本文翻译自英文原文的部分内容：Building An Analytics-Centric Organization （2018 Jim Miller )
1993年，我从麻省理工学院斯隆商学院毕业。当时我并不知道，我所掌握的知识和观念范式就是后来被称为“大数据”的东西。为此，我要向母校史蒂夫·格拉夫斯教授（Steve Graves）、埃里克·布莱恩约弗森教授（Erik Brynjolfsson）等老师致以诚挚的谢意。他们的洞见和观点，在我的思想里留下了不可磨灭的烙印。虽然当时我尚不大形容得出“大数据”的所有细节，但却坚定不移地认为，一个高速运转的企业，其命脉最终还是依赖于对海量数据的实时分析与执行。我甚至坚信，大数据将从根本上变革企业的运行方式，催生全新的公司业态乃至产业。
毕业后，我去往英特尔公司任职。当时，一个显而易见的现象是计算能力正以惊人的速度发展，万维网以及更广泛意义上的互联网基础建设将居于这场革命的核心地位。我明白，无论这场革命的本质是什么，其影响都将是巨大的，但老实说，我无论如何也想不到，这场数字革命最终会发展成这番摧枯拉朽之势，并式持续演进下去。
20世纪90年代中期的一个午后，我给某企业设计了经营模式。我的方案是：企业利用海量数据和自动化算法，自动优化并实时执行运营任务，将每日政策制定、运营设计与管理以及长期战略决策等若干个运营领域整合在一起。这个方案的重点在于，整个组织的存续和运营理念都是以数据和分析为基础的。当时，这个模型付诸现实的可能性微乎其微。短短几年后，我加入了一家规模不大但蓬勃发展的企业（亚马逊），认识了一位具有远见卓识的管理者杰夫·贝佐斯（Jeff Bezos），发现他的想法几乎与我如出一辙。别提我有多惊喜了！就像一个走进糖果店的孩子，带着新奇的目光在商业帝国里东张西望。老实说，我甚至以为这是人生最美好的时刻——直到我10年后在谷歌担负起更加重大的使命。
我的整个职业生涯都致力于在我的管理权限下，构建能够在运营管理中发挥分析功能这一关键作用的团队。幸运的是，一路走来，大部分都是成功案例，当然也犯过一些错误。我愿将一路上的重要经验分享给大家。所以，这篇文章本质上是回顾性的。
一场摧古拉朽的数据革命
我实际上最想对各位说一句话：立刻开始变革！深入研究，快速行动，别再空谈误事了！竞争对手已经开始行动了！
不要搞错了，本质上来讲，这是你的公司的一次转型。当然，这场转型是全方位的。强调全方位，是因为太多企业的高管眼光狭隘，将其视为工具中心主义的变革，或者雇用几个所谓的“大数据”分析师、机器学习专家了事。就我见到的或参与的分析革命来说，但凡最后成功的，走的全是自上而下的路子，无一例外。与利用新式资源与和雇用技术专家推动相比，文化层面的变革对这场转型同样重要，甚至于文化变革的意义更为重大。遗憾的是，时至今日，还有很多企业领导者和总裁在分析与计算面前望而却步。我的建议是：迅速接受教育。所谓接受教育，不是去读拿一个有关运营研究或机器学习的硕士学位。而是去找一位专家，让他把这些能力转化为公司高管使用的、能够上传下达的语言。这是最易出错的，因为太多高管把这个任务委派给下级组织，而下级组织又迷失在其他重量级优先的业务中。
这场转型如同之前所有良性转型一样，必须有详尽的计划，这一计划应当包括可量化的目标、时间表、配套的专用资源。此外，这是一场极其重要的转型，不能理解成一个可有可无项目。用一句话概括就是，既要抱负远大，又要脚踏实地。谈到数据分析，特别是机器学习、人工智能的愿景，如今的媒体四处充斥着极度乐观（也是过分炒作）的故事，根本不切实际、难以置信。别被炒作带偏了！说句实话，大多数公司仍然处于数据分析的发展初期。所以既要抱负远大，又要脚踏实地。别忘了，像谷歌、亚马逊这些公司，十几年前就已经致力于上述转型的研究进程。你的公司不可能一蹴而就。
7大法则，手把手教你打造数据帝国
接下来，让我们深入探讨一下数据分析的微妙细节。通过总结在数据分析领域从业25年的职业经历，我提炼出了几条核心经验，以飨读者。
- 始终围绕一个目标函数进行思考（比如，从一开始就搞清楚要解决什么问题）：所谓目标函数，指有待处理的头等大事。作为一位工程师，我认为这条原则就是要用第一原则的方法去解决问题：必在寻找解决路径之前，须搞清楚问题到底是什么，要达到什么目标。这个要求看起来好像不证自明或无足轻重，其实不然。在会议中，经常方案已经提出来了，但“到底在解决什么问题”这种最基本的答案却没人知道，这种令人震惊的情况太多了。事实上，我几乎每天都要问一次：“到底在解决什么问题？”所以，选取最重要的目标函数，并以此为起点，不要试图一次性解决全部问题。
- 数据是世界级分析公司的基石：就像房子需要坚固的地基一样，依靠数据驱动的企业也需要坚实的基础。不幸的是，多数企业的数据基础往往是孤岛式的：残存在难以查询的老旧系统里，或者质量堪忧（也可能上述两种问题兼有）。你的公司很可能要对数据有方法、有步骤地进行一番清理与组织。这项工作对资源和毅力的要求都很高。因此，我送你一句忠告：别寄希望于将过去残留的数据问题一一改正。你应该以目标函数为指导，先从小处着眼，只清理必要数据，能够回答出目标函数包含的基本问题即可。一定要避免陷入数据清理的泥沼，因此消耗公司的大部分资源。
- 数据不是多多益善：每一家企业，哪怕是谷歌这样的大公司，都要承受海量数据这把双刃剑的负面影响，患上“见解贫穷症”（insight poor syndrome）。既然我们已经具有庞大而廉价的计算能力，就应该收集各式各样的信息，哪怕它们看起来平平无奇。在海量数据面前，与其丢失某些关键结论，倒不如一股脑地把信息全都收集起来。我这样说，是因为大多数人为了形成结论，都是在大海捞针。可笑的是，若想形成结论，必须诉诸于海量数据的分析与管理，而这是一项比形成结论复杂无数倍的工作。所以，还是要从目标函数出发，把重心放在有利于解决特定问题的数据上，得出最具针对性的结论。在数据海洋里，人容易沉溺，但要牢记，数据只是手段，不是目的。
- 聘请世界级的分析管理者：回顾我请来的分析管理者，他们身上会有一些共同的特质：（1）都是世界顶级工程学院或商学院的博士毕业生；（2）知识渊博、态度谦逊，他们不是令公司上下望而却步，而是将大家凝聚在一起；（3）具有双语能力，既能流利地使用运营研究与数据分析工具等语言，又能熟练使用收入报表、收支平衡表、会计原则等财务语汇；（4）做教育培训工作，为高管、高管的同级及其团队进行辅导；（5）从实际出发，不愿待在结算室、象牙塔里写学术论文，不做书呆子；（6）有能力紧盯事物的发展趋势，是组织变革的真正力量，在变革进程中发挥着关键性的作用，且对此态度严肃。我的建议是：不要吝啬时间，好好找一位管理者。能否找到一位正确的分析管理者，决定了公司变革的成败。
- 打造正确的分析型组织：这一方面可能不存在一个普适的模型。但是，我打造的中心化的分析型组织在整个企业机能中发挥了核心资源的作用，取得了显著成效。应用这种模型，管理者可以聘请并留住人才，应对企业中最有意思、最具挑战性的难题。资源的集中整合，有利于找到数据分析的最佳路径。当然，管理者必须对整合团队聘请的人才的技能、个性了如指掌。也就是说，既想当主角又不想得罪人的，不适合这里。别忘了，现在打的是人才争夺战。一个好的分析团队，值得砸重金聘请。不要斤斤计较！
- 知道用什么工具（即分析工具），解决什么问题：其实，早在第二次世界大战后，数据分析和数据科学就已正式问世，只不过当时叫作数据与运营研究。随着高强度计算能力的实现，数据科学以“大数据”的面目重新出现。再加上神经网络芯片和算法技术的突飞猛进，机器科学和深度学习开始进入我们的视野。要记得技术成熟度曲线的启发——对某一个特定问题，存在无数个数据分析工具与路径。机器学习、深度学习、运营研究、分析等，这些都不是相互排斥以及不可转化的。企业中的每个人都应该心中有数，知道什么问题该用什么工具或技术去解决，以及知道何时解决。
- 现在就开始行动！我再重复一遍：你和你的企业容不得一分一秒的耽搁了！