首页 资讯正文

译文丨两分钟看懂麦肯锡大数据分析报告

译文丨两分钟看懂麦肯锡大数据分析报告数据分析,谷歌,K-Means,数据整合,麦肯锡公司22570资讯http://www.cbdio.com/image/attachement/jpg/site2/20170125/3417eb9bbd9019f2499e14.jpg/enpproperty-->

  2016年12月,麦肯锡全球研究院(McKinsey Global Institution,MGI)发表了一份名为《分析的时代:在大数据的世界竞争(The Age of Analytics: Competing in a Data-Driven World)》的报告。该报告指出近年来数据量成指数型增长,发展出更复杂的算法,计算机的储存能力也得到提升,这些趋势伴随着技术日新月异的变化,商业模式也受到颠覆式影响。

  五年前,MGI就指出大数据分析将在五大领域有很大的增长潜力,分别是基于定位的服务(Location-based service)、美国零售业(US retail)、制造业(Manufacturing)、欧盟公共部门(The EU public sector)以及美国健康医疗领域(US health care)。五年后,MGI再次考量这个议题,发现当年预测的大数据分析能实现的潜在价值,在五个领域取得的进步是不均衡的。基于定位的服务实现了2011年所预测的潜在价值的50%-60%,而在公共领域和健康医疗领域,大数据分析只实现了10%-20%的预测潜在价值,主要的障碍在于分析、技术人才的缺乏,数据处理、整合以及共享的问题等。

  在公司层面,每个公司对于数据分析的应用是不同程度的,但分析人才却持续匮乏。根据麦肯锡最近的一个公司报告显示,来自不同地区不同行业将近一半的高管表示数据分析人才的空缺比其他任何角色的空缺都更难补,40%的高管认为留住这些人才同样是个问题。在美国,2012年到2014年数据科学家的平均工资每年平均增长约16%,远远高于美国劳工部统计的不到2%的所有工种的名义工资平均增长率。麦肯锡预测每年数据科学专业的应届毕业生将增加7%,然而高质量项目对于专业数据科学家的需求每年增加12%,这使得缺口约为25万人。

  然而,当大多数公司将目光聚焦在数据分析专家,认为他们的出现可以为公司带来彻底的转变,事实上同样重要的是能将数据分析结果和实际结合起来的商业转化人士(business translator)。这些人精通行业组织运作,向数据分析人才抛出最精准的问题,同时从数据分析结果中看到最本质的洞见。数据分析工作也许可以外包,但商业转化人才的角色则要求对公司组织本身有最深入和最恰当的认知。麦肯锡预测未来的10年内,单是美国对这种人才的需求就约为200-400万。

  大数据分析正在改变竞争的基础,领先的公司如苹果、谷歌、亚马逊、Facebook、微软、通用以及阿里巴巴集团用自己的优势建立了全新的商业模式,数字化平台的网络结果在一些市场导致了“赢家通吃”的局面。大数据作为一项公司资产,它来自网络、成千上万的智能手机、传感器、支付系统、相机以及其他一些来源。数据正在被商业化,而价值很大可能归属于稀缺数据的所有者、用独特方式将数据整合起来的玩家、以及提供有价值的数据分析的人。

  一个伟大的数据分析可以从最平凡普通的数据中看到洞见,而不好的分析则会摧毁高质量数据的潜在价值,因此分析人才的缺乏正在加剧这种成本。一些行业由于某些特征(比如低效匹配,信息不对称以及人为偏差和错误)会受到影响,比如保险行业的买方和卖方信息不对称,健康医疗行业个性化服务不足,智慧城市的建立需要更精准的预测等等,而解决这些问题的方法就是大量引入数据。正交数据(orthogonal data)的引入可以提升现有的商业模式,比如在个性化出行方面,超大规模的平台可以进行供给和需求的实时匹配,Uber,Lyft以及中国的滴滴出行使得大量汽车闲置资产得以充分利用。麦肯锡预测,到2030年,移动出行服务(如出行共享和汽车共享)将占全球客车总里程的15%-20%以上。消费者可以减少汽车购买、燃油和停车。如果移动出行服务在低里程城市车辆使用者中达到10%-30%,则到2025年潜在经济影响可以达到8450亿美元甚至2.5万亿美元。

  数据分析创造价值的第一步是获得关于一个现有问题的所有数据,其中一个要求是从不同渠道整合统一大量存在的数据,但事实上很多组织机构对于如何整合数据无法建立一个正确的架构。零售银行业就是一个拥有大量客户交易信息、财务状况以及人口数据的行业。但很少机构可以充分利用这些数据,因此大规模数据整合在零售银行业存在巨大的潜力。麦肯锡估计,发达市场的零售银行业的潜在经济影响可以达到1100亿美元到1700亿美元,新兴市场的数字相应为600亿到900亿美元。

  最后,是机器学习(machine learning),及其子类深度学习(deep learning)。机器学习就是赋予机器学习的能力以此让它完成直接编程无法完成的功能,从实践的意义上来说,机器学习是一种通过利用数据,训练出模型,然后使用模型预测的一种方法。传统的机器学习方法有回归、支持向量机(SVM)以及K-Means聚类算法。机器学习适合用来解决三类问题:分类、预测以及生成问题。深度学习,是机器学习的一个前沿,通过更多神经元和层块(因此称为“深度”)来解决更复杂的问题。深度学习仍处在初期,在自然语言学习领域可以有很大的潜力,麦肯锡之前关于自动化的研究发现,45%的工作可以随着现代技术的进步而自动化,而这些工作约等于14.6万亿美元的工资。麦肯锡预测,单是提高自然语言的能力在全球范围内就会有潜在的3万亿美元的工资影响。

  虽然机器学习特别是深度学习有着令人激动和广阔的潜力,但它们的发展和潜力同时伴随着现实的担忧,比如关于隐私、数据审查以及数据所有权问题远在大数据时代以前就存在,现在,问题有增无减。正如数据分析的潜力与它们刚出现的时候相比也是有增无减,能够更有效利用数据分析的公司将更能差异化自己,创造更大的价值,而其它公司则处在更不利的地位。

  关于麦肯锡全球研究院:

  麦肯锡全球研究院(McKinsey Global Institution,MGI)始终致力于深刻理解全球经济发展的演变,作为麦肯锡公司的商业及经济研究智库,麦肯锡全球研究院旨在为各界领袖提供商业、公共和社会等各领域的真知灼见,帮助他们制定管理决策和政治决策。在宾夕法尼亚大学劳德学院2015年全球智库指数的排名中,麦肯锡全球研究院名列全球私营部门智库第一名。麦肯锡研究院的深度报告涵盖了全球20多个国家和30多个行业。目前研究主要专注于以下六大主题:生产力与增长、自然资源、劳动力市场、全球金融市场演变、科技创新对经济的影响以及城市化。

报告来源:麦肯锡全球研究院

报告标题:The Age of Analytics: Competing in a Data-Driven World

编译:赵媛媛

本文为编译,版权属原作者和原出处所有。

责任编辑:王培

分享:
2022全数会
贵州

贵州大数据产业政策

贵州大数据产业动态

贵州大数据企业

更多
企业
更多