大数据影响决策,企业如何重构高管的角色与职责
过去三十年,许多公司增设新的管理层以应对变幻莫测的商业环境。上世纪80年代中期,对于多数公司而言,首席财务官还是个陌生的职位。然而,伴随着价值管理以及企业与投资人关系日趋透明,越来越多的公司有了首席财务官。随着品牌建设与客户管理对公司的重要性与日俱增,首席市场官就变得越来越重要,此外,还有不少公司设置了首席战略官,帮助公司应对来自市场的挑战。
现在,数据分析的力量正深刻影响着商业格局。抓住数据发展带来的机遇,增加利润,提升生产力甚至打造全新的业务单元,成为了企业的新需求——这不仅需要信息基础设施领域的人才与投资,也需要变革思想观念,组织一线培训,提高团队的执行力。若没有强大的执行力,要充分驾驭数据分析的巨大浪潮将格外困难。
大数据对公司的影响非常广泛,涉及市场营销、风险、运营等,高级管理层能够以不同的方式参与其中。某些情况下,可以将任务委托给首席信息官、首席市场官、首席战略官等。其他公司或许需要新的角色,如首席数据官、首席技术官或者首席分析师等,来组建一流的数据分析中心团队。
本文致力于阐明相关高管们最重要的任务以及提出一些关键问题,对于这些问题的回答有助于重设企业高管结构。重新构想高管的角色与职责,听起来非常困难,但鉴于目前数据发展创造的机遇与挑战,如不重构高管结构,企业的发展将面临危机,也有可能陷入更为激烈的竞争环境中。
制定并实施一项大数据与先进分析战略,需要的不仅仅是将数据提供给外部服务提供商进行数据挖掘,而是让公司以经营日常业务的方式应对转变。变幻莫测的环境对高管团队提出严格要求。经验丰富的高管具有不可替代性,他们能够将理论应用于实际,引导企业渡过难关,作出艰难的权衡,在决策出现分歧时表明权威立场。新的数据分析文化,将成为企业领导力的新焦点,这是必然的发展趋势。经验表明,数据分析团队的需要完成六项任务。在分配任务与增设新职时,企业领导人需要充分评估这六大任务。
已经着手创新思维,革新观念的高级团队需要获取数据分析知识,以此了解大数据的作用。同时,他们也需要接受数据已然成为业务核心这一事实。只有公司高层管理人员的思维与观念发生转变后,持久的行为变化才能辐射整个公司。初期阶段,非常重要的一个问题在于“数据分析怎么样才能帮助企业实现跨越式发展?”这种发展通常发生在企业每一个重要的业务与职能部门中,由具有影响力的高级主管所领导。
一家大型运输公司的领导人要求其首席战略官负责数据分析。为了在公司高管中传播新的思想与知识,该首席战略官安排了高管们访问一些具有数据头脑的大公司。随后,他要求每个业务部门将数据分析作为明年战略规划的重点之一。这一做法非常成功。一方面,大数据融入了各部门的战略目标中;另一方面,其鼓励各部门的管理人员关注大数据。不久之后,他们便开始分享各自的想法并不断探索新的分析机遇——这一切给该公司注入了新的活力。
与其他新兴商业机遇相同,数据分析潜力仍未得到充分发掘,原因在于缺少清晰的战略、计划与标准。许多公司在该领域受挫,有些是因为没有设置高管明确负责数据分析或者制定相关规划;还有则是因为没有开展充分的讨论或者投入必要时间分清楚大数据分析的轻重缓急。
一家电信通讯公司的首席执行官致力于发展数据分析,尤其是利用数据分析优化客户关系与定价。尽管该公司聘用了一名高级分析人员,但很快发展陷入了停滞。诚然,分析团队付出了努力,深入探索模型与分析技术。但企业部门的同事没有及时培训其中级管理人员,如何使用这些模型:他们尚未了解这些分析与模型的潜力,因为这些并不是其战略重点。
正如之前谈到的,要充分实现数据分析的潜力需要制定清晰的计划。计划需要划分重点并明确路径以实现预计的经营业绩,这与战略规划的流程相似。制定这样的计划需要团队的支持。
在一家北美公司,首席执行官要求在线数字运营负责人(他具备丰富的数据知识)制定企业发展战略。首席执行官同时要求,该负责人在制定发展战略时必须与其他不熟悉大数据的业务部门负责人合作。这项合作——将数据与分析技术专家和经验丰富的前线运营者结合起来——保证了计划中列举的分析目标关注实际、具有影响力的商业决策。此外,在高管互相分享彼此进程后,这种协作模式成为了其他业务部门规划实践的蓝图。
另外一些重要决策,也需要有权威、有经验的高级领导人负责,这些决策涉及数据集成,搭建高级分析模型与工具以改善运营状况,由此就提出了巨大的资源需求。现在,越来越多的外部供应商有能力提供核心数据、模型与工具。因此,企业需要高管的经验来权衡究竟是“独立开发还是购买服务”?是否需要内部独立开发这些模型与分析工具,并彻底拥有这些自定的分析技术的知识产权以此满足迫在眉睫的开发战略需求与预期运营提升?或者规模扩张至关重要,以至于借用外部供应商的经验与人力是不是更为明智的选择?创建强大的数据资产也需要高级领导的参与。限制关键外部数据的访问需要就企业与客户、供应商或其他价值链上的第三方建立高级伙伴关系。
不同零售商选择了完全不同的道路,这让企业领导人了解,其必须权衡的一系列因素。一些零售商与数据分析公司已经签订了长期合同,涵盖广泛的数据分析需求。其他方,包括传统企业与在线企业,也对内部数据与分析技术展开深入投资。每一个选择都反映出战略、金融与组织需求的动态集,这些都应该由高层管理而非中级管理人员决定。
在任何战略方案中,企业总需要分析专家助力实现快速稳定发展。当今时代的数据分析博弈基于开放、云基础设施,因此,所有内部与外部数据能够轻松地以用户友好的方式整合。新环境也要求新的管理技能,调动更多资深数据专家。这些专家能够开发预测或优化模型,确保发展的可靠性。
目前,在世界最热门的市场中,已经有许多公司争先寻找这些先进技术人才,争取到这些宝贵的人力并让他们与企业领导人真正互动起来,以此改变公司发展状况是高层管理人员未来的真正任务,而这通常需要创造性的解决方案。
某家主流消费品企业的大数据领导人决定在远离公司本部的地区投资建立一个数据分析中心,该区拥有丰富的数据科学家与数据工程师青睐的优秀人才与文化环境。接下来,公司领导人完成最后一步,让每个分析团队与本部的业务团队间实现直接联系。
在不同职能部门间调用人力与资本,创建新的决策支持工具和帮助一线管理人员利用先进分析模型需要花费诸多精力,这通常让企业管理层惊讶不已。赋予高管更多的权力非常重要,这有助于高管突破制度限制,这些繁杂的制度通常影响了数据分析对决策执行的支持。要获得成功,就有必要让各部门的管理人员协同合作积极应对变化—鼓励IT、业务部门、分析团队互相协作,并培训专家负责协调与领导。缺乏领导力的公司往往容易失败。
举例来说,一家运输公司里,产品领域中层管理人员的职责是寻找数据分析机会,进而继续推进。而数据团队无法准时提交数据或提交的数据格式不尽人意,往往令分析团队懊恼不已。而在将分析结果嵌入自定义工具中时,管理者变得更加沮丧,因为他只能以常规预算与计划进程处理紧急请求。随后,该公司让一位高级市场营销主管负责优化数据分析进程。这名主管将不同职能的团队组合起来,这包括数据库管理人员、分析师和程序员。他们致力于探索数据分析机会,分析项目从起始到最终落地周期为六到八周。通过敏捷资源调用,市场营销主管上位后仅仅几个月,该公司便成功寻找到了数个分析重点。
数据专家设计的复杂数据分析解决方案必须以简单、强交互性的模式嵌入一线工具中,只有这样,管理人员与一线职工才愿意每天使用这些工具。为推广工具应用付出的努力不可轻视,这包括正式培训、在职培训等。经验表明,许多公司90%的投资用于创建模型,而对一线应用的投资只有10%。而事实上,前线应用的投资应该不少于50%。
多数公司会承认,他们的确需要增设新的职位。但遗留的一个重要问题在于,在哪里增设新职?新的权利和责任系统又该如何设计?经验表明,公司有充足理由强调数据分析战略与人才,甚至创建常规数据分析中心。但是,业务职能部门也需要一线活动(资源调用、能力建设)支持。原因有两个:首先,对于利用数据分析增加收入提高生产力,不同业务部门有不同侧重点;其次,当公司将一线业务与核心运营和管理侧重点结合时,积极鼓励前线进行适当调整也同等重要。
除了让业务部门强化一线动员能力与责任,目前没有任何单一的方案能够清楚地阐释公司应该在何处增设新领导职位。由于数据分析应用尚未成熟,这样的答案不难理解。尽管如此,企业领导人在审视多项选择时不要盲目,思考以下三个关键问题的答案将帮助企业领导人理顺公司结构变化方案:
在许多客户服务公司,数据分析意味着整合不同业务部门或渠道的交易数据。这有助于企业深入了解客户与企业网站的交互,或者客户在选择在线购物或线下购物的决策心理。这些公司通常已(或正在)建立新的数据库中心或者数据环境,并提升相关数据管理能力。此外,他们也正在制定新的制度,在保障安全数据访问的同时保护客户隐私并确保核心客户不受匿名骚扰。
针对这些公司,增设首席信息官来领导数据分析战略以及人才建设发展是一种较普遍且可行的方案。职责上,首席信息官致力于发展数据分析基础设备并辅助企业各业务部门适应变革,抓住数据分析的机遇。
举例来说,一家多元化经营客户服务公司,其董事会与高层领导团队皆明白,利用自身多渠道数据库抓牢数据分析机遇将显著改善企业运营状况。意识到中心数据库在公司发展议程中关键性,公司领导指派了一名首席信息官负责并制定公司数据分析战略。
公司管理层认识到各业务部门皆有各自的数据分析侧重方向,如优化推广优惠价或者库存状况。此外,不同的管理团队需要将不同的数据分析结果应用到各自部门中。因此,管理层得出结论:在这些情况下,让数据中心管理分析与前线培训,这样的做法并不可取;应该让首席信息官与各业务部门主管合作,共同且有区别地承担责任。
目前,该首席信息官已经参与了两个核心项目。其一,创建新的基础设施将公司多渠道交易数据与外部社交媒体与竞争性信息结合,并通过直观界面向企业各部门推送数据分析结果;其二,组建数据分析专业团队,对不同业务部门指派专家指导,但专家由中心统一管理。数据分析团队由经验资深的主管带领,该主管向首席信息官报告进程。同时,业务部门主管需要寻找各自数据分析侧重方向,培训一线经理相关技能。
第二种方案。这种方案与第一类方案在集中管理方面存在诸多相似点,但第二种方案具体适用于决定自主搭建数据分析平台而不外包的企业。因此,这些企业通常在内部集中建设数据分析设施与团队,旨在为公司各业务部门创建一个数据分析公共平台,以此创造更多价值。
在一家面向消费者的公司里,数据分析能力与领导力,皆集中于金融与风险管理团队中。过去,这个团队长期负责关键数据相关价值创造。当这家公司开始追求更宏大的数据分析战略时,首席财务官被赋予了数项职责,包括制定基本战略,审查核心风险管理数据分析工具自制或外购决策,调用数据分析团队资源与数据分析能力建设。
然而,完成这些有关数据分析的初期决策后,首席执行官与首席财务官很快意识到需要更多支持来获得更准确的分析结果,协助业务部门调整适应数据分析带来的变化并革新业务部门的某些流程。为实现目标,他们在首席财务官下属团队中内增设了新职位—首席数据官。首席数据官负责信息管理,与业务部门主管合作探索潜在、有价值的内与外部数据(这些数据可能过去从未被发掘)。很多公司会发现,他们非常需要这样能够支持高管工作的业务部门主管,以此发觉更多数据优势,定位数据分析方向从而加快前线应用。
不论是集中管理或是其他方式,数据分析的重担将落在每个业务部门或职能部门领导头上。业务部门面临的关键问题在于是否应该增设新职或者要求关键领导人(如首席营销官或者运营总监)在负荷饱和的各业务部门中部署新职责。
一家大型金融服务公司高级管理者综合了解了该方案后,他们认为,在数据分析上加倍投入将显著提升业务部门的竞争力。为了坚定推行该方案,该公司招聘了一位首席分析官。首席分析官向业务一线主管报告并领导与监管由内部顾问、分析模型师、软件工程师组成的数据分析中心。
这种方案大力调整了公司结构。它推进了业务部门数据转型过程。作为高管团队的一员,首席分析官能够为诸多重要决策提供支持,包括制定数据分析战略、定义一线主管职责等。鉴于分析中心由具有跨学科背景的人员构成,首席分析官能够灵活调用分析与软件编程资源,从而加速一线工具开发的进度。同时,工作贯穿各业务部门,首席分析师得以更深刻地了解业务部门具体状况,包括其侧重点、工作模式以及面临的挑战。这有助于工具开发与培训的针对性。业务部门主管与首席分析师每日进行沟通能够让他们更关注数据分析以及应用进程。
这种方案获得了成功之后,该公司继续推进,增设另一新职—首席数据官。首席数据官向首席信息官报告,但每日与首席分析师合作进行数据整合,开发新数据分析工具。
对追求数据分析潜力的公司而言,不久的将来,他们都需要选择何处增设领导职位。对于某些企业,例如此前提到的那家面向消费者公司,当前的高管成员不得不承担更多领导责任,因此有必要增设新的中级职位予以支持。对于其他公司,如上述谈到的金融服务公司,增设一个或更多新的高级管理职位推动数据分析计划可能是最佳解决方案。
所有公司中,高管团队,也许还包括董事会成员,必须认识到支持数据分析发展所需的资源规模。接下来,他们必须小心翼翼地在当前管理水平上增加这些职能,从而有效优化公司核心价值源泉,且不给公司当前结构带来过大冲击。上述这些任务都很艰巨,但这却是唯一切实可行的道路,能够帮助企业利用数据分析技术推动自身发展。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是,它固然有着两种数据 ...
2024-11-01《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python,怎么到了Pandas? 前面说过,既然定义为极简入门,我们只抓 ...
2024-10-31在当今数据驱动的世界中,数据科学与工程专业的重要性愈发凸显。无论是推动技术进步,还是在商业决策中提供精准分析,这一专业都 ...
2024-10-30在当今信息爆炸的时代,数据已成为企业决策和战略制定的核心资源。爬虫工程师因此成为数据获取和挖掘的关键角色。本文将详细介绍 ...
2024-10-30在当今数据驱动的世界中,数据分析是揭示商业洞察和推动决策的核心力量。选择合适的数据分析工具对于数据专业人士而言至关重要。 ...
2024-10-30能源企业在全球经济和环境保护双重压力下,正面临前所未有的挑战与机遇。数字化转型作为应对这些挑战的关键手段,正在深刻变革传 ...
2024-10-30近年来,随着数据科学的逐步发展,Python语言的使用率也越来越高,不仅可以做数据处理,网页开发,更是数据科学、机器学习、深度 ...
2024-10-30大数据分析师证书 针对不同知识,掌握程度的要求分为【领会】、【熟知】、【应用】三个级别,考生应按照不同知识要求进行学习。 ...
2024-10-30《Python数据分析极简入门》 附:Anaconda安装教程 注:分Windows系统下安装和MacOS系统安装 1. Windows系统下安装 第一步清华大 ...
2024-10-29拥抱数据分析的世界 - 成为一名数据分析工程师是一个充满挑战和机遇的职业选择。要成功地进入这个领域,你需要掌握一系列关键技 ...
2024-10-28降本增效:管理战略的关键 企业管理中的降本增效不仅是一项重要的战略举措,更是激发竞争力、提高盈利能力的关键。这一理念在当 ...
2024-10-28企业数字化是指利用数字技术和信息化手段,对企业的各个方面进行改造和优化,以提升生产效率、服务质量和市场竞争力的过程。实现 ...
2024-10-28数据科学专业毕业后,毕业生可以选择从事多种不同的岗位和领域。数据科学是一个快速发展且广泛应用的领域,毕业生在企业、学术界 ...
2024-10-28学习数据科学与大数据技术是当今职业发展中至关重要的一环。从基础到高级,以下是一些建议的课程路径: 基础课程: Python编程 ...
2024-10-28在信息技术和数据科学领域,数据架构师扮演着至关重要的角色。他们负责设计和管理企业中复杂的数据基础设施,以支持数据驱动的决 ...
2024-10-28进入21世纪以来,随着信息技术的迅猛发展,大数据已经成为全球最具影响力的技术之一,并成为企业数字化转型的核心驱动力。大数据 ...
2024-10-28随着科技的迅猛发展,数字化转型已成为现代企业保持竞争力和推动增长的关键战略之一。数字化不仅仅是技术的应用,它代表着一种全 ...
2024-10-28银行业正处于一个前所未有的数字化转型时期。在数字经济的驱动下,金融科技如大数据、人工智能、生物识别、物联网和云计算等技术 ...
2024-10-28数据分析可视化是一门艺术与科学相结合的技术,其主要目标是将复杂的数据变得更易于理解和分析。通过将数据以图表的形式呈现,我 ...
2024-10-28数据分析师在现代信息密集型的商业世界中扮演着至关重要的角色。他们通过专业的技能和敏锐的商业洞察力,帮助企业从大量数据中提 ...
2024-10-28