读书笔记《Competing on Analytics》

来源：知乎

作者： Mr.Max 2023-06-02

Analytics 该怎么翻译？其实说”数据分析“并不准确，可能直接翻译成“数据”反而更好.本书重点在于，如何通过 analytics 来赋能企业的 distinctive capability，并变成核心竞争力，无论是降本还是更好的服务客户和抢占市场，带来显著业务结果

整体读后感

Analytics 该怎么翻译？其实说”数据分析“并不准确，可能直接翻译成“数据”反而更好
本书重点在于，如何通过 analytics 来赋能企业的 distinctive capability，并变成核心竞争力，无论是降本还是更好的服务客户和抢占市场，带来显著业务结果
而做到这一点，需要是扩展认知获取启发，知道 analytics 能做什么，能带来什么，做的好和不好有什么差别，能做的多 sophisticated
还有到底怎么一步步落地
书中写的 ML 替代简易分析工作，以及自动化分析，和现在的 AI 驱动 BI 相符
作者对技术和数据分析具体工作可能并不熟悉，强行写的时候容易写的云里雾里

序

Analytics 1.0
- Descriptive analytics--看板，报告
- 开始尝试自助式 BI
- 被动，缓慢
Analytics 2.0
- 大数据
- 数据科学家的出现
- 数据产品
- 不是在 back office 而是在前线
Analytics 3.0
- 把 analytics 嵌入业务流程中
  - 比如 personalization，UPS ORION，或者供应链实时优化
- analytics 不再只是支持决策，而是成为产品，服务
  - 比如 GE IoT，Optum 健康分析
Analytics 4.0
- AI 驱动分析，不是手动雕琢模型，而是 AI 生成大量模型
对企业的意义
- 不能松懈
- 管理层不对齐，和内部阻力，是 analytics 项目最大的障碍
- 也许需要下一代领导人（Science advances one funeral at a time，科学进步来自上一代人的葬礼）

第一部分 The Nature of Analytics Competition

第一章 The Nature of Analytics Competition

Netflix 案例
- 客户行为和购买规律，推荐系统
- 预测制作的电视剧是否会成功
  - 比如 UK 版的成功了，演员受欢迎，客户喜欢该导演的电影
- 7w 个电视剧和电影属性
- 推广时用不同的预告片做试验
- 本来是个偏艺术文化的行业
- Analytics 文化：

各行各业都适合

Analytics 是什么
- Analytics：使用数据，统计，量化分析，解释性和预测性模型，以及基于事实的管理，去驱动决策和行动
- Analytcal competitor：通过数据，系统性的战胜对手
- Descriptive analytics：传统 BI，报表 + 看板，在历史和当前数据的基础上探索，报警，和报告。使用企业内外一系列数据
- Predictive analytics：用过去的数据预测未来
- Prescriptive analytics：推荐最优方案
- Autonomous analytics：自动化分析和决策
- 虽然可以用纸笔，Excel，但是合理的信息能力需要获取，转化，管理，分析内部和外部数据并行动

为什么通过 analytics 来竞争
- 随着竞争逐渐同质化，通过数据来优化流程是最后的竞争点之一
- 除了产品，技术等竞争，也要最大化业务效率和效果
- 竞争优势来自独特能力（distinctive capability），而独特能力，无论是供应链优化，人才吸引，精准营销，analytics 都至关重要
- 或者竞争优势不大，那么企业可以比竞争对手更好的做决策，包括通过数据进行决策支持
- 所以，analytics 也是一个独特能力，竞争优势的来源
- analytics + 优化业务独特能力 = 战略
  - 比如 Caesar 客户忠诚度
- 天然数据多的行业，比如游戏，财务服务，旅游，更能有效利用 analytics。或者外界数据（社交媒体）。很多听起来不适合 analytics 的行业，比如 executive search，酒，或者时尚，其实后来发现也可以使用。
数据竞争的来源
- 高管在寻找新的竞争优势和差异化来源的时候，正好是数据技术涌现的时候，新一代高管也是伴随着计算机长大的
- 60 年代开始有人用数据支持决策，decision support systems，非常窄的应用，比如生产规划，投资规划。70 年代成为 executive support system，主要是看报表，监控（performance monitoring）
- 2016 Gartner 调研，3000 CIO，84 个国家，连续五年 BI 是 IT 的首要项目
- 但是主要都是技术驱动，放在后台，对企业意义不大
- 而本书主旨是讲那些把 analytics 放到前台的公司，从日常工作到企业战略和产品
什么时候适合通过 analytics 来决策
- 直觉 + 数据
- 数据不够
- 时间紧迫性
- 分析时依赖的假设可能不再成立
- 随着数据量的爆发，趋势只是越来越依靠 analytics
- 未来变成 arms race

第二章 What Makes an Analytics Competitor

Analytical competitor
- 通过数据来打败竞争对手，在市场胜出
- 核心属性模型
- 后续加工成 DELTA 模型
Analytical competitors 的核心属性
- 支持某个战略性的独特能力
  - 根据行业和公司不同，可能设计供应链，定价，营收管理，客服，客户忠诚，创新，HR 等
  - Netflix 预测客户喜好，Caesars 客户忠诚度和服务，万豪收入管理，沃尔玛供应链管理
  - 独特能力 = 公司拉开和竞争对手差距的地方，以及让公司在市场获取成功的地方
  - 没有独特能力，analytics 难有用武之地
  - 有些行业传统上是用经验而不是数据为主，比如管理咨询，但是也在改变
  - Financial services，FICO score，不只是审批贷款，而是全面应用
- 全公司级别的管理方法
  - 全部门合作，比如 Caesars 要求每个门店老大，一起实施新的客户忠诚项目
  - RBC 银行：全公司 CDP
  - 过去主要是局部 BI，无法达成战略级目标
  - 比如自下而上的 Excel 工作，不成气候
  - Caesars: centrally driven, broadly distributed
  - CDO 职位，也可以有中心的精英团队，去做最难的战略项目

- 高管支持
  - 需要改变文化，流程，员工行为，和员工能力。所以必须是高管驱动
  - 最好是 CEO 驱动，但是其他 CXO 也成功过
  - Sara Lee CEO Barry Beracha "in God we trust; all others bring data"（源自 W Edwards Deming）
  - 展示设想必须要有数据支持
  - 根据调查，所有的成功案例都有高管支持。少数部门主管有尝试，但都没有带来企业文化级的改变。而且在需要跨部门协作的时候会受阻
  - 高管需要怎么支持：愿意，坚持，投入资源（人力，数据，IT），时间。比如 Barclays 的五年计划
  - UPS ORION
    - 一开始就 3-4 个人，前五年就一个小团队做原型
    - 持续获取 executive buy-in
    - 遇到困难，比如算法出问题，也坚持，不让项目取消
    - Deployment 时做好变革管理，从 25 人到 700，获取一线员工信任，做出成果的时候高层甚至要求加速
    - 投资数亿美金，每年节省数亿美金成本
- 宏大愿景
  - 对企业未来有重要影响
  - 显著的业务效果，比如机票定价，存货管理，渠道管理，物流路径
  - 收入，盈利，市场份额，客户忠诚度等

Assessing the Degree of Analytical Competition
- 五个阶段

第三章 Analytics and Business Performance

Capital One
- 以客户为中心，通过 analytics 找出利润最高的客户，并抓住价值
- 原本只是一个普通的信用卡公司，用 analytics 赋能后，spin off 出 Capital One 成为巨头
万豪
- 通过 analytics 预测最高能收多少钱还能保证满屋
- 系统自动优化，不是靠人工分析
Progressive
- 第一个线上实时提供车险
以上例子都是 analytics -> 业务结果
一些结果
- 改进生产，中位数 ROI 277%
- 财务管理，139%
- CRM，55%
- 预测性分析，145%
- 无预测性分析，89%
- a dollar spent, in multiple years. returned $13 on average
- Bain 2013 年调研 400 家企业，4% 擅长 analytics
  - 2x 可能性是行业 top 25%
  - 3x 可能性成功执行决策
  - 5x 可能性更快决策
- Accenture, MIT 等都有类似结论
- high correlation

Analytics 为核心竞争力来源
- 数据长期积累
- 更好的数据处理
- 算法
- 成功依靠 analytics 竞争的公司
  - 难以复制的部分，比如文化和流程，像其他银行无法复制 Capital One
  - 独特，比如 Caesars 跨地区的统一服务
  - 可用在多个场景
  - 比如对手做的更好，比如 FICO
  - 可持续提升
Analytics 赋能产品和服务
- Google 广告服务，Google Analytics
- GE 设备维护预测
- 无限运营商给广告方提供数据
- 可穿戴设备，健康预警，通知医生
- Analytics 咨询服务
当 Analytics 不够挽救公司
- 美国大型航空公司过去几十年
  - Analytics 所支持的业务本身有问题，比如过时的商业模式和客户服务，导致被西南航空等公司吊打
  - 其他竞争对手也大幅度使用 analytics（当然，不做 analytics 结果会更差）

第四章 Competing on Analytics with Internal Processes

面相内部流程的常见 analytics 技巧
- Activity-base costing 更好分配成本计算用以优化
- Bayesian inference
- Combinatorial optimization 优化资源分配
- Constraint analysis
- Experimental design
- Future-value analysis
- Genetic algorithms
- Monte Carlo simulation
- Multiple regression analysis
- Neural network analysis
- Simulation
- Textual analysis
- Yield analysis
财务分析
- 普遍只是大量的 descriptive analytics，还有很多进步余地
- 对外报告
  - 不断更新的合规要求
- 企业管理和评分
  - 除了纯粹财务指标，更全面的公司 performance 报告
  - 链接非财务指标和最终财务影响
- 成本管理
  - 医院更好的计算每个病人带来的成本
  - 哪些地方性价比低，哪些医生，或者哪些地方过度占用资源
  - 合理降低物理设施持续运作，快速发现问题
- 风险管理
  - fraud detection
    - 通过数据监测是否有盗用等
    - 保险公司监测虚假 claim
  - 信息安全
    - transaction 规律 anomaly detection
M&A 分析
- 供应链效率，客户反应，成本预测
- 预测到底带来多大降本增收
运营分析
- 很早开始使用 analytics 的领域，比如 total quality management 和 six sigma
- 生产
  - 通过对未来需求的预测来计算盈利，决定是否重新开启工厂。从亏损 3.4kw 到盈利的决策
  - Google
    - 优化搜索结果，不断测试迭代
    - 任何产品和算法更新，都要通过一系列测试
  - 车企通过销售和库存数据，决定生产多少什么车，降低浪费
- 质量
  - Honda，电话记录和服务记录，自动找出质量相关可能性，并标记发给人工审核，第一时间发现质量问题
- 安全
  - 用 people + equipment + company setting 预测安全问题，并预防
  - IoT，卡车司机车速，油门，刹车，预测安全问题
  - 火车公司案例
    - 从人工设置的逻辑，到全面的 analytics 来评判风险等级

- 物流
  - UPS ORION
    - 每个卡车司机每天减少一英里 -> 每年五千万美金
    - 每分钟 -> 1.5 千万美金
    - 降低一分钟闲置 -> 52w 美金
    - 最终大约每年 4e 美金
    - 项目做了十年，2.5e 美金投入
    - 非常复杂的 IoT + 数据 + analytics 项目，最后还要改变 5.5w 个有工会的员工的行为
    - 未来还有很多优化的地方，比如天气，客户要求变更
  - Caterpillar 供应链
    - 管理可靠性，能见度
    - 从生产到交付，按工厂，部门，和成本
    - 用户可以得知
      - 我的零件都存在哪里
      - 为什么某供应商最近状态不好
      - 出现自然灾害会影响什么
      - 根据未来预测，我们应该准备多少库存
      - 如何优化 network
    - 结果
      - 按时送达 67% -> 93%
      - 质量问题减半
      - 在自然灾害发生的时候一样可以正常运作
      - 出现问题几分钟解决而不是几个月
R&D 分析
- IoT
- Vertex 案例
  - 药品研究，预测哪些方案更容易成功，或者最早的知道哪些方案更容易成功
  - 通过 simulation 来更快更好的设计 trial，大幅度降低成本
  - simulate disease and treatment
HR 分析
- 相对落后
- 帮助员工增加工作效率，改进激励设计，帮助员工成功，降低流失
- 企业经常说，人力资源是最重要的资产，但是忽略 analytics 赋能
- Talent management index
- PayPal spin-off, predict attrition, survival analysis

- recruiting operations
  - 相应延迟
  - 每个客户看到多少求职者
  - 薪酬错误频率
  - 问题解决延迟
  - 整体客户满意度
  - Google 的 HR analytics，recruiting, retention, employee retention, health
    - 8 behaviors of success managers, and 5 to avoic
    - 一年后最差的经理增强效益 75%
    - 为什么员工留下来，员工在乎什么，如何通过此洞察增强员工留存
    - 更合适的激励设计，是否匹配竞争对手的 offer，promotion，帮助不同员工更成功
  - Walmart
    - impact of staff turn over
    - cost of hiring, cost of onboarding, cost of training
    - 如果 90 天内流失，亏损
    - 根据这个信息，投资资源增强新员工留存

第五章 Competing on Analytics with External Processes

面向客户的流程
- 获客越来越难越来越贵，越来越难满足，需要优化获客和留客
- 优化定价，优化品牌管理，加强客户转化，管理客户生命周期，差异化产品，和个性化产品
- 常见市场营销技巧
  - CHAID，客户细分算法
  - Conjoint analysis，customer preference for a combination of product and service attributes; determine which factors are most important to customers in a purchase
  - Ecnometric modeling，study of market trends and variables that affect demand, supply, and cost
  - Lifetime value analysis，customer lifetime profitability
  - Market experiments，A/B 测试
  - Multiple regression analysis，回归
  - Price optimization，price elasticity curve
  - SEO
  - SVM
  - Time series experiments，跟踪 subject 并在时间线找到驱动改进的因素
  - Uplift modeling，incremental impact of a treatment 比如活动 on customer behavior
- 吸引和留住客户
  - Econometric analysis
    - Half the money I spend on advertising is wasted; the trouble is, I don't know which half
  - Digital ad
    - Which ad on which site for each user, 个性化
    - AdWords，AdSense，automated analytics and decision making
    - DnB NOR 案例 event trigger -> offer，市场预算除二，客户更满意
    - Tesco ClubCard 客户忠诚，大幅度提升客户响应，收集数据，个性化
- 定价优化
  - 动态定价，类似机票价格
  - 零售，通过价格，替代商品弹性等，最大化销售和盈利
  - Macy 实时改进定价，比如基于天气和竞争对手定价
  - SF Giants 根据比赛受欢迎程度改价格

- 品牌管理
  - omnichannel tracking
  - Disney 连点成线，整个客户历程
    - MagicBand，所有行为都数据化，以及信息整理（和迪士尼角色合影）
- 转化
  - Predictive lead scoring
  - 给一线员工比如销售足够的客户信息，以及合适的产品和 messaging
  - HMH 案例
    - Lead capture，scoring，routing，大幅度降低延迟
    - 归因模型，优化 CPL CPC，velocity
  - Caesars 优化 customer wait，让客户多花钱
- 客户生命周期
  - 预测客户购买，比如买完单反，推送相片打印机优惠券
  - Sprint 优化 touch point，推送合适的 offer
- 个性化
  - 推送用户想看的内容
  - 游戏内的内容推送
  - 学习平台推荐课程
面向供应商的流程
- 常见技巧
  - Capacity planning 找出和优化供应链中不同节点的承载量。找出和消灭瓶颈
  - Combinatorics 供应链组件数学模型，用于优化
  - Demand-supply matching 优化库存，降低等待时间
  - Location analysis 优化门店，仓库，物流中心等位置
  - Modeling 模拟和探索不同未来可能性，加以优化
  - Routing 路径优化
  - Scheduling 工作和资源流程
  - Simulation 供应链模型模拟不同情况
- 链接客户和供应商
  - 沃尔玛
    - 供应商可以使用沃尔玛的分析系统，获取客户和销售分析
    - 帮助消费者得到想要的，在对的时间，以对的价格
  - 亚马逊
    - 库存模型
    - 极致的泰勒主义

物流
- FedEx，CEMEX 通过数据帮助客户管理物流
- CEMEX 通过 iot + 分析，把 changed order 响应时间从 3 小时降到 20 分钟，增加 35% 卡车效率，并获取客户非常大的满意度

第二部分 Building an Analytical Capability

第六章 A Road Map to Enhance Analytics Capabilities

这是一件复杂的工程
- 很多 moving pieces，比如分析软件，技术，数据，流程，指标，激励，员工能力，企业文化，和高管支持
- 变革管理，需要时间，逐步迭代，18-36 个月才会大规模应用并产生落地结果
- 已经在通过数据获取价值的企业，一样有很多没有拿到的价值
Roadmap
- 从 stage 1 到 5，像一个长肌肉的过程
- Stage 1: Analytically Impaired

- Stage 2: Localized Analytics

- Stage 3: Analytical Aspirations

- Stage 4: Analytical Companies

- Stage 5: Analytical Competitors
  - Competitive advantage

DELTA 模型
- Data: data as a strategic asset
- Enterprise: integrated perspective（打破数据墙）
- Leadership: committed analytical leaders; advocacy
- Targets: achievable business goals, low hanging fruits
- Analysts: executive consumers, analytics leaders, and information workers
- Technology: 新的技术能力，但之前的挑战一样存在
- Analytical Techniques: 技巧越来越多，混合使用

Outcomes
- Behaviors: 员工行为，是否在日常工作中有使用数据
- Processes and Programs: 把数据洞察放到工作流程中，驱动流程
- Products and Services：让现有产品更好，打开新的 use case，市场，或营收方式
- Financial Results: 定义清晰，最终获取的业务结果，justify 对 analytics 的投资并持续支持迭代
- 优先级：全面 + ROI 的方法，落地实现价值

第七章 Managing Analytical People

主要在人而不是技术
Urban Legends（神奇的传说，但都不符合事实）
- 尿布和啤酒
  - 男士买啤酒的时候会记住他们的老婆让买尿布
  - 经查：最接近的案例是 Osco，而且是人工分析出来的异常，并没有实际投入运营
  - 洞察需要人工来理解和处理
- 失败的银行网点分析
  - 分析师计算出成本和利润并给网点排序
  - 决策者只是看看，有太多决策因素，不可能只根据盈利来决定关闭网点
参与者
- 三组人
  - 公司决策层，决定分析文化和主要决策
  - 分析师
  - 其他人，需要分析结果来支持日常工作
  - 自动化决策（比如审批贷款，挂失补办银行卡）
- 高管
  - 如果没有高管和文化支持，analytics 会回到次要辅助型部门
  - 没有高层支持，管理中层很难推进 analytics
  - 没有发现任何 stage 4 5 的公司，缺乏 CEO 或者大多数高管的支持。CEO 要认为 analytics 是竞争资源
- Analytical Leaders 画像
  - 深信数据和 fact-based decision making 价值和意义。这样才能鼓舞整个公司
  - 对 analytics 有 high level 理解
  - 愿意根据 analytics 结果去行动
  - meritocracy
- Analytical Leaders 来自哪里
  - 创始人
  - 空降高管
  - 下一代管理层
高层
- CFO
  - 因为 CFO 依赖财务数据，所以很多时候自然而然去驱动 analytics 项目，甚至延伸到其他部门
  - Deloitte US 的 analytics 老大就是 CFO
- CIO
  - 负责基础设施
  - 可以影响文化
- CDAO
  - Gartner 定义
    - The CDO is a senior executive who bears responsibility for the firm’s enterprise wide data and information strategy, governance, control, policy development, and effective exploitation. The CDO’s role will combine accountability and responsibility for information protection and privacy, information governance, data quality and data life cycle management, along with the exploitation of data assets to create business value.
  - 一半时间在当布道师
  - 没有直接业务指标，所以必须和其他高管密切合作
如果没有足够的高层支持
- IT 高管可以从技术基础设施角度提前准备
- 部门主管可以在自己的 org 里面小规模实现
- 案例：某公司市场和 IT 部门互相不知道对方需要和能做什么，直到某市场经理看到一个第三方看板，且 IT 可以做到
- 案例：某公司在和咨询公司合作后，定制出新的 KPI，而 IT 抓住机会开始基于新的 KPI 延续做 analytics
Analytical Professionals and Data Scientists
- 人才稀缺
- 工作内容
  - 设计和执行实验
  - 设计和迭代算法
  - 数据分析
  - predictive and prescriptive analytics
- 组织架构
  - 放在跟 competitive advantage 挂钩的地方
  - 人才稀缺，所以高门槛的工作只能放一起
  - Hub-and-spoke organization
- Critical Success Factors
  - Pipeline of projects and successive wins
  - Close relationship with IT for support
  - 如何获取 funding
  - 办公室政治
    - "给你钱，结果你只是揭露我的决策问题"
  - Keep it simple to gain adoption
外包
- 缺人，可以通过外包缓解
- 问题：决策者和外包团队缺乏信任，需要 in-house 员工和决策者密切合作
Analytical Amateurs
- 大量日常工作，需要非技术背景员工完成
- 水平不够会导致无法执行，工具不被日常利用
- 某化工公司，用数据去优化供应链，但是现有员工并没有数据能力，成为项目瓶颈
- Analytical competitor 需要大量员工接触 analytics
- 员工所需的能力
  - 实验
  - 数字，逻辑能力
  - 理解。使用，和展示数据
- 工具
  - 深度工具 = 无法使用
  - 工具直接说答案 = 不现实或者不好用
  - Excel，可行但是有很多问题
自动化决策
- rule-based processes
- 异常处理
- 人工 override

第八章 The Architecture of Analytics and Big Data

注意：本章并非作者专业所在，可以一扫而过

分析技术架构
- 业务和 IT 对齐
- IT 架构师，负责 data, technology, processes
IT analytical capabilities stages
- Stage 1
  - 数据质量低
  - 缺乏统一定义
  - 缺乏数据集成
- Stage 2
  - 有 transaction data 但是不能更好的支持决策
  - 有些局部的 pilot program，甚至可以做的非常 sophisticated
- Stage 3
  - 有全公司级 BI
  - 但是治理不够完善
- Stage 4
  - 高质量数据
  - IT 治理
  - 自动化分析
- Stage 5
  - 高度成熟
  - 包括非结构数据
IT 有效支持 analytics 的迹象
- 分析师可以直接，立刻获取数据，可能是实时数据
- 主要时间用在分析数据和使用结果，而不是采集和处理数据
- 经理人可以把时间精力放在改进业务和管理上，而不是和数据打架
- 数据和数据分析被嵌入到公司产品中
- 数据准确可信，不需要为“谁的数据准”争执
- 数据的整个生命周期都以 enterprise 角度管理
- 可以简单快速分析和测试假设
- 数据可以直接分析，而不是先放到核心存储
- 供应需求都依赖 forecast
- 高量级，重要的流程可以自动化
- 数据可以和客户以及供应商共享
- 报告和分析轻易的集成内外多数据源
- 不是分析和数仓项目，而是分析放在所有业务项目中
数据管理
- GE 案例
  - 数据混乱，无法进行基础分析，比如哪些供应商也是客户，每个供应商到底合作额度多大
  - 开始治理，统一到一个数据库
  - 结果，开始通过和最大的供应商谈判，获取业务效益
- 数据问题
  - data relevance，需要什么数据
    - 从业务场景和目标决定
    - 需要业务团队和 IT 团队合作探索
  - data source, 从哪里获取数据
    - business applications
    - enterprise systems
    - 零散数据源，比如个人电脑上的 Excel 文件
    - IoT
    - 外界数据，如社交媒体，公开数据，购买数据
  - data quantity, 需要多少数据
    - 以需求为准
  - data quality
    - 普遍是一团乱
    - 何为高质量数据
      - 正确
      - 完善
      - 及时更新
      - 标准
      - 包含场景信息
      - 合规
      - 可分析
  - data governance
    - 数据获取
    - 数据清洗
    - 归纳与存储
    - 更新，维护
存储
- 数仓
- Data Mart - 单 function
- 元数据
- 分布式存储
- 数据湖
Analytical Tools and Applications
- Excel 适合 last-mile 分析，用来干别的会出各种问题
- OLAP Cubes
- 数据可视化
- 统计计算工具
- 规则引擎
- 机器学习
- 数据挖掘
- Text mining
- NLP
- 数据流分析
- 模拟
- Web and digital analytics

第九章 The Future of Analytical Competition

技术驱动
- 大量的数据，包括之前无法获取数据的场景
- 更多的自动化决策
- 自助式 BI
- 内存数据库，实时分析
- 实时 ETL，从几个礼拜的延迟，到秒级
- 对预警的自动处理
- 数据探索
- 更多的 predictive 和 prescriptive 分析（推荐做什么，或者做了之后会怎么样）
- 更好的利用非结构性数据，比如视频音频
- 模型管理
人工驱动
- 更多人熟悉 analytics
- 全员 BI
- ML 和外包替代部分工作
- 人机结合，甚至机器替代部分人工工作
战略驱动
- 企业会发现更多使用 analytics 的机会，数据会更好的嵌入到产品，服务，和商业模式。Analytics 将成为产品必备（读者：不是早就是这样了吗？）
- 通过产品帮助客户实现数据驱动管理
- 企业把 analytics 分享给合作伙伴和供应商
- 更好的使用 external data，并应用到 predictive 和 prescriptive analytics
- 发现和发明新的重要 KPI
Analytical Competition 的未来
- 持续改进
- 但是创建数据文化难
- Analytics 从业人员更好的把技术和业务融合
- 如想加入社群，请扫码联系编辑。

责任编辑：小艺