《管理學家》 2013年3月25日 作者：鄭毅
歷史的車輪已將人類帶入大數據時代。大數據時代的到來，標志著人類的理性進入了一個新的階段。在大數據時代，數據與機器將在人類的日常決策中占有重要的地位。未來，人類必須學會如何和海量的數據相處。從個體角度而言，人類需要學會如何平衡個人直覺與數字證據之間的關系；從企業與組織角度而言，人類需要探索企業組織架構和決策流程與數據之間的關系；從創新角度而言，人類需要探索如何打造合適的產業環境，促進更多的創新的大數據應用的誕生。大數據時代，海量數據處理與挖掘的技術固然十分重要，但是，更為重要的因素仍然是人。只有人，才能利用新技術與新方法創造性地搜集與探索數據中隱含的意義；只有人，才能最大限度地發揮數據的作用，在機器與數據的支持下更有效地決策。
為了適應大數據時代的來臨，企業需要從管理者的思維方式、企業的組織架構和信息環境等多方面進行改變以與之相適應。
決策者思維方式發生變化
大數據是“一把手”工程，需要企業高層的高度重視。托馬斯•達文波特（Thomas Davenport）在他的著作《分析工作》（Analytics at Work）一書中提到了大數據成功所需的數據（Data）、企業組織(Enterprise)、領導(Leadership)、目標(Target)、分析師(Analyst)五個要素，他將其總結為DELTA模型（本書將于近期由湛廬文化組織翻譯出版，書名待定），并且認為“領導”是其中最為關鍵的要素。只有企業高層的高度重視才能更好地應用大數據，才可能自上而下去推進相應的工作。沒有企業領導的真正重視，就不會有技術與組織支持對企業決策所需的數據進行搜集與處理。即使存在數據，數據也有可能會淪為粉飾決策、支撐既有觀點的工具。這種重視不能光表現在口頭上，而是應該落實到實際行動上。
企業高層應該認識到數據將成為企業的核心競爭力。沃爾瑪并沒有獨占某種資源，賣的也都是人們日常使用的東西，它的銷售渠道也并不特別，但為什么它能做成全世界最大呢？是因為它從運營管理到供應鏈管理到銷售管理都以數字為依據，這使得其管理能夠日趨精細化。數據能夠幫助企業提升決策效率，并且這些決策效率的提升能夠得到沉淀，日積月累形成企業核心競爭力。以數字為基礎的規范化的、有據可依的決策，是下一階段逐步改善的基礎，哪怕每次只有1%或者0.1%的改善，但一次次的演化和累積就能夠最終形成企業的核心競爭力。
數據有可能挑戰企業決策中的常識。數據能對決策的過程與決策的結果之間的關系進行更全面客觀的分析，有些結論能夠支持企業決策中既有的常識，有些則可能與之相悖。當結論與常識不符時，數據說了算還是常識說了算，這將對數據在企業中的地位形成考驗。如果決策者不愿意根據數據調整自己的常識，進而修訂自己的決策，那么決策者只能有選擇地“看到”那些和自己常識相一致的數據，從而形成“證實偏差”。如果存在“證實偏差”，那么無論企業搜集了多么海量的數據，無論企業引入了何種高深的算法，這些數據與算法都只是為了支持與粉飾決策者既有的決定，不能帶來新的知識與價值，進而也不能有效地發揮企業在大數據領域大量投資的價值。所以，決策者對于數據與客觀證據的尊重將是大數據投資發揮價值的重要保證。
企業組織形態發生變化
績效考核方式發生變化。大數據關系著企業的核心競爭力。在大數據時代，不管你分析不分析，數據都在那里。如果競爭對手能夠更好地利用數據，則企業很可能被其趕超。大數據時代之前，決策更傾向于依靠人的直覺，更寄希望于“超人”的存在，希望他們通過直覺做出明智的決策，把企業帶向光明的未來。這些“超人”可能是企業管理者，可能是咨詢顧問，也可能是企業的“超級員工”。然而，企業的成功是否真的是這些“超人”的功勞不能完全確定。企業是否取得成功，這是人們通常會關注的結果指標。然而，在結果指標之外，我們還需關注過程指標，就是做什么樣的事情，導致了最后的成功，什么事情導致了失敗。在大數據時代之前，缺乏對過程的監控與數據搜集，沒有足夠的數據用來分析過程與結果之間的因果關系，進而沒有足夠的數據去指導人們應該如何進行決策。大數據時代，我們可以對更多的決策進行監控與記錄，隨著過程數據與結果數據的日益豐富，原因和結果間的關聯關系更明確。企業的KPI考核也可能從只是對結果的考核，變成對決策過程的考核。從而，數據能夠成為幫助員工改善決策的助力工具，而不只是員工所抵觸的獎懲的鞭子。
企業決策權力重新分配。大數據時代的決策過程中，機器將占有越來越重要的位置，決策制度化、流程化的程度會日益增加，決策會變得更加公開、透明、可追溯。決策的精細化程度也日益增加。比如，銀行貸款規定統一的利率，但是對于借款人信用的好壞，因為缺乏足夠的數據，銀行無法進行有效的辨識和區分。但是，在大數據時代，對借款人的背景與行為有著更為豐富的記錄，進而能夠從借款人的工作穩定情況、社會關系、家庭情況對借款人的信用進行評估，從而對不同借款人提供不同的貸款利率。信用良好的借款人能以較低的利率貸款，而信用不好的貸款人，也不至于貸不到款而去求助高利貸。從這個例子可以看出，大數據能夠為企業決策服務，使企業決策更精細、更有效，進而為企業創造更多的價值。同時，大數據也能為更多的借款人提供更符合其實際情況的借款，從而增加整個社會的福祉。但是，在這個過程中，貸款專員對借款人判斷過程中的直覺將讓位于流程與制度，決策中的灰色空間將逐步減小，貸款專員的權力與利益也將受到相應的影響，大數據引入企業將受到抵觸。如何有效地克服來自既得利益者的抵觸，也將是大數據時代所需面臨的一個重要問題。
企業從組織架構到業務流程的全面變革。數字化證據能夠為更優化的決策指明方向，而決策的優化可能需要組織架構甚至業務流程層面的全面變革。比如國外某品牌零售店，它原先認為現在銷售不好是因為營銷力度不夠，因此加強廣告業務投入。但通過數據分析發現，銷售不好是因為客流量不足，客流量不足是因為店內人員安排不合理，休息日顧客多，但是很多店員休息，工作日店員上班，但顧客很少，造成顧客體驗很差，形成顧客留存率和回頭率相對都很低的局面。此時，根據數據分析結果，該品牌零售店對下一階段工作重點以及資源分配方式進行了全面的調整。因此，企業有必要從足夠的高度進行思考，如何建立靈活的組織架構與業務流程，以使得當企業通過數據分析發現更優的決策方式時，能夠靈活應對，做出相應的調整。
企業信息環境發生變化
企業應有意識地從全局的角度促進數據整合。在意識到數據是重要的資產之后，企業在數據搜集、管理、分析與挖掘等領域都對技術與系統提出了更高的要求，使得數據能夠為企業所用。以前數據都是分散在各個生產系統，人們對其關注程度不高，一個企業有數個甚至數十個由不同部門掌握的生產系統來支撐日常運營。在大數據時代，企業需要考慮如何打破系統的邊界，把不同來源的數據整合在一起，這涉及到企業內部數據源的抽取、管理與整合。很多企業利用傳統的數據倉庫技術解決這些問題。另外，企業也應該關注外部數據源對企業的價值。例如，企業需要關注消費者的情緒如何、對企業的評價如何，互聯網、微博等就是很好的信息獲取渠道，這些外部數據源對企業也具有十分重要的意義。為此企業管理者需要預先進行投資，以發展技術應對非結構化的數據處理問題，并引入起源于互聯網企業的新興技術以盡可能低的成本進行數據存儲與處理。同時，更為關鍵的是數據對企業而言意味著權力，企業高層應能以有效的機制設計打破部門壁壘，促進各種來源的數據的融合。
企業應促進數據為中層管理者與一線員工的決策提供服務。另外，企業要讓中層管理者甚至生產一線的業務人員能夠獲得決策所需的數據與工具，甚至讓他們直接成為關注數據的分析師。現在的情況是他們沒有技術能力去獲得相關的數據，也沒有制度保障他們能夠獲得相關數據。現在，很多技術人員對大數據在企業中的應用很感興趣，但是沒有感覺，不知道數據和技術該怎么去發揮作用，所以，管理者、業務人員和數據工程師之間如何有效溝通和配合，共同發揮數據的作用也是企業應該從整體角度解決的一個問題。
企業需激發創新型人才的潛能，發掘大數據的潛在價值。包括麥肯錫公司在內的諸多研究機構的研究結果表明，大數據時代最為短缺的是“數據科學家”。這些數據科學家應該兼具數學知識、IT技能、業務知識。目前包括中國企業在內的很多企業的現狀是，企業擁有很多高價值數據，且業務發展也亟需大量人才挖掘數據中蘊含的價值。但是，企業自身的人才在數學技能上還存在很大的欠缺，沒有足夠的“數據科學家”。另一方面，高校擁有大量具有深厚數學功底的人才，但是他們沒有條件接觸到高價值的數據，且對數據分析所解決的業務問題知之甚少。因此，有必要通過合理的機制設計，將企業的數據、業務、需求與高校的人才相結合，使得更多的“數據科學家”有機會接觸到企業的數據，并且能夠以更多的精力研究現實世界的問題。對數據科學家的管理和對傳統IT人才的管理有所不同。數據分析是一個探索性過程，數據科學家們在接觸數據之前很難確定在數據中能夠發現何種結論，并且前期的數據分析結果將是后續的數據分析的基礎，因而，很難以類似于“功能需求”的方式向數據科學家提出數據分析的需求。這也需要合理的機制設計對數據科學家進行考核與激勵。
