高级分析–企业变革的第四大杠杆

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

高级分析–企业变革的第四大杠杆
简介：  先进的分析和AI是可在企业中实现有机改进的第四大杠杆。我们将描述为什么这与前三个有所不同，以及CEO为何需要数据科学家的直接帮助才能实现这一目标。
如果您是首席执行官或领导大公司的任何其他高级管理人员（或者如果您是试图帮助一家公司的数据科学家），那么实现持续改进的使命就显而易见。最终，您可能会考虑EBITDA或股东价值或一些类似的KPI（例如收入增长或利润增长）。然而，真正的挑战在于知道如何实现这一目标。
我最喜欢CEO的职位描述是：
做一个好的沟通者。
作为战略思想家。
断腿。
一位《财富》 500强公司的首席执行官告诉我，他擅长于三分之二。他没有说。
当然，CEO或其他高级管理人员实际上并不会外出打腿，甚至不会直接雇用，解雇或管理公司的细节运营。他们的工作是成为领导者的领导者，指出并确定当前所需的变革类型和方法的优先次序，并在正确的位置提供和分配足够的资源。
最终，如果您正在寻找可用于创造积极的有机变化的杠杆，那么只有三个地方可以寻找：人员，流程和技术。
先进分析和AI的适合之处
对于那些不了解数据科学方法的人来说，将高级分析和AI集成到所有这些地方可能有些棘手。
这是我们应聘的具有这些技能和知识的特定人群吗？还是更多地是一个过程，就像人们思考问题的方式一样（基于数据分析）。还是我们需要获取和集成的一组技术？
嗯，是。而这使得它变得棘手，这只是所有这些事情的一部分。如果您习惯于将人员，流程和技术视为独立的杠杆，那么您可能会错过高级分析和AI如何推动变革的重要部分。
关于变革杠杆的一点历史
您可以从1990年代初至今的四个历史悠久的有机公司改进主要推动因素中取得一条直线。我知道。在转向数据科学之前，我曾在管理顾问的职业生涯中看到过它。
在90年代初，主要手段是过程改进和过程价值分析。这样做的核心是打破“部门”之间的传统组织孤岛，并勾画出主要工作要素跨越那些经常围困的群体的路径。
您可以节省人们在任务上花费的大量时间，并显着加快所需的最终结果的速度。这将节省大量资金并更好地为客户服务，基本上可以用更少的钱做更多的事，并利用资源来提高效率。
到90年代中期，我们开始考虑重新设计。有人记得汤姆·达文波特（Tom Davenport）开创性的书吗？《过程创新–通过信息技术重新设计工作》？那是短语的来源。
重新设计是过程改进和信息技术的结合。但是我们不再关心使现有流程变得更好。我们可以自由想象如果在IT的帮助下如何创建全新的流程。
首先，这涉及指定和开发大型且精心设计的定制软件解决方案。它虽然很慢而且很昂贵，但可以带来极大的利润改善，确实可以让您从竞争对手中脱颖而出。
在90年代末，甲骨文，PeopleSoft和SAP等大型软件公司根据我们在定制再造方面的早期经验，创建了大型标准化ERP系统。它仍然很昂贵，但至少有人在照顾标准化软件。这些新平台具有大多数最佳实践。我们将其称为Package-Enabled Reengineering。
在90年代末和2000年代初，我们从信息技术作为工具转向了信息技术，该技术用来揭示锁定在我们存储的信息中的价值。当时我们称此为信息时代的开始。如今，由于我们现在已经了解到所有EDW数据都是历史性的，并且基本上是向后看的，因此将其称为商业智能时代更为准确。EDW是我们的工具，因此诞生了“数据挖掘”一词。
先进的分析和人工智能–变革的第四把杠杆
到2000年代中期，主要基于SAS和SPSS的高级分析的最早商业基础已经很容易识别。我从2001年开始从事业务，现在生意还很薄。我花了大部分时间向客户解释什么是预测建模，当时我真的希望那能给我带来更多收益。
确实直到大约2012年，一个公认的不准确的估计，董事会成员才意识到高级分析是下一个巨大的竞争优势。这也标志着数据科学家的招聘热潮以及Hadoop的最早商业采用以及第一个由深度学习驱动的消费者应用程序。
为什么要花这么长时间
将人员，流程和技术作为单独的实体进行管理是高管们很满意的事情。通过阅读一本好书，可以很好地理解流程改进，再造工程，甚至是商务智能的概念，而公司对其的采用也反映了这一点。这些先前的重大变革杠杆都不需要超过两到三年的时间就能跻身《财富》 500强企业的大多数。
那么，为什么高级分析和AI需要这么长时间才能达到采用的关键水平？顺便说一句，尽管仍然没有确定的调查或研究，但我的猜测是2018年是拐点。
首先，我们的专业和工具集的能力和成熟度比其他人需要更长的时间来开发。从预测建模到具有优化的说明性建模，再到NoSQL和深度学习已经有十多年的历史（通过商业上可接受的工具和技术进行衡量，而不是从其较早的学术根源开始）。
其次，由于生产力下降和缺乏标准化而造成的数据科学家短缺，这使我们变得有些自欺欺人。当我们认为用R编写代码比使用新近兴起的拖放式平台要好时，就会导致生产率下降和缺乏标准化。  那些现在正在演变为更简单，更快，更准确的自动化ML工具，有助于减轻人才短缺。
第三，由于等待硬件和云环境满足我们的需求，我们的开发工作有所延迟。
但是，当前采用的最大障碍可能就是我们前面讨论的内容，要拥抱高级分析和AI，就需要以一种全新的集成方式来思考人员，流程和技术。
正如麦肯锡所说，高级分析价值链中最有价值的人现在是Analytic Translator。那是可以将业务问题转化为数据科学项目并使其得以实现的家伙。
与以前的变革杠杆相比，多种形式的数据科学是一种更为复杂的工具集。看到改善的机会需要了解什么是可能的以及陷阱的所在。这不仅仅需要快速阅读最新流行的书。它需要对数据科学的所有功能有深入的了解。
如何使它发生
因此，现在我们与您全面交流，这是使高级管理人员看到机遇的关键。
CEO想要和需要的不是数据科学教育。它是一组布局简单且呈现良好的选项。我们称其为基于高级分析和AI的改进项目组合（PIP）。
您，数据科学家Analytics Translator最有资格领导此工作，但这是团队合作的结果，因为它需要特定目标流程方面的专家，分析人员来获取历史数据以及擅长估计成本和收益的人员。
您建议的每个项目都应进行以下评估：
净收益和投资回收期
内部和外部所需的投资和资源
成功的可能性
风险
资源限制
项目之间的相互依赖性（限制顺序和时间）。
这些似乎是任何优秀项目经理都会评估的共同要素，除了您需要对数据科学的工具和技术所施加的特殊要求使用独特的见解。
另外，您应该准备好并非所有高管或组织都可以以相同的方式对它们进行排名。尽管“净收益”，“回报时间”和“投资”（ROI的基础）似乎是最重要的，但我个人还是遇到了一些CEO，他们更加重视规避风险和成功的可能性。
该计划应有多详细
这取决于您在组织中的工作位置。如果您在首席执行官级别工作，则高管可能会指导您仅提供价值超过特定阈值的机会，例如可能导致EBITDA改善超过1000万美元的机会。
您还需要确定这是自下而上还是自上而下的估计。例如，您的团队可能会得出结论，认为有大量与预测性维护相关的较小项目，因此选择进行（充分支持）全局估计。
或者，如果您有时间和资源，那么如果您为每个最大的预测性维护项目制定一个计划，然后将它们汇总起来，则可能更容易从受影响的群体那里获得最终认可。这种自下而上的方法将在执行过程中产生更好的估计并在以后进行更多合作，但是这将花费大量时间和资源。
麦肯锡的下图说明了如何汇总采矿公司预防性维护的自下而上的估算。
最终，您需要由高级数据科学家和Analytics Translator来创建高级管理人员可以快速理解的改进项目组合，然后用来选择和确定优先级的项目，以使这一伟大的新的第四条变更杠杆有效。
1

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：企业变革 Engineering engineerin peoplesoft Analytics