譯文丨帶你讀懂麥肯錫大數據分析報告

摘要：2016年12月，麥肯錫全球研究院(McKinsey Global Institution，MGI)發表了一份名為《分析的時代：在大數據的世界競爭(The Age of Analytics: Competing in a Data-Driven World)》的報告。

2016年12月，麥肯錫全球研究院(McKinsey Global Institution，MGI)發表了一份名為《分析的時代：在大數據的世界競爭(The Age of Analytics: Competing in a Data-Driven World)》的報告。該報告指出近年來數據量成指數型增長，發展出更複雜的演算法，計算機的儲存能力也得到提升，這些趨勢伴隨著技術日新月異的變化，商業模式也受到顛覆式影響。

五年前，MGI就指出大數據分析將在五大領域有很大的增長潛力，分別是基於定位的服務(Location-based service)、美國零售業(US retail)、製造業(Manufacturing)、歐盟公共部門(The EU public sector)以及美國健康醫療領域(US health care)。五年後，MGI再次考量這個議題，發現當年預測的大數據分析能實現的潛在價值，在五個領域取得的進步是不均衡的。基於定位的服務實現了2011年所預測的潛在價值的50%-60%，而在公共領域和健康醫療領域，大數據分析只實現了10%-20%的預測潛在價值，主要的障礙在於分析、技術人才的缺乏，數據處理、整合以及共享的問題等。

在公司層面，每個公司對於數據分析的應用是不同程度的，但分析人才卻持續匱乏。根據麥肯錫最近的一個公司報告顯示，來自不同地區不同行業將近一半的高管表示數據分析人才的空缺比其他任何角色的空缺都更難補，40%的高管認為留住這些人才同樣是個問題。在美國，2012年到2014年數據科學家的平均工資每年平均增長約16%，遠遠高於美國勞工部統計的不到2%的所有工種的名義工資平均增長率。麥肯錫預測每年數據科學專業的應屆畢業生將增加7%，然而高質量項目對於專業數據科學家的需求每年增加12%，這使得缺口約為25萬人。

然而，當大多數公司將目光聚焦在數據分析專家，認為他們的出現可以為公司帶來徹底的轉變，事實上同樣重要的是能將數據分析結果和實際結合起來的商業轉化人士(business translator)。這些人精通行業組織運作，向數據分析人才拋出最精準的問題，同時從數據分析結果中看到最本質的洞見。數據分析工作也許可以外包，但商業轉化人才的角色則要求對公司組織本身有最深入和最恰當的認知。麥肯錫預測未來的10年內，單是美國對這種人才的需求就約為200-400萬。

大數據分析正在改變競爭的基礎，領先的公司如蘋果、谷歌、亞馬遜、Facebook、微軟、通用以及阿里巴巴集團用自己的優勢建立了全新的商業模式，數字化平台的網路結果在一些市場導致了「贏家通吃」的局面。大數據作為一項公司資產，它來自網路、成千上萬的智能手機、感測器、支付系統、相機以及其他一些來源。數據正在被商業化，而價值很大可能歸屬於稀缺數據的所有者、用獨特方式將數據整合起來的玩家、以及提供有價值的數據分析的人。

一個偉大的數據分析可以從最平凡普通的數據中看到洞見，而不好的分析則會摧毀高質量數據的潛在價值，因此分析人才的缺乏正在加劇這種成本。一些行業由於某些特徵(比如低效匹配，信息不對稱以及人為偏差和錯誤)會受到影響，比如保險行業的買方和賣方信息不對稱，健康醫療行業個性化服務不足，智慧城市的建立需要更精準的預測等等，而解決這些問題的方法就是大量引入數據。正交數據(orthogonal data)的引入可以提升現有的商業模式，比如在個性化出行方面，超大規模的平台可以進行供給和需求的實時匹配，Uber，Lyft以及的滴滴出行使得大量汽車閑置資產得以充分利用。麥肯錫預測，到2030年，移動出行服務(如出行共享和汽車共享)將佔全球客車總里程的15%-20%以上。消費者可以減少汽車購買、燃油和停車。如果移動出行服務在低里程城市車輛使用者中達到10%-30%，則到2025年潛在經濟影響可以達到8450億美元甚至2.5萬億美元。

數據分析創造價值的第一步是獲得關於一個現有問題的所有數據，其中一個要求是從不同渠道整合統一大量存在的數據，但事實上很多組織機構對於如何整合數據無法建立一個正確的架構。零售銀行業就是一個擁有大量客戶交易信息、財務狀況以及人口數據的行業。但很少機構可以充分利用這些數據，因此大規模數據整合在零售銀行業存在巨大的潛力。麥肯錫估計，發達市場的零售銀行業的潛在經濟影響可以達到1100億美元到1700億美元，新興市場的數字相應為600億到900億美元。

最後，是機器學習(machine learning)，及其子類深度學習(deep learning)。機器學習就是賦予機器學習的能力以此讓它完成直接編程無法完成的功能，從實踐的意義上來說，機器學習是一種通過利用數據，訓練出模型，然後使用模型預測的一種方法。傳統的機器學習方法有回歸、支持向量機(SVM)以及K-Means聚類演算法。機器學習適合用來解決三類問題：分類、預測以及生成問題。深度學習，是機器學習的一個前沿，通過更多神經元和層塊(因此稱為「深度」)來解決更複雜的問題。深度學習仍處在初期，在自然語言學習領域可以有很大的潛力，麥肯錫之前關於自動化的研究發現，45%的工作可以隨著現代技術的進步而自動化，而這些工作約等於14.6萬億美元的工資。麥肯錫預測，單是提高自然語言的能力在全球範圍內就會有潛在的3萬億美元的工資影響。

雖然機器學習特別是深度學習有著令人激動和廣闊的潛力，但它們的發展和潛力同時伴隨著現實的擔憂，比如關於隱私、數據審查以及數據所有權問題遠在大數據時代以前就存在，現在，問題有增無減。正如數據分析的潛力與它們剛出現的時候相比也是有增無減，能夠更有效利用數據分析的公司將更能差異化自己，創造更大的價值，而其它公司則處在更不利的地位。