別再微觀了! 企業應培養的「宏觀數據力」

Cortilia Lin
瀏覽人數:7866
「微觀數據力」雖然可突顯企業文化本身存在的問題,但「宏觀數據力」才能產生根本上數據策略的激發,並協助串聯企業各部門合作。

員工A:「敝公司使用數據的能力非常強,我們售出的每一台機器,都可以遠端回傳機器使用的紀錄檔(log file)。依據歷史資料以及各項參數的性能設定,我們可以預測機器可能在什麼時候會出現問題、需要什麼備件,進而預測各項關鍵備件的囤貨量,並與維修紀錄作對照,微調上下游廠商每一季的備件訂貨數量。」

員工B: 「敝公司使用數據的能力非常落後,業務單位完全無法掌控客戶對維修問題的不滿;行銷部門因此無法針對高回報率維修的痛點,準備有力說帖,所以業務部門都只能默默拜訪客戶,聽客戶的不滿。」

你大概猜得到,員工A與B其實來自同一間公司。

同樣一間企業,不同部門為何對自家掌握「數據」能力,有截然不同的看法?究其根本,數據並不是問題核心,真正的問題是,一間企業缺乏跨部門溝通,也就是只有「微觀數據力」。在這個資訊爆炸、計算能力強大的時代,數據力的重要性呈指數成長,企業數據思維不足的文化難題也隨之放大。

或許你會想,耳熟能詳的數據應用三步驟:「定義數據要解決的問題」、「定義數據解決後要產生的效益」、「數據分析方法與模型的選擇」好好應用不就解決了嗎? 但是,我想提出一個重要的觀點: 即便企業在每個能運用數據分析協助的商業問題中,都切實應用了這三步驟,數據力還是可能等於零。

最大的癥結點就在於,企業只用「微觀數據力」,完全忽略了「宏觀數據力」才是致勝關鍵。

用上述的員工對話來舉個簡單的例子。假設我們定義一個要用數據來解決的問題為「針對維修備件做季度預測,以減少囤貨跟增加現金轉換能力」。用「微觀數據力」來分析的話並不困難,根據這個問題的定義,企業可蒐集機器設備的功能回傳記錄檔,再針對設備研發時的「最佳起始參數」做標竿分析(benchmarking),定義出回傳紀錄檔中的資料代表什麼意義、反映出什麼情形。如此一來,自然能針對使用機器量做基本的維修需求規劃,藉此推測維修需要的備件,然後利用每個月的維修資料,去確認跟對照模型做機器學習,最終的備件規劃就可以達到最低囤貨、最高現金轉換能力的效果。

然而,從「宏觀數據力」的角度來探討時,共有三大重要步驟:

1. 目前定義要用數據來解決的問題,順利解決後所產生的效益,會對企業更高階的策略目標,有什麼貢獻或犧牲?

2. 數據蒐集、建模的每一個步驟中,有哪些可以與其他數據、部門結合,而達到企業最終的商業目標。

3. 在這些可合作的部門中,哪些資源、人員、與決策流程需要安排,以便將最後的分析結果化為實際行動。

回到上述舉例,假設一個企業的終極目標是成長,而成長來自於鞏固現有客戶及增加新客戶,那麼,在定義維修備件這個命題時,即可用宏觀數據力提升命題高度。首先,需思考達成「針對維修備件做季度預測,以減少囤貨跟增加現金轉換能力」的效益後,對企業的終極目標有什麼貢獻和犧牲(由於企業資源有限,達成一個目標時,往往也會犧牲另一個目標)。以及,設定預測模型所需要的數據來源與參數,以及模型建立的流程中,有哪些步驟可以與其他部門的數據、資訊、功能結合以提升現有客戶/新增客戶的成長? 最後,針對可能可以結合的方案,思考哪些部門會需要共同執行? 需經由哪些管理階層的同意? 有哪些人員可以協助整合應用?

因此,準確預估維修備件的這個任務,除了用基礎的「微觀數據力」來思考之外,還能延伸思考維修預測能如何提升現有客戶對「預防性維修」的滿意度。同時藉由行銷「預防性維修」來讓客戶理解,雖然有高回報率的維修問題存在,但企業本身是以客戶利益為出發點,以預防問題產生。在模型建構的過程中,以初始最佳值作為基準,與現在機器設備的表現參數作比較,提供「機器評估報告」給客戶,彰顯企業在設備管理、備件採購、人力安排等面向的附加價值。結合兩種數據力來深入思考一項看似單純的任務,需要業務、行銷與新服務開發部門一起腦力激盪,將這些數據可能產生的附加價值,以及其他業務、行銷等可以整合運用的數據做更好的包裝,增加客戶滿意度的同時,也可做為招募新客戶的手法。

簡言之,「微觀數據力」可突顯企業文化本身存在的問題,但不能用來定義一個企業應用資料科學的能力;而「宏觀數據力」才能產生根本上數據策略的激發,並協助串聯企業各部門合作。別再微觀了,開始展開你的宏觀數據力吧!


更多作者 Cortilia 數據分析系列文章:

● 〈讓數據激發「內部創業精神」
● 〈B2B企業如何成功推動Win/Loss Analysis數據分析?



</>

Cortilia Lin

現為經濟學人智庫健康醫療管理顧問部門全球創新資料洞察解決方案總監,曾任飛利浦照明全球品牌策略總監,專精於數據分析、顧客體驗與品牌行銷。Facebook粉絲專頁: Coderia's Diary (https://www.facebook.com/coderiasdiary/)


本篇文章主題數據資料