为什么IT把分析搞砸了？！
2016/7/21 哈佛商业评论
为了从内部和外部资源中获得的海量数据里提取出有用的见解，很多公司不惜在IT工具上大下血本，并且礼聘数据科学家。然而，多数公司未能取得令人满意的回报。这是因为，他们对待大数据和分析项目的方式与对待所有其他IT项目无异，并没有意识到它们完全是两码事。
信息技术项目应该更多关注信息，而非技术本身。我们对不同行业的50多家跨国公司进行研究后，找到了另外一种应对大数据和分析项目的方法，这套方法能让公司以新的方式对数据进行持续性开发。
该方法关注的重点不是技术部署，而是信息挖掘。因此，理解人们如何创造和使用信息至关重要。这意味着，项目组中不仅需要精通工程学、计算机科学和数学方面的人才，也需要精通认知科学和行为科学的人才。
这也意味着项目规划不是整齐划一的。 之所以启动它们，要么是奉命去解决一个问题，要么是为了抓住某人嗅到的一个机会，项目会设计一些数据可能解决的问题，发展一些假设，然后通过重复试验，获得知识、增进理解。
我们找到5条指导原则，可帮你完成这一发现之旅。
以人为本
很多人会假设只要拥有数据和分析系统，就能让经理人以更快的速度获得更高质量的信息，会提高他们的决策水平。而现实情况是，包括经理人在内的很多人，与数据打交道时都会感到不自在。
任何基于信息的方案必须要认识到这点。它必须以人为本，即那些能从信息中找出意义的人。它应该就他们在得出结论以及做决策时是否使用数据提出挑战，敦促他们依靠正式分析而非直觉做决定。它应该质疑他们就客户、供应商、市场和产品所做的假设。
释放IT价值之道：强调信息应用
当你提出方案，试图从现有系统或新数据源中提取信息时，你肯定知道这个过程是多么的混乱和复杂。人们对信息的使用是动态和重复的：感知到一个潜在问题或者机会，决定所需信息，然后收集、组织和解读这些信息，形成一个循环。
传统的IT开发方式忽略了这些现实。多数IT系统在设计时都考虑到了那些被认为重要且可控的数据，以这种方式，从复杂的真实世界中抽象出数据，然后创造一套正式且符合逻辑的数据处理规则，从而简化了系统设计并提供明确的结果。
问题是，很多组织都错误地应用了这种设计哲学：将数据从技术领域提取出来放入人类领域的活动中，以便转化成有用的信息——在这种情况下，该方法往往都会以失败而告终。
成功的分析性项目要去挑战并改进信息应用方式、问题解答方式以及决策方式。
提出二阶问题。与其建立一套系统帮助销售人员轻松地回答“今天我们应该在货架上放什么东西？”，不如询问“有没有更好的方法帮助我们如何补充库存？”该项目基于的假设是，通过提出二阶问题——即问题之问题——决策者们可以改善其运营方式。
看看你拥有哪些数据，没有哪些数据。避免受制于容易获得的数据和系统，因为这些内容只是基于业务运营的特定假设和逻辑而获得的。它们过去可能是正确的，但这些系统很有可能并没有随着商业和竞争环境的变化而同步进化。这妨碍了公司就单个客户建立起一个连贯的看法，也阻碍了公司了解客户群与市场趋势之间的关系。
赋予IT项目组重新界定业务问题的自由。以开放的心态，用新的视角去看问题之后，诸如英国、以色列等国家的央行官员们发现，广义的经济趋势和消费者在谷歌上搜索洗衣机、有氧运动课程、轿车和其他奢侈品的行为之间，有着很强的相关性。这一想法首先出现在谷歌总部。在那里，一位内部经济学家开始探索，某些关键词是否可以预测出传统经济报告得出的结论。该研究论文被央行经济学家们竞相传阅，引起了他们的兴趣。
为IT项目组配备认知和行为科学家
多数IT专家具有工程科学、计算机科学和数学背景。毫无疑问，他们普遍非常具有逻辑性，擅长流程思考。他们往往更关注IT中T(技术)的部分，而不是I(信息)。
当你和大数据组打交道时可能会发现，你选择的任何变量之间都存在具有统计学意义的关系。只有商业知识才能把你拉回到现实中来。困境在于，在另一方面，这类既有的知识也可能会限制你的思考范围。
出于这个原因，大数据及其他分析项目需要精通认知科学和行为科学的人。他们了解人们在开发解决方案、商业点子和知识时，会如何看待问题、应用信息和分析数据。这种转变反映了经济学领域内向行为经济学的转型，即应用社会心理学、认知行为学方面的知识，对人们在市场和经济体中的行为形成新的认识。
如今在一些组织里，大数据和分析项目中已经包括一些有上述知识背景的人。英国税务海关总署近期雇佣了组织学方面的心理学家，帮助分析团队提高信息解读能力，比如，让他们清楚自己的偏见：他们搜集或解读信息时倾向于去验证之前的假设。其中的一个偏见是，某些收债方式只对某一类纳税人奏效。
聚焦于学习
相比IT方案，大数据及其他分析项目更像是科学研究和临床试验。他们通常从感知问题或潜在机会着手，而这些可能只是来自某个人的直觉。之后他们往往会就某一结果或效果的存在发展出理论，产生假设，识别相关数据并进行实验。
这个“感知-分析-发现”周期可以重复多次。组织可以通过以下几点让学习成为大数据和分析项目的核心：
1提倡并促进信息分享文化组织中的多数学习发生在团队内部以及同事之间的互动中。因此，培养一种合作文化至关重要，在这种文化中，透明、信任和分享能激发经理人和数据科学家们贡献出他们最好的点子和知识。在一个信息不能自由分享、失败和错误被掩盖起来的环境下，动议不会产生知识。
2暴露出你的假设，偏向和盲点愿意重新审视你已经接受的商业实践，提出诸如为什么、是什么、怎么样，这类问题。通过发展和检验假设，探索你知道和不知道的事物边界。
3努力展示因果关系分析工具的终极目标是在数据中发现关联性和有意义的模型。比如，一些有可能造成某些结果或与某些结果相关的因素。因此，很重要的一点就是透过表征去解决关键所在，诸如我们试图解决的问题是什么？它们的根源是什么？哪些因素造成了某些结果？我们如何改变等问题。
4发现适宜的技术和工具数据科学家和分析师有自己青睐的技术和数据来源。经理人们在决定如何处理新数据时，必须清楚这些技术和数据来源的优势和劣势。
分析技术和对照实验是思考的工具。但是真正进行思考和学习的是人本身，因此经理人们应该随时做好准备，乐于亲身参与到重复的流程中去，从而获得业务洞见。
更关心如何解决业务问题
传统的IT项目管理是风险规避型，它把精力都放在应对新系统成功部署后所面临的威胁上。与之相对，专注信息应用和大数据的项目，并不十分在意管理技术部署风险，而是将更多精力放在解决业务问题上。这样做是合理的。
提高企业挖掘数据价值的能力，需要的不仅仅是分析性工具。更重要的是要营造一个环境，人们能够利用公司数据和自身知识改善企业运营和战略绩效。在这个新的范式下，经理人的首要目标是发现能令组织获益的机遇，识别出给组织带来风险的未知因素。
唐纳德?马钱德(Donalda.marchand)乔?帕德(Joe Peppard)| 文唐纳德?马钱德是瑞士洛桑国际管理发展学院战略执行和信息管理教授。乔?帕德是英国克兰菲尔德大学管理学院信息系统教授。鲁志娟 | 译 邓勇兵 | 校 齐菁 | 编辑本文有删节，原文参见《哈佛商业评论》2013年1月《为什么IT把分析搞砸了》。
《哈佛商业评论·大数据观察者》编辑|齐菁jingqi@hbrchina.org
公众号ID：hbrchinese长按二维码，订阅属于你的“卓越密码”。
http://weixin.100md.com
返回 哈佛商业评论 返回首页 返回百拇医药