在我们撰写本书的2024年，商业环境的特点是数字技术和实践的日益普及，这通常被称为“业务转型”或“工业转型”。这种转型并不是第一次。迄今为止，世界经历了三次工业转型，每次都由新技术推动：蒸汽动力（大约始于1760年代）、电力和大规模生产（从19世纪中叶到1910年代）以及计算机化（从20世纪末到现在）。本章将解释当前转型与之前的转型有何不同，并阐述为什么我们认为增强分析（Augmented Analytics，简称AA）能够很好地解决许多企业目前面临的问题。
增强分析意味着提供人们访问技术的途径，这些技术能够为他们提供所需的分析杠杆，以更好地完成手头的业务任务。如果你以前听说过这个术语，可能会将其与Tableau仪表板中的自动预测联系起来；但这不是我们在这里讨论的内容。AA需要一种更全面的方法才能真正起飞。我们将在第3章中更深入地定义AA。
在此之前，让我们稍微放大视角，探索一下使得在当今世界中使用AA成为保持竞争力的必要外部驱动因素。
为什么企业正在进行转型
我们目前正处于计算机化和信息化时代，许多专家认为，人工智能将推动这一工业转型的下一个阶段。那么，这一阶段的商业转型有什么特别之处呢？我们认为，有四个主要因素在起作用，我们将在本节中逐一探讨。
因素1：变化的速度
数字转型的速度远远超过了之前的转型，要求企业具备敏捷性并迅速适应。例如，蒸汽动力经济的完全转型花费了数十年；大规模生产大约用了半个世纪；计算机化大约用了20到30年。相比之下，数字转型在某些行业中仅仅用了几年。需要明确的是，大多数公司和组织并不适应这样的速度；在这种环境中取得成功需要卓越的领导力和组织灵活性。
对于企业而言，这种快速变化的节奏带来了更大的压力，需要跟上步伐并保持竞争力。每个街角的书店突然要与像亚马逊这样的公司竞争；每家出租车公司都要与提供卓越客户服务并建立在世界级数据分析基础上的Uber竞争。但竞争不仅来自颠覆性的玩家。即使是传统企业也开始自我颠覆。例如，制造业中的工业4.0转型，包括采用智能工厂和物联网（IoT）设备来优化生产过程和提高效率。
因素2：多种技术的融合
以前的工业转型主要由一两个关键技术驱动，如蒸汽和电力。但数字转型涉及将人工智能、云计算、数据分析和物联网等技术融入制造业，这些技术本身就有可能颠覆整个行业。
2010年代和2020年代的计算、网络和存储技术的进步，带来了显著改变企业运营方式的新技术和服务。这使得当前阶段的数字转型变得更加复杂和多维。很难预测未来的发展方向并成功导航。颠覆可能在一夜之间发生，例如在消费电子和零售领域，或者可能需要多年。例如，虽然可再生能源大约在20年前开始对能源部门造成影响，但在大多数国家，它仍远未成为主流能源。
因素3：数据的重要性
数字转型往往需要对商业模式和组织对数据的思考方式进行根本性改变。在之前的工业革命中，数据“自然发生”：你知道卖了多少辆车，需要多少材料，有多少员工，等等。你在事后分析数据以改进流程。不要误解我们——这本身就是一件大事。在计算机化的黄金时代，这推动了整个商业智能软件行业的发展，包括数据库供应商和可视化工具。然而，在数字时代，数据已经从一种“发生”的状态演变为一种“必须发生”的状态。
根据2022年麦肯锡报告，数据的创建、捕获、复制和消耗的量仍在以空前的速度增长。如图1-1所示，这一趋势已经持续了十多年，并预计将继续保持。
大多数组织已经找到了应对海量数据的现代技术方案：便宜的存储、高性能计算和低延迟网络能力催生了一波新的产品，消费者和企业都喜欢并接受这些产品，如流媒体服务、社交媒体平台和电子商务网站。对这些新服务的采用不仅推动了数字生态系统的发展，还实际上产生了推动它的燃料：数据。
然而，大多数数据并不是干净的、表格式的数据，容易进行分析，而是非结构化数据，如文本、图像和视频。企业在各个领域生成非结构化数据，例如，通过社交媒体、客户互动和物联网传感器。在许多情况下，技术只能在一定程度上提供帮助；需要人类的分析技能来理解数据。大多数企业仍然在应对这种不断增长的复杂性方面挣扎。
因此，公司必须战略性地思考需要收集哪些数据、如何收集数据以及从中可以获得哪些洞察（在某些行业中，这些洞察甚至可以实时获得）。这需要一种全新的数据范式，并且通常会驱动公司新增角色。
有些人将当前经济中的数据与“旧经济”中的石油进行比较，认为它是驱动资源。但我们认为这是一个不恰当的比较。与石油不同，数据在使用时不会被消耗。相反，我们与数据互动越多，就会获得更多的数据。数据也不是稀缺资源：它可以通过多种方式生成和收集。唯一的相似之处在于，无论是石油还是数据，未经精炼的价值都要低得多。这两种资源都需要经过彻底的清洗、准备和治理过程，才能用于商业目的。某种程度上，每个公司都必须学习这些技能，即使它以前从未处理过数据。
因素4：消费者行为的变化和客户中心化
当人们第一次看到iPhone时，他们再也不想要其他手机了。“谁需要手写笔？”史蒂夫·乔布斯在标志性的2007年iPhone发布会上著名地问道，指着空中。从那时起，消费者已经习惯了触摸屏，而不是机械键盘或塑料笔。iPhone迎合并预测了客户的需求，但如果没有多点触控显示、高计算能力和长电池寿命等基础技术创新，这一切是不可能实现的。
自那时以来，许多其他行业也经历了自己的“iPhone时刻”。例如：
- Shopify 向小商店老板展示了运营自己电子商务店铺不必困难或昂贵。
- Tesla 向汽车买家展示了电动汽车的优越性能——以及驾驶的乐趣和轻松。
- Amazon Prime 改变了人们购物的方式，使次日达成为常态，提高了客户服务的期望标准。
- Netflix 革新了我们消费视频内容的方式，引入了追剧模式和基于观看历史的个性化推荐。
这些只是几个例子。我们并不赞同这些品牌或服务——我们只是想展示，数字转型跨越了所有行业，并且往往受到消费者行为和期望变化的驱动。
受数字转型严重影响的行业
麦肯锡研究人员在2011年的一项研究中调查了大数据对不同产业的影响，这项研究是图1-2的来源。（虽然自那时以来技术发生了很大变化，但这些行业的技术重要性没有改变，关键挑战也保持了惊人的稳定性。）表1-1描述了一些被当前商业转型过程极大影响的行业，它们面临的关键挑战，以及它们如何利用数据和分析来应对这些挑战。
表1-1. 受数字转型影响的行业、它们面临的挑战以及它们如何利用数据和分析
| 行业 | 原因 | 关键挑战 | 用例示例 |
|---|---|---|---|
| 农业 | 满足不断增长的食品需求，同时解决可持续性问题 | 最大化作物产量 优化资源使用（如水、肥料） 寻找熟练工人 遵守可持续性标准 | 精准农业 实时监控作物生长和土壤条件 自动化 确定最佳资源使用模式 |
| 商业保险 | 保险市场中出现了强大的动态，新技术需要用新的技术产品和分析解决方案来应对 | 处理工业物联网（IIoT）需求、B2B流程、数据驱动的承保和定价 | 营销和销售的商业效率 定价和承保的卓越 理赔管理的成本降低 优化运营的费用降低 |
| 金融 | 金融科技的兴起 客户对个性化、便宜和数字化金融服务的需求增加 遗留技术基础设施 监管障碍 安全问题 | 实时欺诈分析 信用风险建模 投资决策支持 自动化报告生成 | |
| 医疗 | 人口老龄化 对个性化和高效医疗服务的需求增加 寻找熟练工人 控制成本 符合监管标准 | 个性化医学和治疗计划 预测诊断 自动化 通过数据分析识别潜在的成本节约 | |
| 信息技术 | IT在推动所有行业的数字转型中发挥关键作用 | 跟上新兴技术 管理数据安全和隐私问题 流程自动化 增强的网络安全 数据驱动的决策制定 | |
| 制造 | 成本压力增加和质量期望提高 生产和供应链全球化 减少停机时间 优化供应链 提高产品质量 减少浪费 | 预测性维护 实时监控生产过程 优化供应链物流 优化规划 | |
| 运输 | 交通脱碳化 新兴的自动化和共享出行选项 开发新业务模型 应对自动化出行的监管和安全问题 | 提高运营效率 优化运输路线 预测需求 减少车队停机时间 评估环境影响 确保安全和合规 | |
| 公用事业 | 脱碳化和去中心化 对可再生能源和电网稳定性的需求增加 成本效益 电网稳定性 | 将可再生能源整合进电网 需求预测和负荷平衡 优化能源生产和分配 电网管理 |
对你业务的影响
在过去，转型主要集中在优化流程和降低成本上。例如，精益生产和六西格玛，这些都致力于提高效率和减少浪费，是上一场工业革命中的流行趋势。这些框架主要是从内部视角驱动的：我们能做得更好、更便宜吗？没人问过客户需求的“什么”和“为什么”。
然而，现在公司需要将注意力高度集中在客户及其需求上，这涉及到理解他们的旅程并为他们创造无缝的体验。为什么？因为这是可能的。得益于数字技术，公司可以轻松收集大量关于客户的数据，并进行分析以获取他们的行为、需求和偏好洞察。因此，以客户为中心已经成为在当今市场上保持竞争力的必要组成部分。正如我们将在第二章中解释的那样，分析是支持组织管理这种转型的绝佳方式，同时也是最大的挑战。
根据最近的Gartner研究，少于一半的数据和分析领导者报告称他们的团队实际上为组织提供了价值。受访者提到的核心问题是，分析已经陷入僵局，数据驱动的决策往往对普通员工而言“过于复杂”或“过于技术性”。
创新一直向我们展示，推动任何技术大规模采用的方法就是让它变得更简单、更易用。回想计算机的早期时代，操作计算机的想法对大多数普通人来说是令人生畏的。计算机仅限于那些能够处理复杂编程命令的技术人员。然后出现了图形用户界面、桌面，以及——也许最关键的是——鼠标。这些看似简单的发明将计算机从专家的领域转变为每个人的游乐场。曾经被代码行所吓倒的人，现在可以轻松地点击和拖动。这些创新弥合了复杂技术与普通用户之间的巨大差距。
同样，手机曾经只是用来打电话和发短信。但用户友好的触摸屏、直观的界面和应用生态系统的引入，使它们转变为无处不在的、不可或缺的工具，从摄影到导航再到银行业务。这些技术转变展示了一个基本原则：要实现广泛的采用，技术需要直观、易用，并且需要迎合用户的自然倾向和行为。
分析世界也不例外。使用分析但不是数据专业人员的人占据了劳动力的绝大多数：约80%。这些人可能从未对深入研究复杂数据集、筛选原始数据或理解复杂分析工具感兴趣。与其让他们来适应数据世界，不如把数据带到他们身边。
没有增强分析，就没有分析转型
我们作者有一个强烈的观点：不利用现代技术如AI和自动化的分析无法满足运行盈利业务的需求。为什么？因为你将无法将分析扩展到组织的全部劳动力。
考虑大数据的三个主要理念：体量、速度和多样性。传统的分析主要处理体量。通过现代技术和便宜的存储，我们现在也可以快速而廉价地处理大量数据，解决速度问题。然而，企业真正面临的挑战是第三个V：多样性。从复杂数据中获取洞察的挑战只会越来越难。
想象一个中型公司从众多来源（如内部系统、客户互动、社交媒体、第三方提供商等）收集大量数据。每个数据源都有其独特的结构、格式和可靠性水平，还有各种数据类型：结构化数据（如销售数字）、半结构化数据（如客户反馈）和非结构化数据（如社交媒体评论）。
当公司尝试从跨功能数据中得出洞察时，这种复杂性就会加剧。假设营销团队希望了解最近的促销活动对销售的影响。这需要在一定时间内整合和分析来自营销和销售系统的数据，可能还包括市场趋势和竞争对手活动等外部数据。
在这里获得可操作的洞察超出了传统分析的能力范围。你无法在手动的Excel表格或静态的、过载的商业智能（BI）仪表板中解决所有这些问题。公司的数据很能代表今天的数据：混乱、矛盾且难以理解。
虽然技术挑战也在影响因素中，但理解所有这些内容的困难主要是由于缺乏分析成熟度。只有少数“数据专家”处理这些话题——而在一些组织中，“数据专家”只是最擅长使用Excel的人。
数据驱动的文化
拥有最好的工具和技术很重要，但没有正确的心态，它们的用处不大。数据驱动的文化是一种组织文化，在这种文化中，数据不仅被重视，而且是必需的。这是一种常问“数据怎么说？”的问题的文化。为了真正发挥分析的影响，组织需要培养一种好奇、分析和总是渴望洞察的心态。
然而，大多数公司仍然缺乏这种数据文化。事实上，大多数公司仍在基本的数据素养方面挣扎，Gartner将其定义为有效读取、解释、理解和传达数据的能力。根据2020年Qlik的研究，“只有约24%的业务决策者，从初级经理到高管，都对自己读取、处理、分析和传达数据的能力感到完全自信。”这意味着大多数员工还没有足够的技能来分析和解读数据。
幸运的是，拥有正确的文化和成熟度，组织可以充分利用数据来指导决策和战略。
“人力问题”和技能提升的局限性
在前三次工业革命期间，雇主拥有优势，能够控制员工且竞争较少。泰勒主义在员工可以轻松找到替代工作的世界中是无法实现的。然而，今天的主要经济体（如美国、欧洲、日本等）面临着完全不同的问题：一个“人力问题”。他们面临人口老龄化和劳动力缩减。因此，这对数字转型意味着什么？很简单：你不能仅仅替换你的劳动力。即使你的业务有经济实力且当地劳动法允许，也没有足够的人力资本来填补这一空缺。
利用现有劳动力，包括员工的独特技能和贡献是至关重要的。但由于许多这些员工缺乏必要的数字或数据素养技能，每个企业都需要创建一种学习和技能提升的文化。我们不是在谈论一个为期三天的研讨会：让人们准备好迎接数字时代并保持竞争力，需要硬技术技能、协作、适应能力和持续学习的心态。
因此，提升劳动力的技能可能是每个主要企业在2020年代和2030年代将经历的最大文化变革。Gartner Research预测，这种文化转变将对数字转型努力的成功或失败产生最大的影响。
但这里有个问题：提升劳动力的技能可能无法解决你的问题。实际上，我们相信大多数企业将永远无法成功提升所有员工的技能，尤其是在数据分析方面。是时候接受这一点了，就像不是每个人都想成为程序员一样，不是每个人都想成为数据专家。相反，我们需要通过技术来赋能他们，以便他们可以更好地做他们的工作，并以数据驱动的方式进行工作。但这怎么可能？一些组织创建了独立的分析团队，实质上建立了内部咨询公司。但这导致了进一步分离关注点，而不是使公司的数据能力民主化。
解决方案是与员工现状相匹配。期望所有角色具备通用的高级分析专业知识是不现实的。相反，给员工提供增强他们现有数据技能和能力的工具和接口。这种务实的方法认识到大规模技能提升的局限性，同时仍然支持更广泛的数据使用。
增强分析（AA）旨在将分析带给人们，而不是强迫他们成为分析师。正如鼠标使计算机用户友好一样，AA旨在使数据分析对大多数人变得可访问、直观和（最重要的）可操作。这是从数据驱动到洞察驱动的方法的过渡。
结论
你已经了解了商业转型的发生方式和原因，并且知道在全球市场上保持竞争力和管理这种转型的关键是大规模利用数据和洞察力。
在整个组织中扩展分析不仅仅需要提升员工技能和投资新工具。这需要在我们如何处理分析的思维方式上进行范式转变。就像鼠标弥合了用户与计算机之间的差距一样，增强分析（AA）可以弥合分析采用的差距，帮助组织在大规模上做出更好、更明智的决策。
在我们更深入地探讨解决方案——增强分析之前，让我们确保你理解分析的必要性和分析采用的差距。下一章见！
