哈佛教你精通大數據

《哈佛教你精通大數據》瞄準目前已成「顯學」的「大數據」（Big Data），精選《哈佛商業評論》2012到2013年的八篇重量級相關文章。其中，有「知識管理大師」美譽的湯瑪斯．戴文波特（Thomas H. Davenport），更是本文集的最重要作者，共收錄了三篇他在《哈佛商業評論》發表的大作，其中包括分析工具的進階、決策方式的發展，甚至還詳解「資料科學家」這個即將成為企業不可或缺的重要職缺，將為未來商業環境投入多麼巨大的變化！

向來以洞燭趨勢，率先引領先驅觀念的《哈佛商業評論》，當然也沒有在「大數據」的浪潮中缺席，甚至在這股浪潮尚未蔚然成風之前，就以各種不同的角度，計有「整體定義」、「因應趨勢」、「管理能力」、「人才培育」、「基礎建置」、「品管把關」、「實務運用」，推出論述與實務兼具，充滿啟發性與實用性的內容。

在快速運轉的商業環境中，《哈佛教你精通大數據》告訴你，你可以不是資料科學家獲資訊長，但一定要了解「大數據」，才能讓你的職涯，企業的發展同步upgrade。

本書依文章屬性，包括四個重點：
(1) 趨勢：解析何謂「大數據」，企業運用時該做哪些準備。
(2) 管理：配合「大數據」時代來臨，主管該具備的能力。
(3) 執行：運用「大數據」之前，企業應先做好哪些「基礎工程」。
(4) 應用：在銷售、廣告、行銷方面，「大數據」如何發揮功效。

科技部長 張善政 推薦序
趨勢科技 大數據案例分享
台積電 大數據案例分享(清大簡禎富教授撰文)


本書特色
身處這股資訊新浪潮之中，如何善用「大數據」（Big Data）改造決策、營運、人才、組織、銷售，將是企業未來的決勝關鍵！

《哈佛教你精通大數據》集結全球頂尖的管理刊物《哈佛商業評論》的八篇重量級相關文章，強調「大數據」是「不是資訊長也該了解的新策略工具」！簡單來說，這是提供經理人一個如何全方位了解「大數據」，進而精準應用，使其成為企業與個人成長發展的利器。

本書作者包括許多資訊科技與管理方面的大師級學者，以及深具實戰經驗的企管顧問、高階主管及科學家等。其中最知名的，當然就是有「知識管理大師」美譽的湯瑪斯．戴文波特（Thomas H. Davenport）！在本書中，這位重量級作者以深入淺出的方式，從理論面到實務面全方位透析你不可不知的「大數據」！

【趨勢篇】
000 管理的資訊革命
Big Data: The Management Revolution
安德魯．麥克菲 Andrew McAfee
麻省理工數位業務中心（MIT's Center for Digital Business）首席研究科學家，著有《企業2.0》（Enterprise 2.0）。

艾立克．布林約爾松 Erik Brynjolfsson
麻省理工史隆管理學院（MIT's Sloan School of Management）講座教授，數位業務中心主任，與安德魯．麥克菲合著《和機器競跑》（Race Against the Machine）。

000大數據3.0版
Analytics 3.0
湯瑪斯．戴文波特 Thomas H. Davenport
貝伯森學院（Babson College）資訊科技與管理學傑出教授、麻省理工學院數位商務中心（MIT Center for Digital Business）研究員、德勤分析（Deloitte Analytics）資深顧問，也是國際分析研究所（International Institute for Analytics）共同創辦人；本文的理念是為該研究所發想的。他與人合著的書包括《跟上量化專家的腳步》（Keeping Up with the Quants, HBR Press, 2013）和《大數據實務》（Big Data at Work，即將由HBR Press出版）。

【管理篇】
000打造專家級決策
Keep Up with Your Quants
湯瑪斯．戴文波特 Thomas H. Davenport

000 企業最誘人的職缺
Data Scientist: The Sexiest Job of the 21st Century
湯瑪斯．戴文波特 Thomas H. Davenport
帕蒂爾 D.J. Patil
葛雷洛克合夥公司（Greylock Partners）的資料科學家，曾任LinkedIn資料產品主管，著有《資料柔術：化資料為產品的藝術》（Data Jujitsu: The Art of Turning Data into Product, O'Reilly Media, 2012）。

【執行篇】
000誰需要巨量資料？
You May Not Need Big Data After All
珍．羅斯 Jeanne W. Ross
麻省理工史隆管理學院（MIT Sloan School of Management）資訊系統研究中心（CISR）所長及首席研究科學家。
辛西雅．比思 Cynthia M. Beath
德州大學奧斯汀校區（University of Texas at Austin）榮譽教授。
安．闊格拉斯 Anne Quaadgras
CISR研究科學家。

000盡信資料不如……
Data's Credibility Problem
湯瑪斯．雷曼 Thomas C. Redman
納維興克諮詢集團（Navesink Consulting Group）總裁，著有《資料賺錢術》（Data Driven: Profiting from Your Most Important Business Asset, HBP, 2008）。他曾為本文提及的一些公司作過諮詢。

【應用篇】
000小市場大獲利
Selling into Micromarkets
曼尼許．高亞爾 Manish Goyal
麥肯錫公司（McKinsey & Company）達拉斯分公司合夥人。
瑪麗安．韓考克 Maryanne Q. Hancock
麥肯錫公司亞特蘭大分公司合夥人。
賀馬永．哈塔米 Homayoun Hatami
麥肯錫公司巴黎分公司合夥人，與人合著有《銷售成長：世界銷售領導人的五項有效策略》（Sales Growth: Five Proven Strategies from the World's Sales Leaders, Wiley, 2012）。

000廣告分析學2.0
Advertising Analytics 2.0
韋斯．尼可斯 Wes Nichols
總部設在洛杉磯的MarketShare全球預測分析學公司共同創辦人兼執行長。

2.譯者：
許瑞宋、侯秀琴、洪慧芳、羅耀宗、李明、黃秀媛。

打造專家級決策
Keep Up with Your Quants

湯瑪斯．戴文波特 Thomas H. Davenport
幾年前，美國某大銀行的資深計量分析師告訴我：「我不知道我們為何不把房貸從帳上移除。我有個模型清楚顯示，很多房貸都無法償還，我把那個模型傳給我們的房貸部負責人。」
我問房貸部負責人為何忽略那項建議，他回應：「如果分析師給我看模型，那並不是我能理解的方式，我甚至不知道他的部門在分析還款機率。」後來那家銀行因房貸壞帳，而慘賠了數十億美元。
我們活在大數據的時代。無論你從事的行業是金融、消費品、旅遊和交通運輸，或是工業用品業，分析已是組織必備的競爭要件。但正如前面的銀行例子所示，光有大數據，甚至有人熟悉數據的運算，是不夠的。經理人也需要和計量專家有效合作，才能確保他們的工作，可以產生更好的策略和戰術決策。
對熟悉分析的人，這並不是問題，例如有麻省理工學院博士學位的凱撒娛樂公司（Caesars Entertainment）執行長蓋瑞．拉夫曼（Gary Loveman）、普林斯頓大學主修電機與電腦科學的亞馬遜網站執行長傑夫．貝佐斯（Jeff Bezos）、從史丹福大學資訊科學博士班輟學的Google創辦人賴瑞．佩吉（Larry Page）和謝爾蓋．布林（Sergey Brin）。但如果你是典型的高階主管，可能只在大學修過一、兩門數學和統計課程，也許你很擅長使用試算表，知道怎麼做長條圖或圓餅圖，但對於分析，往往感到計量知識不足。
那麼對你來說，這股「資料導向決策」的趨勢意味著什麼？你如何避免像那位房貸部負責人落入虧損的命運，領導公司走向分析改革，或是至少能夠嫻熟了解分析技巧？本文是為非計量專家撰寫的入門文章，以高階主管的廣泛訪談內容為基礎，受訪者包括我擔任教職時的學生，以及我擔任顧問時的客戶。

你，當個專業用戶
一開始，先把自己想成分析資料的用戶，資料的生產者是計量專家。你做決策時，會結合他們的分析報告與模型，與你的業務經驗和直覺。這些計量專家當然很擅長收集現有的資料，並預測未來，但他們大多缺乏足夠的知識，難以找出假設和相關變數，也無法得知組織根本的變動。身為資料用戶，你的任務很重要，必須提出假設，並判斷在瞬息萬變的商業環境中，分析的結果和建議是否合理。也就是說，你必須承擔幾個關鍵責任，有些只需要改變態度和觀點，有些則需要一些研究。

責任1：學一點分析
如果你還記得大學統計課的內容，你可能就沒什麼問題。如果不記得了，你可以加強迴歸分析、統計推論、實驗設計的基本知識。你需要了解做分析決策的過程，包括何時該以用戶的立場介入，要求設計分析模型的計量專家，解釋每個模型的假設，加以答辯（見邊欄：「分析導向決策六大步驟」）。知名的統計學家喬治．波克斯（George Box）曾說：「所有模型都是錯的，但有些很實用。」換句話說，模型刻意簡化了我們複雜的世界。
為了更了解資料，你可以報名高階主管教育課程的統計課、上網修課，或是和公司內部的計量專家密切合作幾個專案，向他們學習。
信諾集團（Cigna）的臨床營運部副總裁珍妮弗．喬伊（Jennifer Joy）採用第三種方式，她擁有護理和企管碩士學位，但對自己的分析技巧不是那麼有信心。不過她知道，平日收到的電話客服中心長篇報告並未告知，他們打給患者的指導電話，是否真的能幫患者控管疾病，避免就醫。
所以，喬伊去找信諾的分析部門，尤其是實驗設計的專家，因為實驗設計是唯一可能顯示因果關係的分析方法。例如，她得知可以做測試性研究，以了解目標顧客當中的哪個群組，從電話客服中心的服務當中受惠最多或最少。具體的做法是，先使用分析資料來為患者「預先配對」，然後隨機從配對中挑出一人接受電話服務，另一人則接受其他服務，例如郵購或透過網路提供支援。每個測試性的研究只延續兩、三個月，並同時進行多項研究，所以，現在喬伊可持續獲得各種服務效果的資訊。
最後，喬伊和合作的計量專家發現，指導電話對某些疾病的患者有效，對其他患者無效，因此她調動了一些客服員工。現在，喬伊的部門每年做二十到三十個這類測試，以了解哪些服務真的對病患有效。她可能不了解所有方法的細節，但信諾的美國研究與分析部副總裁麥可．卡森斯（Michael Cousins）證實，喬伊變得「非常分析導向」。

責任2：搭配合適的計量專家
卡爾．肯普夫（Karl Kempf）是英特爾（Intel）決策工程部的領導人之一，在公司裡以「超級計量專家」或「首席數學家」著稱。他常說，有效的計量決策「重點不在數學，而是關係」。他的意思是說，如果計量專家和資料用戶培養互信的深厚關係，可自在地交流資訊與想法時，就能得到更好的結果。
當然，擅長分析的人不見得擅長社交，所以要培養這種關係可能很難。某位幽默人士半開玩笑地建議：「去找跟你說話時盯著你鞋子看，而不是盯著自己鞋子的計量專家。」不過，還是有可能找到溝通良好、又喜歡解決商業問題而非數學問題的人，而且你跟他建立關係之後，就能鼓勵彼此坦白交流，願意根據資料提出異議。
美國銀行（Bank of America）的凱蒂．諾克斯（Katy Knox），學會如何與產生分析資料的人搭配。她是消費金融處的零售策略與配銷部負責人，監督5,400多家分行，服務五千多萬名消費者和中小企業。多年來，她一再敦促直屬部屬使用分析做更好的決策，例如，決定要開設或關閉哪家分行、如何縮短顧客的等候時間，什麼誘因可促成多通路的互動，以及為什麼有些業務員的績效特別好。
美國銀行有數百位計量分析師，但他們大多集中在某個部門，經理人不容易接觸到他們。諾克斯堅持她的部門要有自己的分析團隊，她常透過開會和專案報告會議，與計量分析師密切共事。她和兩位分析團隊的領導人賈斯汀．艾迪斯（Justin Addis）、麥可．希濟（Michael Hyzy）合作最密切，他們兩位都有消費金融及六標準差的經驗，所以了解該部門的商業問題，能和他們旗下的計量專家充分溝通問題所在。諾克斯開了先例以後，美國銀行在消費金融處，為分析師設立矩陣式的組織架構，現在，這些分析師大多同時對事業部門及集中化的分析團隊負責。

責任3：把焦點放在開頭和結尾
對大數據的用戶來說，構思問題是分析流程中最重要的階段，構思問題包括找出問題，並了解過去其他人怎麼解決這個問題。這是最需要業務經驗和直覺的部分。假設畢竟只是對世界運作方式的預感，分析式思維的不同之處，在於運用嚴謹的方法來驗證假設。
例如，全視線光學（Transitions Optical）兩家母公司裡的高階主管覺得，這家變色鏡片公司在行銷方面的投資不盡理想，但沒有實證數據可以證實或駁斥這個想法。當時領導行銷部門的格雷迪．藍斯基（Grady Lenski），決定聘請分析顧問來衡量不同銷售活動的效果：把簡單的是非題「成本是否太高」，擴大闡述成有建設性的問題。
如果你不是計量專家，也應該把焦點放在流程的最後一步：向其他高階主管說明與溝通分析的結果，因為那是許多計量專家低估或忽視的環節。分析大致上就是「說明數據資料」，你偏好用什麼方式說明？會採用哪種用語和調性？應以敘事的方式說明，還是用視覺圖象表達？你喜歡哪一類的圖象？無論計量專家的分析有多複雜，都應該鼓勵他們以簡單明瞭的方式說明分析結果，好讓大家都能了解，或者，你應該幫他們說明。大家通常很難接受統計方法式的講解，例如「我們先做卡方檢定，接著把類別資料轉為順序資料，然後跑邏輯迴歸，之後再把經濟數據往後挪一年。」
許多企業人士是以投資報酬率（ROI）來說明：新的決策模型如何提高轉換率、營收或獲利？例如，默克藥廠（Merck）一位負責全球事業單位的高階主管，和公司內的商業分析團隊密切合作多年，以解決多種問題，包括直接對消費者做促銷的ROI是多少。在ROI分析之前，他先和團隊討論，若發現促銷非常有效、有點效果，或是沒有效果時，會採取什麼行動，以釐清那些分析不只是學術研究而已。分析完後，這位高階主管會請分析師和他的管理團隊一起開會，簡報與討論結果。

責任4：在過程中提許多問題
美國前財政部長賴瑞．桑默斯（Larry Summers）曾擔任某個計量避險基金的顧問。他告訴我，他擔任那個職務的主要責任是監督，也就是對那些聰明計量專家的模型和假設，提出一樣聰明的問題。很多計量專家過去從未受過那樣的質問，他們需要聰明的資料用戶，幫他們透徹地思考與改善本身的分析工作。
無論你多麼信任計量專家，都不要停止詢問他們困難的問題。以下的問題，幾乎一定都能促成更嚴謹、更穩健的分析。如果你聽不懂他們的答覆，請他們用更簡單的用語再說一次。
1.你的數據資料從哪裡取得？
2.樣本資料的全體代表性如何？
3.你的資料分布中包含離群值（outlier）嗎？它們對結果有何影響？
4.你的分析背後有什麼假設？某些條件可能讓你的假設與模型失效嗎？
5.你為什麼決定用那種分析方法？曾考慮過哪些不同的分析方法？
6.獨立變數導致相依變數改變的可能性有多高？其他的分析方法，可以更清楚確定因果關係嗎？
法蘭克．弗里德曼（Frank Friedman）是德勤（Deloitte）美國事業的財務長，向來很積極發問。他找來一些資料科學家和計量分析師組成團隊，幫他做了好幾個計畫，包括找出最適服務定價、設計能預測員工績效的模型、找出影響應收帳款的因素。「和我共事的人都知道，我很愛問問題，什麼都問。」弗里德曼說：「被我問過以後，他們都知道必須回去重做一些分析。」他也認為，不懂時坦白承認很重要，「我知道自己不是會議中最聰明的人。我總是要求大家講清楚一點，因為我若是無法清楚表達那些資料，就無法對別人答辯。」

責任5：培養探究而非倡議的文化
我們都知道：「數字會騙人，騙子會玩弄數字。」分析資料的用戶不該對計量專家施壓，講出類似下面的話：「你能不能從資料中找些證據，來支持我的想法。」明確目標應是找出真相，就像默克藥廠商業分析部的負責人說的：「管理團隊希望我們像瑞士一樣中立，我們只為股東工作。」
其實，有些高階主管會要求分析師刻意站在反方提出質疑，如此可為企業文化適當定調，有助於改善模型。「所有的組織都想討好領導人，」凱撒娛樂公司的拉夫曼指出，「所以很重要的是，要培養只評估觀點的企業文化，不管那個觀點是誰提出的，並堅持觀點必須有嚴謹的證據支持。」
拉夫曼鼓勵部屬提出資料和分析，而不是意見，並坦白指出自己的錯誤假設、結論和決定，他稱那些為「考慮欠周的差勁觀點」。這麼一來，經理人和計量專家都了解，他有時也會有的差勁觀點，就跟其他人一樣，需要接受客觀、公正的測試。例如，他常說，他剛擔任執行長時的最大錯誤，就是沒開除不願跟他一樣重視分析的那些物業經理，他以為他們的經驗就夠了。拉夫曼舉這個例子來說明他也可能犯錯，以及他堅持使用分析資料。

分析提升決策力
巴菲特曾說：「小心老是談公式的電腦怪才。」但在這個資料導向的世界裡，你無法不注意他們。你需要結合分析科學和直覺藝術。身為經理人，你應該了解那些電腦怪才，了解他們的公式，協助改善他們的分析流程，有效地向其他人詮釋與傳達分析的結果，最後還要能做出更好的決策。
我們來比較本文一開始提到的那家銀行，和多倫多道明銀行（Toronto-Dominion Bank）。多倫多道明銀行的執行長艾德．克拉克（Ed Clark）擁有經濟學博士學位，很熟悉計量科學，他也堅持，旗下的經理人必須了解公司所有金融商品背後的數學原理。所以，他們避開了風險最高的商品；2008到2009年的金融危機期間，他們在尚未出現重大虧損以前，出脫了其他高風險商品。
多倫多道明銀行對數據資料和分析的重視，也影響了事業的其他領域，例如，薪酬和績效管理的指標密切相連。他們各分行的營業時間，也比其他銀行長，因為消費金融處的前負責人賀麒添（Tim Hockey），堅持系統化測試延長營業時間的效果（與對照組作比較），結果發現，延長營業時間可以吸引更多存款。如果有人在主管會議上建議新方向，高層會要求他提出數據資料和分析來佐證。克拉克坦言多倫多道明銀行並不完美，但「從來沒有人指責我們不研究數字」。
你的公司可能不像多倫多道明銀行那樣注重分析，你公司的執行長可能跟克拉克不一樣，但你自己還是可以成為優秀的分析資料用戶，成為公司其他人的模範。
（摘自本書第三章）