即统一不同管理维度的数据口径,确保数据的标准性,这是提升数据分析能力的前端要素。

  数据治理体系建立后,就要进行组织管控,再向下就是人员和人才的能力问题。从数据管理这个话题来讲,横跨了业务、数据分析、IT,业务要有能够准确提出业务数据分析需求、对数据理解到位的负责人;数据分析部门要有能做高级分析的人才,有统计学的专业人才做分析模型,有数据科学家做数据的探索和发现;IT要有数据工程师、数据架构师,还做程序和数据层的架构。

  在可靠的数据开发、生产方法支持下数据产品会具有敏捷的特点,团队的敏捷性也是如此。数据的源头来自架构,架构决定流程,流程决定数据,因此从源头讲,要提高数据的可治理性就是要提高企业架构的可治理性。

  数据治理中包含了众多角色,对起来来讲有不同的组织模式。一些是以IT导向为主,一些是IT和业务力量均衡,还有一些是业务导向为主,IT只做一定的基础设施建设,搭好数据平台,数据则有业务部分负责。

  举一个例子,一家消费品企业,要做产品的定价优化,通过数据驱动是很复杂的,要考虑这个产品在相同品类中的品牌定位、目前价位在同品类中的高低、促销因素、成本因素等等,全面分析后才能得到优化后的定价及促销策略。这是一个很典型的数据分析场景,从这个场景里,我们能看到企业内部职责的划分。首席数据官带队数据技术人员、数据管理人员、数据分析人员,和业务部门共同协作。这是一个由数据管理、技术主导的分工架构,但依然做到了敏捷协同。所以,对于数据分析是IT的职能还是业务的职能,是没有标准答案的。

  组织和人才确定后,就要进行建立企业分析工具链的课题。分享的开始我们说过,企业要建立模块化的技术架构,数据分析工具链也包含了数据源,数据源则包含了内部数据源和外部数据源。内部有交易系统、ERP等系统产生的数据,外部有电商系统、IOT,甚至地理定位数据等等。

  此外,在数据加载这一部分,一直以来并没有很标准化的工具。但云计算技术的崛起,为企业解决了很大的问题。云最大的好处即弹性扩展的计算资源,巨大的数据吞吐量,可以满足企业业务峰值对计算资源的高需求。很多大型集团和上市公司都已在云上搭建了数仓,最大的益处在于可以做跨云的部署和迁移,并且能实现数据的虚拟化,对数据进行集中的处理和管理。

  以上是在数据管理这一层,企业如何从数据源、数据质量的中间数据提取层,到做好数据管理。再往后就是数据的分析,企业要根据不同的分析场景,找到适合的分析工具。类似观远提供的产品,有基础性的报表、查询的基础分析功能,再向上,还有最复杂的AI分析,适用于不同阶段企业,企业也要根据发展的不同阶段进行匹配的数字化建设。

  最后就是要将数据和我们的数据分析最直观明确地展现出来,最简单的就是做数据大屏,将数据分析直观呈现。复杂的应用则需要形成数据服务和业务系统的连接,只有建立起数据源头到数据使用的工具链,才可以让复杂的应用场景落地。



上一篇:突发!广东汇卡商务被控不合法经营罪!
下一篇:工商银行、建设银行、中国发布最新公告明年1月1日起调整