全公司「玩數據」!別只讓科學家專擅於前

4 Ways to Democratize Data Science in Your Organization
湯瑪斯.雷曼 Thomas Redman , 湯瑪斯.戴文波特 Thomas Davenport
瀏覽人數:1933
Jonathan Knowles/Getty Images
我們直覺認為,數據科學是專家的事,一般員工沒必要了解這麼多。這個想法太狹隘了。數據科學必須廣泛地普及化,不妨讓全公司都參與,大家一起「玩數據」。現在已經有許多工具,將數據科學的部分作業流程簡化或自動化,而位於組織第一線的員工,早已熟稔公司業務,只要能掌握使用小量數據,就能熟練並快速地對問題做出回應。數據科學的關鍵在於人,只要能策略性地讓員工參與數據工作,就會看到更好的結果。

許多組織已藉由設置「卓越中心」(center of excellence),來啟動數據科學之旅,盡可能聘請最優秀的數據科學家,並專注在可收集到許多數據的地方。從某些方面來看,這麼做相當合理,畢竟公司不想在人工智慧或機器學習上落後。而且,數據科學家也想炫耀他們的最新工具。

然而,這是運用這項稀有資源的最佳方式嗎?對大多數公司來說,我們認為並不是。相反地,我們建議公司以更具策略性、更廣泛的角度,來看待數據科學。

以策略性數據科學為例。雖然組織的策略性問題相對較少,但它們對組織特別重要。即使針對策略性問題與牽涉到重大變動的決策,能分析的數據相對稀少,但公司應該全力處理這些議題。數據科學提供的價值,遠遠不僅是大數據演算法,還包括其他很多價值,從更清楚地建構問題,到分析有哪些「小數據」可用,再到實驗、製作極佳的圖表,不一而足。運用數據科學來獲得更好的見解,這方面的潛力很大。而且,既然資深主管最終必須領導進行數據科學轉型,那麼讓他們參與數據事務,就能協助他們更清楚看見相關的益處,並且更加了解他們必須對這項轉型做出什麼貢獻。

然而,數據科學也必須廣泛地普及化。若要數據科學真的能夠推動轉型,每個人都必須參與,來玩玩數據。只讓專家接觸數據科學,是有局限性的想法。把重點放在專業數據科學家的數據科學計畫,會忽略掉絕大多數的人和商業機會。舉例來說,如果組織裡充斥著許多問題及數據導向的決策,知識工作者組成的小型團隊、中階主管與合作伙伴,都可以使用小量數據,在二到三個月內解決那些問題、做出決策。這些位於組織第一線的個人,早已了解公司業務,不像數據科學家還需要去學習了解。如今許多不同類型的供應商,提供許多不同類型的新工具,可簡化或自動化地執行數據科學的許多部分,像是整理數據、建立演算法,以及編碼以部署和運作某個模型。

推動全體組織進行數據科學轉型,雖然聽起來太難以推動,但有一些方法可以讓你開始進行。根據我們的諮詢工作、與高層領導人的談話和研究,我們建議採取以下那些相互關聯的步驟,讓你公司的數據科學更具策略性、更普及使用。

專注在具有最高策略效益的問題上

正如前面提到的,大多數組織把數據科學的努力重點,放在有最多數據的地方,即使並非刻意為之。公司應該考慮其他所有的標準,而其中有兩項最重要。

首先,組織必須思考問題或機會的長期策略重要性。以一家中型媒體公司的兩個選項為例:選項1是檢視有關下列做法的見解:根據使用者使用該組織應用程式時產生的數據,來了解可以如何深化使用者體驗;選項2則是運用數據,來協助取得某項授權案的投標,這些投標每幾年就要進行一次。有許多數據支持選項1,這件事當然很重要。然而,即使支持選項2的數據相對較少,但這是策略性的行動。投標金額過低因而拿不到授權,可能對公司造成立即的與長期的損害,投標金額過高則會減少獲利。

其次,組織也必須考慮專案成功的機率。我們所謂的「成功」,指的是實現等於或高於主張推動專案的人所承諾的價值。達到這個標準需要做許多事,從發展出新見解或新的演算法,到說服他人根據那項見解採取行動,或是運用這些見解,並將它們納入公司的流程及資訊科技系統內。的確,發展出新見解或新演算法,往往是簡單的步驟,而許多這類模型從未部署實施。潛在數據科學專案的支持者,應冷靜清晰地評估這些因素。雖然並沒有固定答案,但我們認為,以這種方式來評估專案,會導致他們執行更多的小數據專案,以及更謹慎地選定的「登月式計畫」(moonshot;編案,指極為大膽而困難的計畫)。東南亞最大的銀行星展銀行(DBS),在初期的挫敗後,基本上放棄了登月式計畫,改為在整個銀行內推動其他小數據專案。研發出新冠疫苗的莫德納醫療公司(Moderna Therapeutics),也刻意迴避登月式計畫,偏好進行企圖心較小的人工智慧及數位專案。

在組織內推動數據科學普及化

有時我們會詢問公司:「你比較想要哪一個:一位剛學成的數據科學博士,還是二十位能在現有職位上進行基本分析的人員?」幾乎所有公司都會選後者。這就引導到我們的第二項建議,也就是培養「平民數據科學家」(citizen data scientist)。現在有許多不錯的商業情報工具,而且自動化的機器學習工具,也愈來愈能讓不錯的商業分析師進行相當複雜的分析。舉例來說,皇家加拿大銀行(Royal Bank of Canada)在這方面就極為成功

有些公司,像是製藥公司禮來(Eli Lilly)及保險公司旅行家集團(Travelers),則是進一步採行我們建議的內容。這些公司為所有員工提供數據及分析素養課程,而且許多內容是針對員工的層級和職能而量身製作的。公司認為以下能力是員工的關鍵能力:了解各種不同類型的數據、數據的用處,以及數據分析及人工智慧可以如何運用數據來創造競爭優勢。最後,公司當然應該要求所有職務的新進人員,都具備基本的數據科學技能。

重新設定數據科學做法的優先順序,重新分派任務

公司應重新指派內部最資深且經驗最豐富的數據科學家,去從事策略性數據科學。卓越中心的功能之一,可以是評估稀有的數據科學資源,是否有用來解決組織最重要的問題。其他的數據科學家,可協助公司其他員工解決新出現的問題,幫忙挑選分析方法及圖表,審核各專案以確保結果合理務實,以及訓練大量人員。我們發現,採行這些步驟的最大障礙,在於觀點太狹隘。大多數資深領導人根本沒有想過,數據科學家可能為策略性議題添加價值。較低階業務主管可能不太願意尋求幫助。最後,數據科學家往往會受到吸引,去處理擁有許多數據的問題。

發展並溝通說明數據科學的廣大願景

試想五年後的光景:公司會變成什麼樣子,是否會如策略顧問瑞姆.夏藍(Ram Charan)所說的變成「數學屋」(math house)?整個組織會如何運用數據與數據科學?它是否會是:

◼ 你仍在探索的事物?

◼ 偶爾發揮作用的工具?

◼ 競爭優勢的來源?

◼ 全公司都具備的基本能力?

◼ 以上都有一點?

這問題沒有正確答案,因為每個產業與公司都不同。儘管如此,我們認為太多公司對這個問題避而不答太久了。現在的公司應該要積極正視這個問題。

喜歡運動的主管或許會發現,美國職業籃球(NBA)的達拉斯獨行俠隊(Dallas Mavericks)與休士頓火箭隊(Houston Rockets),可以做為這方面的典範。這些隊伍全面運用數據科學,從挑選球員、比賽戰術到門票定價都使用。這兩隊不僅比其他NBA球隊更早聘用更多的數據科學家,也將數據科學家整合納入主要的人事與賽場決策中。在棒球方面,休士頓太空人隊(Houston Astros)、坦帕灣光芒隊(Tampa Bay Rays),以及如今的洛杉磯道奇隊(LA Dodgers),也都是全隊上下專注在數據分析上(不過太空人隊這方面的做法曾經有違倫理規範)。

公司似乎顯然應該指派最佳的數據科學家,去把握策略機會(即使相關數據相對較少),但許多公司並沒有這麼做。同樣地,公司每個人都參與數據科學的工作,似乎是非常合理的,而不是只讓人數不多且拿高薪的數據科學家,去做所有的數據工作。我們根據長期與組織合作的經驗而深信,數據科學最重要的關鍵在於人,而你愈能策略性地、廣泛地讓這些員工都參與數據工作,就會看到更好的結果。

(潘東傑譯)



湯瑪斯.雷曼 Thomas Redman

人稱「數據醫生」(Data Doc),數據品質解決方案公司(Data Quality Solutions)總裁。他協助企業和個人,包括新創公司、多國籍公司、高階主管與各層級領導人,規畫如何創造以數據驅動的未來。他特別重視品質、分析法和組織能力。


湯瑪斯.戴文波特

湯瑪斯.戴文波特 Thomas Davenport

美國貝伯森學院(Babson College)資訊科技與管理學傑出校聘教授,以及麻省理工學院數位商業中心(MIT Center for Digital Business)研究員、德勤分析(Deloitte Analytics)資深顧問。他著有十幾本管理學書籍,最新著作為《下一個工作在這裡》(Only Humans Need Apply: Winners and Losers in the Age of Smart Machines)。


本篇文章主題數據資料