分析团队的负责人是一位向首席信息官汇报的资深高管，他为管理层提供了新的核心能力。与此同时，BU的领导制定数据分析重点，培养一线经理的技能，让他们能够使用新的模型开展工作，比如，重新分配各个媒体渠道的费用。
当真正的内部分析能力成为业绩驱动机
第二种方法和我们刚才提到的集中化有关，但是特别包括了那些决定自建而不是外包关键高级分析能力的公司。作出这一决定后，组织经常会集中化部署相关能力，使其成为为各BU创造价值的公共平台。
在一家面向消费者的公司，分析能力和领导力过去集中在财务和风控团队，它们曾经负责创造主要的和数据有关的价值。当公司开始采取较为激进的数据分析策略时，首席财务官负责了几个项目，包括制定基本策略，监督核心风控分析工具是自建还是购买的决定，调动职能分析团队内部的资源，以及建设相关能力。
但是，在作出这些关于分析的主要决策后，首席执行官和首席财务官很快意识到，为了让分析团队获得更高质量的数据，加强变革力度并重新打造各BU的某些流程，还需要大量的辅助工作。为此，公司在首席财务官之下设立了首席数据官这一新的职位，负责主动管理信息，包括和业务经理合作，找出那些甚至还没有察觉到的内外部数据。交付后的数据可进行分析，并由建模专家迅速应用到所需的项目中。重要的是，数据应不断保持更新以进行新的尝试和更广泛的应用。很多公司可能都会需要这样的高管来支持BU负责人，因为他们能够找出数据型优势的来源，建立分析重点，并尽力加速一线的应用。
当BU内的管理规模和复杂性非常显著时
无论数据分析工作是否进行集中管理，多数任务都会落在BU的业务负责人或职能负责人身上。BU层面的一个核心问题，是增加新的职位，还是让主要的职能负责人（比如首席市场官或运营负责人）承担更多责任，虽然他们原来的工作量可能已经很大。
在对公司策略进行了全面审视之后，一家大型金融服务公司发现，如果大力发展数据分析，某个BU就可以获取显著的竞争优势。为了坚决推动这一策略，公司聘用了一位首席分析官，向BU总裁汇报，并通过新建的卓越中心管理内部顾问、分析建模师和软件程序员。
这样的方法为组织架构带来了重要的变化，促进了BU的数据转型工作。首席分析官作为高管团队之一，能够推动一系列广泛的决策，包括制定分析策略和定义一线经理的责任。由于卓越中心横跨多个领域，首席分析官能够迅速调动数据分析和软件编程资源，加快建立一线工具。与此同时，从BU内着手相关工作，能够让他深入了解问题所在，包括工作的重点、方式和持续不断的挑战。这样他就可以更加敏锐地判断需要开发哪些工具，更加清晰地了解培训项目需要培养的能力。BU负责人和首席分析官之间的日常互动使他们能够保持对数据分析及其实施进度的关注。
这一做法取得成效之后，公司又进一步设立了首席数据官。他向首席信息官汇报，并在日常工作中和首席分析官密切合作，推动数据和新的分析工具的结合，以加速一线的变革。
对致力于挖掘数据分析潜力的公司来说，无论最终的解决方法是什么，领导力的问题都已浮出水面。对于有的公司比如刚才举例的消费型公司，现有的高管团队需要增加工作量，承担更多的管理责任，并争取高管层的更大支持。对于另外一些公司，比如我们也研究过的金融服务公司，新设一个或多个高级职位来推动数据分析工作，将是最好的解决之道。
不管是何种类型的公司，高管团队（很可能也包括董事会成员）都应更好地理解确保数据分析工作成功所需的投入规模，在对现有职能管理范围和能力进行评估后敏锐洞察组织的核心价值来源，以调整现有的结构。这些工作都不轻松，却能护航数据分析成长为企业新的增长点。
三位作者谨向 Matthew Ariker， Amit Garg，Joshua Goff， Lori Sherer和Isaac Townsend对本文的贡献深表谢意。
Brad Brown是麦肯锡全球资深董事，常驻纽约分公司；
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。
构建数据驱动战略：三大关键
Dominic Barton， David Court
高管应专注于有针对性的数据收集、模型构建和文化转型。
大数据及数据分析已经上升到公司的首要议程。它们将共同转变企业的经营方式并实现类似于20世纪90年代那样的绩效提升（当时企业纷纷重新设计了核心流程）。当数据驱动战略占据主动时，大数据及数据分析的重要性也将在差异化竞争中不断提高。
通过与来自六大数据密集型行业中的数十家公司的合作，我们发现，公司充分利用数据和分析方法需要三种相互辅助的能力。第一，能够鉴别、结合及管理多种数据源。第二，为了预测和优化成果，要有构建高级分析模型的能力。第三，也是最为关键的，为了确保数据和模型能够真正生成更好的决策，管理层必须具备推动体制转变的能力。巩固这些能力的两个重点是：在对如何使用数据和分析方法开展竞争方面制定明确的战略，以及部署合理的技术架构和相关性能。
同样重要的是，企业要对预期业务影响有一个清晰的愿景，并且该愿景必须能够提出数据收集、模型构建和文化转型的一揽子方法。这样做能帮助你避开那些通常一上来就问数据能为你做什么的陷阱。领导者应当投入足够的时间和精力，以保证各部门的经理一致支持这项任务。
1选择合适的数据
过去几年来，数据和建模领域发生了巨大的变化。信息海量膨胀的同时，通过联合各项数据来扩展洞察的机会也越来越多。更多更好的数据能够使公司更全面、更精细化地审视商业环境。此种前所未有的洞察力有效改善了运营水平、顾客体验和公司战略。这就要求企业从以下两个方面入手。
创造性地收集数据
通常，公司掌握那些可以用来解决业务问题的数据，但经理却不知道该如何用它作出关键性决定。例如，工厂及客服部门每日或每小时都有即时更新的相关数据，但运营经理往往无法捕捉其潜在价值。领导者可以通过对问题和机遇进行细化，以此推动经理们以更加全面的眼光审视数据。
经理也需要创造性地看待外部和新的数据源的潜力。社交媒体以会话、图片和视频的形式产生非传统、非结构化的TB级数据，此外还有来自传感器、监控过程的数据流，以及从本地人口统计到天气预报无所不包的各种外部数据源。激发对数据潜力更广泛思考的一个方法是回答这个问题：“我们可以利用掌握的数据作出哪些决策？”
获得必要的IT支持
传统的IT架构可能会阻碍数据收集、存储和分析的新模式。而管理非结构化数据通常已超出了传统的IT能力。彻底解决这些问题一般需要数年时间。然而，商业领袖们可以寻求首席信息官的支持，按照优先级来满足短期内的大数据需求。这意味着需要快速识别和获取最重要的数据用于分析，然后增加一个清理操作以同步、合并重叠的数据并补救缺失的信息。
2构建模型以预测和优化业务成果
数据是必不可少的，但是绩效提升、竞争优势来自可以让管理层预测和优化成果的分析模型。更重要的是，构建模型的最有效途径通常并不始于数据本身，而是从发现商业机会并判断该模型将如何提升业绩起步。我们发现，虽然传统的基于实际数据关系的模型更易于管理层理解，但这种假设引导型的建模方法可以快速获得成果。
请记住，任何建模工作都有相应风险。先进的统计方法无疑能构建更好的模型，但有时统计专家们设计的模型太过复杂，不适于实际应用，也许还会耗尽企业的大部分能力。领导者需要不断地追问：“什么是可以提高绩效的最简单模型？”
3提升企业的数据分析能力
高管们向我们坦言，最担心的是经理不理解或者不相信基于大数据的模型，所以并不使用它们。
由于现有的组织文化和能力与数据驱动新策略不相匹配而导致问题的出现，这其实很常见。新方法或者无法与现有决策方式相匹配，或者不能为实现企业目标勾勒清晰蓝图。许多分析工具看上去只是为专家建构模型而设，而不是为第一线的员工服务。而且很少有经理对模型有足够的兴趣并推广其使用——对于想要在内部推行新方法的公司来说，这是一个致命伤。关键在于，使用大数据需要深思熟虑的组织层面改革，从三方面入手采取行动可实现目的。
研发与业务息息相关并可投入使用的分析工具
很多大数据和数据分析的初步使用之所以失败，是因为不能与日常工作流程和进行决策的常规做法保持同步。模型设计者需要了解经理作出的各种类型的业务判断，以使其行动与公司的整体目标保持一致。与一线经理的对话将确保数据分析及相应工具能够完善现有的决策流程，从而使公司在各方面作出权衡。
在一线使用的简单工具中植入数据分析
经理需要简单明了的方法，便于日常使用新模型和新算法。当然，加强营销、进行风险管理和运营需要TB级数据和复杂模型。关键是要将统计专家和软件开发者与经理区分开来。目标是，为一线经理提供直观的工具和界面以帮助他们更好地工作。
开发利用大数据的能力
即便有了简单和便于使用的模型，大部分组织仍需提高其数据分析方法和知识水平。为了使分析成为日常运作的一部分，经理应当以此为中心去解决问题和发现机遇。依据公司的目标和预期的时间要求，需要采取相应的举措。调整企业文化和思维方式通常需要多管齐下，包括培训、领导者的榜样作用、激励和指标。例如，成年学习者通常能从“现场型讨论”中受益，通过现实工作的分析思考，从实践中学习。
根据我们的经验，高管们应当现在就行动起来，积极使用大数据和数据分析。但是与其推行大规模变革，不如专注于有针对性的数据收集、模型构建和文化转型。这些举措有助于企业保持灵活性。这很有必要，因为信息本身（包括管理和分析信息的技术）也将不断发展和变化，新的机会将从中产生。随着企业不甘落后地学习使用大数据的核心技术，构建卓越的数据能力将成为压倒一切的竞争力资产。
Dominic Barton（鲍达民）是麦肯锡董事长兼全球总裁，常驻伦敦分公司；
David Court是麦肯锡全球资深董事，常驻达拉斯分公司，他也是麦肯锡高级分析业务负责人。
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。
揭开大数据神秘面纱：以本土保险业为例
石磊，陈蕾，谢英卿
积累海量交易数据、配备强大精算团队的保险企业拥有揭开大数据神秘面纱的先天优势。
大数据时代来了。但大数据到底要怎么做，多数企业似乎还是懵懵懂懂，不知从何入手。以我们服务的保险企业为例，其实，对积累海量交易数据、配备强大精算团队的保险企业来说，拥有揭开大数据神秘面纱的先天优势。
我们发现，不少本土保险企业坐在闲置的数据“金矿”上，尚未善加利用。例如，承保和理赔两个IT系统的数据，并未能够有效地按客户维度进行整合。从理赔数据中分析得出的各行业的实际风险，也未能有效反馈到承保定价政策上。如右图所示，于是，制定定价政策时对部分行业的风险预期，严重偏离实际风险，导致企业利润低下，甚至亏损。
因此，对本土保险企业而言，从内部数据整合分析开始，逐步增加外部数据的使用，不失为建立“大数据”核心竞争力的有效路径。
石磊是麦肯锡全球资深董事，常驻上海分公司；
陈蕾是麦肯锡全球副董事，常驻北京分公司；
谢英卿是麦肯锡高级分析员，常驻上海分公司。
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]. 要更多了解首席财务官一职的故事，请参考Dirk Zorn所著“Here a chief， there a chief： The rise of the CFO in the America firm”，“American Sociological Review”，2004年，第69卷，第3号，第345–64页。
[2]. 参考Dominic Barton 和 David Court合著“Making advanced analytics work for you”，“Harvard Business Review”，2012年，第90卷，第10号，第79-83页；以及David Court对Frank Comes的访谈“Putting big data and analytics to work”，2012年9月，mckinsey.com.
