来源/哈佛商业评论
撰文/陈战
多年来，高管们一直被告知，高级分析方法（advanced analytics）可以为几乎所有业务问题提供更好的答案。然而令人惊讶的是，至少在零售业，很少有公司充分利用了这一机会。
(资料图)
尽管沃尔玛、亚马逊和其他几家最主要的零售商在分析方法领域处于领先地位，根据不断增长的实时和历史数据做出了许多重要决策，但是他们的大多数竞争对手仍在使用非常基本的工具。与未来如何发展相比，这些工具更善于追踪他们走过的路。
这已经对这一行业产生了实质影响。据麦肯锡估计，疫情期间，25家业绩最佳的零售商，其中大多数是数字化领先者，他们的利润比迟滞者高了83%，并且获得了行业九成以上的市值收益。尽管无法证明数字化迟滞会产生负面效应，但迟滞者似乎确实“把钱留在了桌上”。例如据麦肯锡估计，在食品杂货零售业，运用高级分析方法将为杂货商增加2%的收益。对于一个处境艰难、利润较低的企业来说，这无异于一笔潜在的意外收获。
这对大多数人来说都不是什么新闻。即使发展最慢的公司的高管，也一定会在某种程度上意识到自己正在错失良机。然而，尽管了解分析方法已经给他们的竞争对手带来了诸多优势，也知道学者和顾问在不断开发出越来越先进的分析法解决方案，大多数迟滞者仍然难以在短期内赶上领先者。
为什么这么多企业在实现这一飞跃时，遇到如此大的困难？是什么阻碍了他们？
六个症结
为了找到答案，我们采访了一组不同的全球零售业高管，他们活跃于美洲、欧洲和亚洲的零售商、分销商、咨询公司和分析方法供应商中。我们采访了分析方法成熟度各不相同的24家公司的领导者，他们列举了以下六个主要因素：
文化。大多数公司都存在风险规避问题，并且没有为分析方法项目设定明确目标。“数据重要吗？”一位受访者告诉我们，“每个人都说重要。可如果你问原因，很多人又不知道。”其他人则轻视了分析方法，认为这更像是艺术而不是科学。一家百货公司的高管回忆起一位买家的问题：“算法会告诉我买什么衣服吗？我知道自己要买什么衣服。”
组织。许多人表示，他们的公司在努力在集权与分权间保持平衡。这两者都至关重要：集权是为了实现效率、规模经济和一致性，而分权是为了灵活性、更强的本地化能力，以及对更广泛想法的接受能力。
人员。然而受访者给出建议，更大的问题可能是：运行分析方法功能的人通常并不真正了解业务。正如一位高管所写：“在与面临问题的人互动时，一些分析人员会给人留下一种不良印象：他根本不了解业务，我称之为‘机构退出’（organ withdrawal）。所以他们完全不会再和这个分析员严肃对话。”
同时，大多数高管，特别是中型企业或者新兴经济体的高管告诉我们，他们面临着一个严重的问题：员工缺乏设计和使用分析工具的合适技能。他们最需要的是能够弥合功能差距的员工，即实现分析方法与业务相互转换的人员。仅荷兰一个国家就需要数千名计量经济学家和数据科学家，但每年只有几百名相关人才进入市场。目前，在领英列出的商业分析职位中，荷兰有4000多个，欧洲近50000个，美国100000多个。
过程。企业用来实现目标的资源是有限的。一些受访者指出，分析方法项目往往耗时太长，而且缺乏明确优先级。有明确整体目标责任线的过程，会有益于分析法方案的实行。
系统。许多公司目前必须设法应对杂乱的遗留系统。一些公司抱怨他们没有能力跟上可用数据的指数式增长。数据复杂性和工具复杂性间，也经常出现不匹配的情况。
数据。受访者告诉我们，他们最大的问题在于数据质量和数据管理：数据通常分散在公司的不同地方，并且没有系统性的管理。一些公司甚至没有收集他们需要的数据。“我们甚至没有生成大量数据，”一位高管表示，“我们的运输单元中没有传感器，没有做到GPS全覆盖，库存里也没有射频识别技术（RFID），因此无法了解商品的位置。”
当然，许多落后公司的高管也不满于现状，并希望做出改变。他们希望投资于基于云的存储和计算、更好的资产跟踪及更多技术，以提升客户体验，并跟踪消费者行为。视频技术在许多愿望清单上也排名靠前，其次是移动应用。其他高管正在寻找可挖掘的产品属性数据，以便找到更多答案，比如为什么某些产品会被退回，或者客户现在最喜欢或最不喜欢的是什么。
大多数高管还告诉我们，他们期待着有一天能拥有更高质量的数据，和更加智能的机器学习工具。他们需要更为精细的决策支持，例如以每个店铺为单位。许多人告诉我们，他们希望在需求规划、建模和解决方案策略等方面获得更多帮助。他们还希望在整合其他非传统数据上获得帮助，例如人口普查、人口数据，以及天气、店内客户活动、社交媒体活动、点击流和在线搜索趋势等方面的数据。但是仅获取数据还不够，还需要可以将数据转换为可操作知识的工具。
入门指南
这里我们推荐两种方式：
首先，评估一下自身立场。你最常做的重要决策是什么？用于做出这些决策的分析方法先进程度如何？企业文化是否为循证决策做好了准备？你是否组织好各个部门在使用分析方法时进行实验和创新，同时从这些经验中学习，以将成功的洞察力从局部应用，扩展到整个公司？你是否有具备转换技能的人才，例如可以从业务问题转换到分析方法，再将分析结果转换为业务建议？我们是否具有系统基础设施，来收集、存储、组织、获取和处理分析方法方案所需的所有信息？
其次，问问对现有数据进行更好分析后，可以改进哪些流程。如何改进用于分析数据的分析方法？如何使分析员采用的方法更具前瞻性，更为先进？
一旦完成初步评估，艰难的工作就开始了。前进之路需要组织重新设计和策略性投资。下面，我们会分别进行讨论。
组织重新设计。我们研究过的分析领先者，展示出了一种崇尚实验的组织文化。“大处着眼，小处着手，快速扩张”的口号随处可见。对于这些公司来说，数据和分析工具似乎是其DNA的一部分。重塑组织文化不是一项小任务，但是我们建议首先重申与分析方法相关的组织价值观。
具体来说，领导者可以带领开展一场内部运动，强调分析方法旨在增强决策者的能力，而不是取代他们。培养一种文化，让员工因理解分析工具做出的预测和解决方案而获得奖励，而不仅是执行建议和奖励服从。总的来说，打开算法的黑匣子，认识到当管理者具备基本方法的一手知识时，更有可能用到分析方法解决方案，这样就可以消除广泛采用分析方法的内部阻力。目标就是让循证决策成为公司文化最重要的基石之一。
从结构上看，我们观察了处于利用分析工具前沿的公司，它们用成功的组织设计补充了这种实验文化。许多公司采用轴辐式结构（hub-and-spoke structure），将一些专业知识嵌入特定的业务职能中，另一些则位于致力于分析方法的卓越中心。这种组织设计有许多好处。卓越中心可以为从事分析工作的人员提供一个社区，既方便监督，促进知识共享，还能汇集资源。通过将团队的一些成员安排在业务部门，公司避免了卓越中心独立工作的风险——特别是团队处理在技术上有吸引力，而非与实际相关的问题的风险。
策略性投资。我们很清楚，我们观察到的处于分析方法领先地位的公司，对其系统进行了大量投资。大多数公司都做出了战略选择，使用基于云的系统取代了传统系统。为什么这很重要？这样避免了更新遗留系统时的一个关键挑战，即新旧系统的整合。对新模块与现有系统交互能力的投诉比比皆是。新的基于云的系统避免了这些挑战，经过设计之后，可以用于扩展并利用大数据逐步提升的有效性。
与此相关，数据治理是领先企业的关键优势。与集中存储一样，数据质量也是一个优先事项。我们发现，阻碍分析技术进步的障碍之一，是现有数据的孤立性，这就导致难以将企业范围的数据纳入决策之中。未来的决定会涉及跨越组织边界，例如跨越营销和运营。打破数据孤岛后，定价团队就可以整合各种运营因素，例如交付能力或交付周期，从而提高组织绩效。
最后，在我们看来，最重要的是，公司要投资关键人才，并且开发获得这类人才的途径。有很多方法。一种可行方法，是与可以提供数据科学学位或类似项目的大学开展合作，这些项目通常会设法为学生提供可操作的真实课题。这样做有两方面的好处。学生可以获得相关商业问题的实用知识，练习向企业领导者提出分析解决方案，同时，公司可以了解最新工具，并为未来的招聘机会提前预览一部分人才。另一种可能是为现有员工制定培训项目。量身定制的内部项目可以向老板传递分析工具的一些基本知识，也可以向全职从事分析的人传授业务知识。
技术革命往往分为两个有重叠的阶段：引入一套新工具，然后获得操作这些工具所需的专门知识。第二个阶段，即开发运用新工具的技能，往往会减缓采用速度。在职业初期，托马斯·爱迪生（Thomas Edison）身边没有多少电工，而莱特兄弟（the Wright Brothers）则是自行车技工。在这方面，数据分析革命并没有什么不同，不同的是这些新工具的设计速度。在有海量数据的时代，先学会从深刻见解中获益的人，无疑会比竞争对手获得更强大的运营优势。
尼科尔·德霍雷修斯（Nicole DeHoratius）安德烈·穆萨莱姆（Andrés Musalem）罗伯特·鲁德科克（Robert Rooderkerk）| 文
尼科尔·德霍雷修斯是芝加哥大学布斯商学院（Booth School of Business）的运营管理兼职教授。安德烈·穆萨莱姆是智利大学的工业工程副教授，也是复杂工程系统研究所（the Complex Engineering Systems Institute）的研究员。罗伯特·鲁德科克是伊拉斯姆斯数据分析中心（the Erasmus Centre for Data Analytics）零售分析专家实践的学术主任，也是伊拉斯姆斯大学鹿特丹管理学院（the Rotterdam School of Management）的运营管理副教授。
