再来看一家大型银行的例子。为了解决一个市场问题，该银行建立了一支由首席信息官、首席市场官和BU负责人组成的团队。银行家们对直接营销活动的结果表示不满，因为成本居高不下，新产品的接受度却令人失望。他们发现问题的核心在于各自为政的市场营销方法。单个BU对客户的财务背景和偏好不加考虑，向银行所有客户群推销多种产品。那些可能最需要投资服务的客户获得的却是存款产品的信息，反之亦然。
为了解决这个问题，高管团队决定收集企业数据库中的所有信息，包括收入水平、产品历史、风险档案等方面的数据。中央数据库让银行能够有针对性地向客户提供他们可能更需要的产品或服务，从而提高了业务点击率和营销活动的效益。很多企业都会需要强大的计划流程来凸显类似的投资机会，并推动高管层拿出应有的参与度。
2. 平衡速度、成本和接受度
对于那些“拥有”企业数据和分析策略的高管而言，自然而然的反应是迅速开启行动模式。一旦确定了某些投资重点，就不难找到开发相关应用和算法模型经验的软件及分析供应商。和内部开发的定制模型相比，这些套装系统（包括定价、库存管理、劳动力排班等）价格便宜，且易于安装。但是它们毕竟不能和根据实际业务案例创建的应用相比，很难充分调动起经理们的积极性。系统有没有结合具体行业和企业的业务特点，这在很大程度上决定了数据项目是否会成功。因此，为了尽量平衡可承受的成本和在现实业务中实施的速度（包括容易忽视的风险和组织敏感度），需要给计划第二个维度。
忽略这一步骤的代价是什么，请看一家试图提高小企业核保业务的银行的经历。分析团队希望赶紧采取行动，因此匆匆忙忙建立了一个模型，但缺少计划流程，也没有让充分了解业务的关键利益相关方参与进来。这个模型在理论上的测试很成功，但是实际上完全不可行，银行为此损失惨重。管理层希望从头再来，要求BU领导重新尝试。修改后的模型建立在较为完整的数据的基础上，其架构反映出不同客户细分的差异，因此预测能力更好，最终减少了损失。这个例子告诉我们，大数据规划面临的管理挑战至少和技术挑战一样大，没有捷径可走，必须付出努力，让业务人员和数据专家通力合作，找出问题所在。
一家货运公司的关键问题是如何在新数据/分析工具的潜在收益和业务风险之间找到平衡。当数据专家提议使用和客户行为、定价和排班等相关的新模型时，由于已经习惯于现有的运营导向模型，高级经理们表示反对，且特别提出，昂贵的新数据方法是否会扰乱顺畅的排班操作。数据经理于是在一个区域试点了开发原型（使用少量数据组和初步的电子表格分析），这才消除了大家的担忧。有时候，确实有必要采取“奔跑之前先学走路”的战术以达到平衡，这也可以是计划的一个组成部分。一家健康险公司面临的关键挑战则是缓解内部利益相关方的担忧。公司设计的黑盒子模型在检测历史数据时，能够非常准确地识别高于平均住院风险的慢性病患者。但临床总监认为，不能单靠一个不透明的分析模型来确定哪些患者应该接受昂贵的预防性治疗方案。最终，该保险公司选择了一个更为简单和透明的数据和分析方法，在当前实践的基础上进行了改进，但是牺牲了一些准确性，结果可能使更多患者有资格接受治疗。在数据规划的早期提出不同意见并进行权衡，可以节约时间，避免惨重损失。
最终，有些规划工作需要在降低成本的愿望（通过标准化）和反映业务现状的需求（通过组合数据和建模）之间找到平衡点。就零售行业而言，企业拥有独特的客户基础，有不同的定价方式来优化销量和利润，也有着日常的销售模式和库存需求。比如，一家零售商很快以低成本建立了一套标准化的推荐商品模型[3] ， 然后为网络渠道制定了具体的推荐方案。但是，为了开发更加成熟的模型来预测区域性和季节性的购买模式并优化供应链运营，这家零售商必须从社交媒体上收集非结构化的消费者数据，选择内部的运营数据，同时按产品和门店的概念定制预测算法。一个平衡的大数据规划需要这样的组合方法。
3. 确保重视一线部门的参与度和能力培养
一家航空公司在大力投入开发新的定价工具之后，发现收益管理分析师的生产效率仍然低于预期。问题出在哪里呢？工具太过复杂，没有人用得来。另一家健康险公司则出现了不同的问题，医生们抵制一种使治疗方案更经济的网络应用。他们表示，如果非要使用这种新系统，就必须为某些疾病提供能够维持患者信任的治疗方案，这一点他们认为非常重要。
出现这些问题的企业忽视了大数据规划的第三个要素：调动组织的积极性。正如我们在描述大数据规划的基本要素时所说的，计划的第一步是建立一线主管能够理解的分析模型。这种模型必须和易于使用的决策支持工具（可以称之为制胜工具）相连接，并通过流程让经理们对模型输出运用自身经验进行判断。虽然少数分析方法（例如基本的销售预测）是自动化的，只需要有限的一线员工参与，但大多数分析方法如果没有管理层的支持就不会成功。
上述航空公司重新设计的定价工具的软件界面，仅仅包括主要航线上竞争对手和产能利用率方面10—15种规则驱动的原型。一家零售商的情况与此类似，如果他们的商品价格比竞争对手网站上的价格高，就会出现提醒买家注意的信号，并允许买家自行定价。另一家零售商的经理现在能根据以往的销售数据、天气预报和计划好的特卖活动，用平板电脑预测一天内每小时所需要的店员人数。
创建这种员工易于使用的工具仅仅是第一步。关注有效实施所需的组织能力也非常重要。多数公司认为，95%的大数据投入应该用于数据本身和建模。但是很多经理并没有很强的分析背景，如果不能培养一线经理的能力并进行相关培训，这些投入很可能收不到效果。因此大数据计划的一条基本规律是，数据/建模和培训的投入是一半对一半。
部分投入应该用于培养“双模”经理，他们既懂业务，又深谙如何运用数据和工具作出更好、更有分析依据的决策。有这样的能力傍身，经理自然盼望有用武之地。企业还应该建立奖励机制，吸引分析能力强的业务领导担任数据工作负责人，并鼓励部门之间传播点子。一家快递公司发现分析型人才散落在各个部门里，于是将他们集中在一起，为全公司提供服务。
计划制定以后，执行就比较容易了：可以按部就班地整合数据、启动试点项目、创建新工具并展开培训。在推动业务价值的清晰愿景下，不太可能遇到资金问题或内部抵制。当然，随着时间的推移，最初的计划到了将来也会有所调整。事实上，大数据和分析的一个主要益处就在于，您现在能学到以前闻所未闻的业务知识。
这可能和战略规划又有着相似之处。在很多组织中，正规的年度“教科书式”战略规划流程已转变为持续性、参与更广泛的动态流程[4] 。数据和分析计划太重要了，不可能束之高阁。但这是明天才要面对的问题。现在的状况是，大数据规划尚付之阙如。高管层的行动越快，企业就越有可能从数据中获取真正的竞争优势。
三位作者谨向Toos Daruvala，Amit Garg和David Kang对本文的贡献表示由衷感谢。
Stefan Biesdorf是麦肯锡全球董事，常驻慕尼黑分公司；
David Court是麦肯锡全球资深董事，常驻达拉斯分公司；
Paul Willmott是麦肯锡全球资深董事，常驻伦敦分公司。
麦肯锡公司版权所有（c）2013年。未经许可，不得做任何形式的转载和出版。本文经麦肯锡中国公司授权出版。
注 释
[1].参阅Dominic Barton 和 David Court合著的“Making advanced analytics work for you”， Harvard Business Review，2012年10月，第90卷，第10号，第78–83页。
[2]. 一种信息在企业中仅存储一次，以保证其准确性的做法。
[3]. 基于分析客户购买历史的算法，一种预测客户可能购买的下一个产品或服务的模型。
[4].参见Sven Smit， Lowell Bryan 和 Chris Bradley所著“Managing the strategy journey”， mckinsey.com， 2012年7月。
