制胜高级分析时代：成立内部大数据学院

时间：2020-01-22 23:04:43 来源：作者：网络

原标题：制胜高级分析时代：成立内部大数据学院

随着人工智能（AI）的崛起，如何打造一个能抓住机遇、实现AI规模化应用的组织，是许多领导面临的关键挑战。

为应对挑战，各家企业的领导、业务人员、分析团队和终端AI工具用户需以新的方式来工作、思考，从有效利用AI做起，再深入至数据挖掘、敏捷开发和跨学科的团队合作。

公司通常会大量招聘具备上述能力的新人才，并通过在线学习平台及管理层项目培训员工，提升技能。然而，招聘虽能快速填补需求缺口（如提供在AI实践之初所需要的人才），但难以满足后续的人才需求。例如，企业若想创建稳定的分析解读师团队，最好培训已掌握大量相关知识的现有员工。然而，外部机构的培训虽然种类繁多，但是对于具体企业而言，培训设计往往不够全面、针对性不强、框架的衔接性也不高。但对于推动业务、分析和运营专家之间深入持久的跨职能协作和敏捷实践而言，这些课程设计的内容至关重要。

根据我们的经验，要进行技能升级，企业可建立一个全面、定制化的内部“分析学院”，推动企业向AI的全速转型。

在本文中，我们将探讨分析学院的成功原因，并分享六个最佳实践案例。

现阶段，分析学院的重点任务是帮助企业成功地将AI规模化。因此，学院的第一要务是培训相关核心人物，例如培养业务人员的“分析解读”能力。随着更多AI系统被部署，当机器替代人类部分工种时，企业又如何对工人进行再培训？我们相信分析学院能在这种再培训中发挥作用。但鉴于此话题的宏大，此篇暂不讨论。

分析学院的兴起

我们的经验表明，在对大量员工进行AI相关培训上，分析学院极其有效。它着眼于以下三方面，以构建出一套能将AI规模化的组织机制：

1. 以共同的愿景、语言和制度贯穿整个培训，保证所有的利益相关者（高管、业务团队、分析团队和一线员工）专注于同一目标：将AI成功嵌入公司业务的核心要素；在寻找和开发解决方案时，企业可遵循同样的方法，促进团队理解彼此的角色和职责。这样做能让知识内化为流程制度，促进团队建设，更快、更好地架构起基础方案。如此，组织还可人尽其才，既能最大限度地提高整个企业的专业知识水平，还可以留住广受欢迎的专家（如数据科学家），他们往往很看重通过实际业务问题来学习和发展的机会。

2. 将客制化的内容与企业目标、出发点和行业背景相关联，确保培训转化成商业价值。为此，学院的培训会考虑公司文化是否会阻碍进步，技能的差距有多少，同时会全局考虑公司的转型路线图；学院会根据公司业务和员工需求来设计学习方案，清楚说明学到的技能将如何支持预期目标。例如，只要领导者精通AI，他们就可制定并执行某项战略，使其在竞争中保持领先；学院会为业务人员提供技术知识，促进他们通过AI解决方案来满足业务需求；为了确保数据科学家、数据工程师和其他技术专家能熟练地与业务部门合作，学院会关注能带来最大价值的业务问题；学院还会考虑如何让员工跳出惯性思维，更多地使用AI工具。

3. 活跃的学徒制有助于将枯燥的理论变得生动，让学员“实践出真知”，从一个在课堂上对话题有所理解的“学习者”，成长为擅长使用技巧的“从业者”，再转变为在职能中起领导作用的“能手”。在某些情况下（比如掌握“分析解读师”知识），这种实战尤其关键。正如医学院的毕业生需要到医院实习，“分析解读师”也可从类似的实践学习中受益。

学院的运作没有固定模板可套。各公司的资源、规模、对AI的需求不同，因此，分析学院的组织架构也存在差异。

例如，为有效指导公司的AI转型，某全球金属生产商首先专注于开发其领导力培训计划，最终降低了15个制造厂的运营成本。许多业务和运营部门高管曾对AI计划持怀疑态度，或觉得AI不在自身舒适区，所以并不支持，他们后来都成了转型的强力拥护者。

相比之下，我们曾经合作过的一家美国保险公司的领导者已经熟知AI的能力，因此，该公司计划将其第一批能力建设目标设定为培训约25名数据工程师和数据科学家。这些技术专家需要接受敏捷开发培训、跨职能团队培训和业务培训，以便与销售团队在新系统中更默契地配合，帮助销售更好地理解客户需求。

建立高效分析学院的六大最佳实践案例

尽管没有单一的“学院”模板，但成功的学院案例给了我们几个关键思路：1）学院与战略目标同步；2）向每个利益相关者提供量身定制的学习计划（从最高层开始，贯穿整个组织）；3）解决所有重要的技能差距，而不仅仅是技术差距；4）促进在职学习，激励培训者参与活动，并保持培训目标的长期相关性。

通过整合分析，我们发现以下最佳实践可从根本上改变公司实现转型价值的速度、深度和规模。企业若考虑不周，则可能引发多米诺效应，例如，如果将学院视为独立个体而非变革的推动者，组织将难以确定培训的对象和所需的课程。

1.将培训与转型挂钩

将分析学院的技能建设与公司的AI转型路线图结合，培训的效果将事半功倍。通过阐明新技能的作用，他们可确保自己拥有合适的人才和技能，来推进公司的战略转型，并从能力建设中展示切实的价值。

为解决产能低效，某工业公司利用其学院让公司领导者、业务人员和分析团队为AI嵌入日常运营做了充分准备。得益于此，领导者深入了解了AI的工作原理，加大了持续改进制造模式的力度。与此同时，分析团队逐步将关注点从单纯的在哪些领域可以应用（例如神经网络等特定的AI技术可以在哪儿应用）转移到在哪些领域最值得应用上。

某大型零售集团的分析学院，旨在推动全公司范围内的AI转型，赶上网购化的浪潮。学院创建之初，经验老道的决策者和不同岗位的工作者对AI都不甚了解，抱着存疑的态度在公司内部小范围应用。

短短六个月后，该学院提升了1000多名员工的技能，并持续每周为150名新员工提供培训。在该公司的转型路线图上，已有超过40%的AI工具被投入使用，息税前利润增长了70%。

2.一个也不能少

董事会、高管、业务部门和职能部门、技术团队和终端用户等各阶层，需要相互配合，辅以“分析解读师”专家的专业知识，才可实现AI的大规模影响。由于涉及人群广、范围宽，因此，学院通常会提供一个分阶段、可持续、精简的学习机制。

对于终端用户，如工厂运营经理，学院会定期发送邮件，介绍数据的价值、AI对他们日常工作的影响和应用AI的成功案例，并组织会议引导提问与思考。随着终端用户逐渐熟悉AI，学院会提供有针对性的研讨会，帮助他们了解AI模型的分析思路和预测逻辑，建立起对AI工具的信任，以避免落入惯性思维陷阱。

当选择需接受培训的终端用户时，大多数公司通常会优先考虑那些对AI系统需求高的员工，如门店经理或知识工人；再逐步拓展至对新型AI工具需求低的一线员工。例如前文所提的零售集团，计划为包括门店收银员在内的4万名全体员工提供培训，以达到全方位的变革成效。

3.超越技术本身

通常，“技术培训”是高管们对分析学院的第一设想。学院提供的基础课程固然重要（例如帮助高管学习AI或帮助分析团队跟上快速的技术变化），但要使项目成功，扩大AI规模所需的组织和文化变革则更为关键。

在AI转型之初，某大型零售工业集团发现影响学习计划最重要的因素如下：

—— 策略、文化、组织和人才：领导者项目主要关注如何驱动价值、重塑组织和发展数据驱动的文化。

—— 软技能和商业知识：技术专家项目重点关注软技能，如有效的沟通（技术团队的短板）和特定的业务知识，如类别管理，以提高定义和优先处理业务问题的能力，从而提升使用AI工具的效率。

—— 敏捷开发和跨职能团队合作：为创建AI新工具，技术团队如何应用敏捷的方法和跨学科协作。

—— 计划和改变管理技能：随着时间的推移，“分析解读师”和领导者的工作重点是如何在采纳用例的过程中，让整个项目（从激发一线员工到价值捕捉与创造）保持吸引力。

这种能力建设立竿见影，包括参与计划的100多名领导对AI工具的需求加大，用例执行更加顺畅，大幅提高了AI的部署和应用。

4.结合“书本智慧”与“街头智慧”

成功的学院还将课堂理论与实际工作相结合，让学员在实践中学习，同时推进公司的改革议程。这种教学方式通常包括以下两个方面：

第二，在课堂外，学院针对公司的现行用例提供了辅导和在职培训。

通过在有目标的学习过程中将课堂学习和学徒制结合起来，帮助学员获得实际经验，从“学习者”成长为“从业者”。例如那家金属制造商，接受过“分析解读师”培训的过程控制工程师负责发起公司优化生产和供应链流程的第一个用例，引导团队积极探索待解决的问题（由此，他们发现优化合金配方能带来最大的影响），并推动生产线操作员参与看板的设计、采用和培训。

5.激励参与

某控股公司（涉及多个行业）提供了激励员工加入学院和知识应用的模式。首先，它将主要角色（如“分析解读师”和数据科学家）的培训定位为“特权”，只有经业务领袖提名、公司董事长、副董事长、分析和学院项目负责人挑选批准后，或通过技术评估测试后，才可参加培训。

其次，个人完成课程、团队完成项目和交付价值，以及组织实现里程碑（如优先用例的完成等成就），将被公开表彰。在公司年会上，表现优异者会在100多名领导面前被授予奖杯。

第三，学院学员在从事实地工作过程中，未按照计划发展的失败用例不会被批评，而是提交给专家，甚至上报首席执行官，以交流、探讨新知识。

最后，公司让培训成为一种社会活动，甚至形成学习社区。例如，学员会拍摄并上传2～3分钟的视频到社区网站上，分享所学知识和从事的项目。用例团队由浅入深地向其他项目成员和同事展示技术。

该公司现在正在其所在地组织大型AI社区的见面会和编程马拉松，甚至邀请当地机构的教师作为特邀演讲人，从根本上加大了对技能培养的需求。

6.保持相关性

AI技术日新月异，技术专家需要与时俱进。人员流动频繁，要求新员工可以快速获得相关知识。随着变革的推进，跨职能团队找到了更好的合作方式，得以让学院在变化的环境中不断发展：

—— 培养内部教师。聘用外部教师通常是在学院建立之初时的首选，但培养公司自身的教师队伍也同等重要。在某亚洲电信公司，在老教师的带领下，部分第一批优秀学员将成为助教，在第二轮和第三轮培训中辅助教授。随着时间的推移，他们会被赋予越来越多的课程主导权。到第四轮培训时，他们会从助教升为主讲人，根据需要接受专项指导。这家电信公司还将经验丰富的助教的课程录制下来，供新讲师参考。

—— 创建学院领导团队，负责壮大学院规模，持续更新课程，将实践经验带回课堂。如前文提到的金属制造商，该公司在其分析卓越中心中创建了一支新团队，直接向分析主管汇报，负责监督学院的发展。该团队包括一名学院院长和各个学习方向的内容经理，以及公司HR部门的培训计划人员。

—— 获得领导的持续支持。前文提到的工业企业的首席执行官会在每个培训项目开学当天与学院的学员共进午餐，强调任务的重要性，在公司级活动中向学院毕业生颁奖，让表现最好的员工优先挑选岗位。这种支持不仅能激发学院培训的热情，还能提高毕业生（及其技能）的知名度，以确保他们在公司未来的转型中人尽其才。

近些年来，能力建设成了各个组织开展AI规模化的首要任务。光靠建立技术平台、寻找投资机会，聘用数据科学家不足以发挥AI的全部力量。更重要的是，公司领导（包括董事会成员、高管）需积极参与，与团队共同组建跨职能分析团队，提升一线终端用户的技能，确保人人有技能、岗岗有专员，从而实现公司大规模应用AI的愿景。

为了在组织特定的层面推动多元化员工队伍建设，分析学院需要设计有针对性的学习计划。事实证明，受过学院培训的团队在AI方面获得了更大的成绩。正所谓“磨刀不误砍柴工”，随着技术的不断发展，学院能确保员工“磨好刀”，因此无惧未来。

作者：

Solly Brown是麦肯锡全球董事合伙人，常驻悉尼分公司；

Darshit Gandhi是麦肯锡全球副董事合伙人，常驻纽约分公司；

Louise Herring是麦肯锡全球董事合伙人，常驻伦敦分公司；

Holger Hürtgen是麦肯锡全球董事合伙人，常驻杜塞尔多夫分公司；

Sebastian Kerkhoff是麦肯锡资深专家，常驻杜塞尔多夫分公司；

Ankur Puri是麦肯锡全球董事合伙人，常驻德里分公司。