全球市场已经发生了强劲的变革。长期存在的业务实践和互动 - 尤其是业务和IT功能之间的实践和互动 - 已发生了根本性改变。最猛烈的三种颠覆因素分别是：
数字化进程不断加速：数字化生态系统是业务成功的关键，需要不断扩张信息获取通路。
彻底的技术变革：大数据和分析技术的使用上升，极大地改善了数据产生信息的方式。
了解可以代替推测：那些部署了正确技能的企业可以利用分析实现革命性的转变，从而进行了解而不是单纯地推测。
在本次IBM商业价值研究院第7次年度分析全球调查中，我们发现大多数企业正在把这些市场变革当作机遇，强化对大数据和分析技术的采用。在1,226名接受调查的受访者中，95%的受访者表示：大数据和分析能力现在是企业与竞争对手持平或超越竞争对手不可或缺的要素。
四分之三的调查受访者称，其企业正在扩建能够对即时业务需求作出响应的优化数据和分析基础架构。超过三分之二的企业已将其企业范围内的高级分析应用扩展至更准确地了解当前的业务状况和客户行为。现如今，要取得成功就需要外部数据输入来辩别和发现新需求信号，而仅有三分之一的企业收集这些外部数据。这些信号正在迅速成为企业决策的关键上下文信息，它们将加速从战略规划到运营优化的决策过程。企业需要在优化的业务流程之中嵌入速度和敏捷性，以便充分利用这些信号并赢得市场。然而，在全球数字革命的进程中，成功面前障碍重重。企业需要新的专业知识：如何以不同的方式运营，如何管理基础架构、分析数据等。幸运的是，有一种基于生态系统的新业务模式可以帮助企业减轻一些负担，但随之而来的是，企业需要满足哪些才能跟上步伐？那些不能满足数字化市场要求的企业很快会发现自己在陌生的格局之中孤独无助、随波逐流。接下来的三章将探讨企业如何对这些颠覆因素作出响应，我们还提出企业迎头赶上的行动建议。在过去的不确定性和长达数年的技术项目中，一定的惰性还是可以接受的；可现在，企业不再拥有这份奢侈。是时候把数据转化为行动了。
一、颠覆性因素：数字化进程不断加速
数字转型正在影响企业和社会的方方面面，迅速改变消费者、客户、公众和企业的行为方式。数字转型需要不断扩张信息获取的通路。数字化从本质上影响着个人和企业互动的方式、时间和地点。
· 具有颠覆性的竞争对手正在进入市场，带来了完全不同的成本基准和客户体验。
· 个人联系更为紧密并且被赋予更多权利，这导致对信息获取、普遍性和透明性的期望不断攀升。
· 强大的分析可带来更深入的消费者情报和有用的洞察。
新兴的业务模式是一种生态系统：它是指公立或私立机构、消费者、客户或公众之间任意组合，相互依赖与协作的关系。通过共同合作，将信息、专业知识和资产融为一体，生态系统可创造价值并将价值分配给各个成员，它作为一个整体所创造的经济价值比每一个体自行其事的价值总和更大。这些生态系统起源于其运行所采用的“货币”：数据、分析以及越来越多的洞察力。这些信息和资产的交换创造了优化运营、扩大技能集、聚焦于核心竞争力的能力。但这也要求企业具备数字能力要素 - 以实现团队成员间的无缝集成 - 进而保持其作为生态系统增值成员的地位。企业需重点关注两大关键行动以便从这些数字化生态系统中创造价值：在企业内扩大分析视野；拓宽生态系统内的数据上下文。
在企业内扩大分析视野
在过去的12个月中，在企业范围内使用高级分析并扩展至新的业务领域的企业数量大幅增加，这些企业提高了所部署分析技术的先进程度。2014年，仅有 10% 的企业在三个或更多部门使用高级分析。现在，71%的企业在三个或更多部门使用高级分析 - 预见性、规范或认知分析– 其中33%的企业在六个以上组织职能或部门使用高级分析。以客户为中心的分析解决方案仍是大多数企业的首要重点（见图 2）。然而，风险和财务管理方面也急剧上升了285%。这与我们所观察到的2012年分析应用有所增加的趋势相一致：大多数企业开始将分析用于以客户为中心或创收的目标，并积极转向内部，使用这些高级技术来优化运营。此外，285%的财务和风险方面的分析应用增幅可归功于共享运营数据的内部集成 - 75%的受访者已完成或正在计划实施这样的内部集成。其中，首席财务官发现整体分析内部数据的能力可以实现认知水平的结构性转变。这些由不同数据源所创建的上下文可以支持事件或异常检测 - 往往是针对人或机器行为的根本原因 - 而这些不在传统系统的范畴之内。
拓宽生态系统内的数据上下文
在基于云的数据管理服务中，企业利用数据存储和专业知识监督各种数据功能并在异地进行处理，它创造了企业在生态系统中摄入和交换数据的路径。65%的受访者正在使用此类数据和分析管理功能。通过互联网创建的企业与物理资产之间的数字连接 - 物联网 (IoT) 打开了企业内外部数据的新视野。普遍认为 - 当然这是错误的看法 - IoT 活动仅对非客户运营有影响。大多数在IoT方面进行投资的商业用户，其目标是提升客户体验 (32%)、提高产品质量 (31%)、降低成本 (27%) 。为达成此目标，他们从机器、追踪系统、“智能”应用和自己的生态系统内的其他数字化资产中收集数据。这些投资与通过数字连接和数字信号再造实体供应链的市场趋势是一致的。仅7%的调查受访者表示，其企业没IoT技术方面的投资计划。鉴于我们的样本集涵盖22个不同行业团体，这不仅证实了IoT用例的普遍性，也证实了其在大多数行业领域的适用性。
采取行动：利用不断加速的数字化进程
调整您的分析战略，与新的市场参与者互动。 企业的分析战略 - 仍由企业领导人驱动 - 必须进行更新（或重写），以便将企业内外部更广泛的公众纳入范畴内。在确定相关要求和解决方案时，应将企业内部的新用户以及生态系统合作伙伴的需求和专业知识考虑在内。此外，战略还需要反映出对颠覆性数字化所产生的数据进行管理、存储和处理的基础架构能力。但是，企业需要超越数据管理战略的范畴，以纳入更广泛的分析战略并识别支持高级分析、算法开发、更新管理和不断扩充的分析解决方案工具集的要求。将一系列外部数据纳入基于事实的决策过程。 数据可从各种各样的外部来源获取，其中包括政府、报告机构、气象中心和社交平台。经过组合和分析后，它可以对哪些客户是个体、哪些客户需求最大、世界如何运行等问题建立更丰富、细致的理解。这些额外数据源可以帮助“优秀”的分析解决方案变得“卓越”。需求预测算法和客户流失率分析等示例就是这种趋势的证明。
二、颠覆性因素：彻底的技术变革
数字生态系统包含广泛的数据和分析要求。例如：
· 数据可能包括结构化或非结构化文本、信号代码、音频、视频、地理或参考数据。
· 数据可能包含个人、敏感或唯一标识信息。数据可能是一个或多个支持数据发现、分析、临时调查和报告的数据存储库。
· 数据分析需要在“正确的”决策时间进行；而这越来越多地指“实时”进行。
· 数据必须是可交换的，这通常是指通过基于云的服务和API驱动型应用进行存储和传输。
为了支持这些数字要求，大多数企业都已实施或正在计划实施五年前尚不存在的技术（见图 4）。管理这种新型数据基础架构需要有关如何摄入、管理、分析、分布和存储数据的新思维。使用过去的技术，即2010年以前的技术，无法满足数字生态系统需求。企业正在采取两大关键行动来实现向数字化企业的转变：增加大数据和分析技术、为动态数据和分析进行架构设计。
增加大数据和分析技术
在过去的12个月中，大数据技术的广泛使用（“执行”阶段）翻了一番（见图 5）。结合那些首次推出产品的试运行或上市（“互动”阶段），超过三分之一的企业现在已拥有积极有效的大数据项目。在这个过程的另一端（“教育”阶段），仅有10%的企业表示，他们并没有考虑在企业内使用大数据，相比 2012-2014 年25%的比例下降了250个百分点。
实施后，大数据技术将很快收回成本。三分之二的受访者称，大数据项目达成或超越了预期，而另外25%的项目正在评估当中。已实施的项目中，仅有6%的项目没有达成预期，这一比例与2014年相同。为了从这些技术中创造价值并跟上生态系统的发展步伐，企业需要新的技能：既用于管理大数据基础架构，也用于分析该基础架构所提供的数据。这些技能涵盖整个数据生命周期，从在数据管理过程中组织和构建数据集的架构师和工程师，到从数据中获取洞察力的分析师和数据科学家（见图6）。
为动态数据和分析进行架构设计
数字化生态系统需要一个可以提供敏捷性和速度的信息管理结构，这样才能跟上数据增长的步伐。大部分受访者利用开源框架和基于云的交付机制（用于降低基础架构成本和加速交付）来创建可扩展、可伸缩的平台，即数据湖或数据库。关于数据库，谈论最多的是Hadoop的使用。Hadoop是一种开源框架，用于编写应用以处理大量数据集，支持获取之前不可能的洞察力。Hadoop可减少数据移动，在选择问题、支持与快速变化的生态系统相关的持续变化方面，比传统的数据仓库更具成本效益。但是，大数据技术不仅仅是Hadoop。虽然Hadoop最适于对大容量、高可变性的数据进行分析以快速评估其价值，但一些数据的特性将更适于备选处理和分析。大数据基础架构必须旨在优化各种类型的数据资产的使用，同时适应静态和动态的数据。大多数企业都有大量磁盘上的数据，而在云端共享这些数据将具有更多成本效益。同时，结构化或半结构化数据往往会被就地处理或闲置，如闲置在较传统的仓库中。数据库的另一个关键特征在于支持内存分析的能力，分析将在数据所处的位置就地执行，而不再将数据迁移到分析仓库中。影响分析基础架构的最新技术 - Spark- 使用开源技术来简化这些内存分析功能并与Hadoop配合工作。这些技术代表了数据库驱动分析时代的根本性转变；其中一些技术甚至完全颠覆了数据管理、处理和分析的传统标准。然而，一些商业用户和IT用户在实施前后都对大数据基础架构组件持强烈的支持态度（见图 7）。
采取行动：充分利用技术的快速变化
信息基础架构的变革非常复杂，需要由业务部门和IT部门一同制定相关战略，同时采用数据分析和高级分析功能。设计可扩展的动态数据和分析基础架构。 想要一开始就取得成功可能比较困难。企业要不断积累新技术的相关知识，同时还需要具有远见卓识，设计系统不仅要满足当前的数据挑战要求，还要保持足够的灵活性，以便应对不断演变的软件解决方案和新型数据。寻求创新方法联合寻源或内部寻源以获得技能，同时依赖于生态系统合作伙伴。 即便抱有“自力更生”的心态，大多数企业仍然从生态系统合作伙伴的诊断建议中获益匪浅。在架构设计方面，涉及的问题非常广泛，大多数企业自身缺乏了解这些可能性所需的经验和专业知识。必要时借助合作伙伴的力量获取专业知识和最佳实践战略，企业可专注于核心竞争力，并保持人力资源战略长期不改变。在大数据和分析开始解决企业“痛点”时，为业务用户需求的增长做好准备。 如果基础架构能够持续交付新数据和业务案例，将会引起高度关注，激发新需求和新的价值思维流。企业需要构建业务驱动的治理机制，用以分配资金、确定项目和分析资源的优先次序，并建立整个企业和生态系统的通用标准。
三、颠覆性因素：了解可以代替推测
由于数字生态系统的互联化特性，当今的企业能够访问到海量的情境式数据，这在五年以前完全是不可想象的。借助政府数据、Twitter数据或全球天气实时数据等情境式数据，以及当今的高级分析功能，企业将能够完成从“推测”到“了解”的飞跃。他们将能够以更高的准确性预测成效并采取及时明智的措施。这种从“推测”到“了解”的转变，有助于企业更准确地了解消费者、客户、业务合作伙伴、潜在投资及竞争对手。结合正确的技能和工具，企业还可以改善几乎所有服务或运营职能。举例来说，航空公司将能够了解乘客的习惯，还可以通过机载传感器优化运营水平，这些都是会显著影响损益的基本业务指标。不过，海量数据和分析功能的公共或商业可用性大大降低了进入门槛。新的竞争者异军突起，已经开始颠覆长期存在的业务模式。Uber和Lyft对全球的出租车服务行业带来了巨大影响，这两家公司都是数字变革的产物，它们举证了改变格局的可能性。当前，企业通过两种主要方式来实现从“推测”到“了解”的转变，并充分利用领先于竞争对手的新型功能，这些竞争对手有已知的，也有未知的。他们正在以更高洞察力指导行为和决策，同时缩小试行与量产之间的差距。
以更高洞察力指导行为和决策
借助高级分析功能，企业能够将洞察力转为决策行动。根据调查结果显示，采用高级分析技术进行决策的企业所占的百分比已经大幅上升。不过，许多企业仍旧依赖于过时的描述型和诊断性技术（见图 8）。
预测性分析能够通过对数据趋势、模式及关系的分析，提供有关情境的洞察力。规范性分析能够根据企业的业务目标和业务动态，识别或自动采用最佳行动建议，同时充分考虑这些行动的利弊或后果。认知计算运行于具备学习能力的系统上，这些系统能够像人一样感知情境，例如：根据形势推理、保留经验、学习与适应，并随着时间不断改善。若要通过更好地了解客户、竞争对手及市场来创造价值，企业还必须能够在相应的业务循环中响应这些信号并采取行动。三分之二的企业会实时分析客户交易数据，而约有半数的企业会实时分析移动和日志数据。
缩小试行与量产之间的差距
即便能够消化数据，但若不将其转化为行动来解决业务挑战，也无法创造价值。40%的企业已经实施了自助分析，34%的企业计划在接下来的18个月内实施自助分析，其目的在于能够使用户与其不断扩张的数据池进行互动，并交付创新洞察力。不过，根据Gartner近期的预测，“到2017年，60% 的大数据项目将仅仅止步于试行和试验阶段，并最终遭到放弃。”32%的受访者表示，分析项目的预估成本会超出预期收益，这也是此类项目从试行到量产的最大障碍。不过，在已经实施了分析项目的企业中，四分之三的企业表示他们的分析投资将会在7到18个月内收回（见图9）。
企业若要缩小这种差距，其中一种方式是确定哪些数据和分析流程需要在内部处理，而哪些需要交由生态系统合作伙伴来解决。通过调查我们发现，许多企业比较倾向于由内部团队来收集和管理内部运营数据（占比为49%），但更倾向于通过联合寻源团队或外部团队来收集和管理外部数据（静态数据方面占比为71%，流数据方面占比为63%）。企业还倾向于在内部分析数据和开发洞察力（占比分别为48%和40%），但少部分的企业也会在这方面使用混合型联合团队。
采取行动：用了解代替推测
将分析的重点转向基于未来的决策模式，而非基于以往事实的决策模式。 更高洞察力的价值在于与之相关的行动。企业要充分利用预测性技术、规范性技术以及认知技术所创造的以行动为导向的分析能力。业务部门必须从“后视”视角（诸如描述型分析和诊断型分析）转变为“前瞻”视角 - 它正是预测性分析、规范性分析以及认知分析的产物。同时，企业还要采用敏捷的方法，突破试行到量产之间的差距。 领先的企业已经开始采用灵活的方式构建大数据和分析环境。这种敏捷的项目设计方法不仅能够显著加快数据寻源速度，还能够通过迭代开发流程减少返工次数，从而降低预付成本并更快地实现增值。
联系客服
