肟突Ш凸┯ι坛晌桓稣澹⒛芏钥突Ш凸┯ι套龀隹焖俜从ΑＨ绻⑾治涤肽暮献骰锇楹腿莼Ч叵档呐Ω嗉性诔杀旧虾臀窒肿瓷希皇亲ㄗ⒂谂俳茉黾右滴窦壑档慕饩龇桨干希敲淳推拦滥募际趸〗峁梗托枰彻巯肿床⒘肀脔杈丁�
商务启示
◆了解您的数字并不是说每月去结算账本。它应能很好地把数据用于营销和销售以及财务目的。
◆写在纸上的数字是死胡同；数字化形式的数字是有意义的思考和行动的开始。
◆快速、精确的数字使客户行为能驱策您和您的合伙人立即反应。
诊断您的数字神经系统
◆您的数字系统在流程开端和每次与客户及合伙人的交易中都能记录您的业务数据吗？
◆您能将您的合作伙伴的数字集成到您的系统当中吗？
◆您是否有一个完整的客户信息数据库，并充分发挥了它的作用？
第十三章 使员工转移到思考性工作上来
我们把大量的数据看作可供借鉴的一份财产。这些数据越庞大越好——假如您有足够的工具来分析它、组合它，并且使自己更有创造性。
——布里特·梅约，宾州石油公司信息技术部主任
更优良的电脑系统不可避免的结果，就是更精明地利用员工的时间。马克和斯宾赛公司用智能软件不断地扫描它的销售数据，追踪销售趋势，发现什么货畅销，什么货卖不动，从而得以更有效地利用其500～600名采购员。这些采购员不用翻阅前一天厚厚的书面报告来确定销售情况是否良好，可以把时间更有效地花在利用最新数据提供给他们的信息上。如果销售情形如人所愿，那么就不用人来干涉，而新的软件系统自己就可以监测销售数据，并标出那些销售量超过或低于预定量的货物。系统自动做出例外报告，而采购员则只处理例外事件。
马克和斯宾赛的信息技术和后勤处处长济斯·博格说：“有了这些智能系统，我们就能让员工从重复性的、不用思考的工作转移到更有生产效率的活动中去。他们只利用自己的智力来处理例外事件，而让电脑去做其他一切决策。我们可以重新分派这些员工，让他们选择新产品，做市场分析，以及从事其他一些增值性的活动，而不是照管日常存货。因而，采购员们的时间花得更有效率，比以前增加了多得多的价值。”
利用软件来处理日常数据琐碎杂务，能让您有机会在真正重要的地方添上您本人的手笔。在明显是人写的便条和一封电脑打印的通用信函之间，在接听人打来的关于某一新产品或特殊事件的电话和电脑打的电话之间，有相当明显的差别。让一个人来接待一位对某重要事件感到不满的客户或有特殊需求的客户，其价值之高是不可估量的。例如，在一家旅馆里，智能软件能够极大地缩短入住登记和结账离开的时间，也可以征求常规的顾客反馈，从而给员工腾出时间。如果多安排六七个人充任前台接待员而不是普通职员，那么顾客岂不会在旅馆里住得开心得多吗？
然而电子贸易却带来新的挑战。在一家直接售货的商店里，销售员可以利用与顾客直接接触的过程，例如顾客提问、着装款式，以及外貌、语言等来更好地揣测顾客的兴趣。但是在网上商店里，却没人能看见顾客，而又要让顾客尽可能地自己购物，因此网上商店的店主要做的是一种饶有兴趣的侦探性工作。在顾客浏览行为和购物历史的基础上，您将怎样来设计顾客身份的模式呢？这就需要尖端的数据分析能力。
扩大人类分析的范围
马克和斯宾赛所用的数字分析工具能让人们只注意例外而不是常规，并且也正在改变着工作的性质。它们的功能如此强大，以至于让马克和斯宾赛的一些雇员在开始时曾担心被电脑取代。对于任何做决策的职能不是让人进行，而完全让机器来干，人们自然会抵触。当一个数据库扩张到足够庞大、足够复杂时，电脑可以进行初期的搜索和分类，且比人干得好得多，而人却不能在大量主要的数据中认别模式。而在数据库里、在文档系统里、在消息系统里，以及在网址上可获得的数据，却呈指数增长。我们获得这一切数据的全部价值的唯一办法，就是用电脑工具来索求，并把它转化为可操作的信息。
利用软件十进制在大量数据中寻找有用的模式，这叫做数据挖掘。数据挖掘的第一个主要步骤就是在线分析处理（OLAP），它使得多种询问更为有效。原本作为结算和统计的目的而搜集的数据，被认为是一座潜在的信息宝藏，可供编制模式、预测，以及支持决策。各公司开始创建公司数据库，也称作数据仓库，以便满足这些对商务分析的新需求。集中在一家企业的某方面或部门的数据子集，往往称为数据市场。
哈泼柯林斯出版公司利用基于PC之上的在线分析处理系统，追踪实时书籍销售情形，以便印刷出足够的书来满足分销商的需求。该公司用这一方法就可避免在销售渠道里积压大批未售出的书，否则出版商就要把这些书作为退货收回来。这个新的系统运作了仅仅一年，就帮助哈泼柯林斯公司把其最畅销书的退货率从30％减少到10％。每个百分点都代表着数百万美元的节省。
数字化工具把信息分门别类
在大部分商务组织里，人们需要用各种方法来查看信息。高级经理们往往想查看销售情况的综合视图，然后查看按地区列出的视图，接着查看按国家列出的视图。销售经理们想查看小组销售和个人销售的数字，或顾客账户的数字。产品经理们则想查看根据销售渠道划分的数字或更深层地看那些存货单元（SKUs）销售势头旺盛或疲软。不同的人查看的信息也各不同，如月份销售量或本年度最近销售量、实际销售量与预算之比、销售的逐年变化，以美元计算的销售量或以其他货币计算的销售量。因此，典型的情况就是，一家公司的财会部门需要制做出许多不同的报表来满足这些多样的商务需求。
这些报表经常可以用电子表格的数字方式来制作。大纲控制可让商界人士从摘要层面开始，然后在任一项目上单击鼠标，以便深入到下属各层的细节。另一个被称作表格透视功能，即使您在多种视图上看到同样的数据。假如您正在看按销售员分类的销售数量，但又想转移到按顾客分类的视图，那么您就可以把“顾客标签”拖曳到恰当的那一行去改变视图。当这些功能与把潜在的数据转化为标准格式的模板结合起来，就得到功能强大的、灵活的数字报表，每个人都可以把该报表个性化，以满足具体的需要。这样的报表也可以用电子邮件四处发达，以供进一步分析和讨论。
中枢表格与一家公司的数据仓栈结合起来后其功能尤其强大。该仓栈的每一个数据库通常有有限的报表功能，从而把制表工作局限于更懂技术的人员。典型情况就是，当人们不知道他们什么时候需要某些详尽的信息时，就可能费时约20～30分钟进行数据库咨询。与数据库连接的中枢表格，可以把数据仓栈的进入权扩大到所有的商务用户，而电子表格界面则可以使用户进行摘要层面上的咨询，并且一步一步地细分下去，以得到更多细节。由于每次数据更新都牵涉到很少的数据，因此回应是很快的。这个界面可以延伸到一个活跃的数据来源，例如实时股票市场馈送。
对商界人士来说，数字工具意味着更快更深层的分析。对会计来说，数字工具意味着花更少时间编写报表，花更多时间帮助商务分析和探索例外情况。对管理商务数据的人员来说，数字工具意味着更快速地得到高质量的信息，使他们每月的结账只要一两天就够了，而不需要几星期。财会部门则不增加人员就可以接受新添加的、牵涉到新数据的任务，例如长期规划、雇员使用情况分析或固定资产分析。
数字工具能做而书面报表所不能做的事情，就是它能使每个人都可以提出即将发生的下一个问题，而您又不知道那个问题将会是什么，所以您就需要利用工具来帮助您独立地探索答案。
哈泼柯林斯公司的在线分析系统使它能够提出这样一些问题：该分销商本周关于这本书的盈利状况如何？但是在线分析系统需要有人来指导询问，而传统的数据库和在线分析系统都不能为在数据中表述不清楚，但又很重要的商务问题找到答案。例如，我的哪一位顾客可能选择产品甲而不是产品乙？满意的顾客和不满意的顾客之间区别何在？我的数据库中哪些顾客与该库中另一些顾客“相似”？诸如此类的非具体性探询，会使在线分析系统的使用者晕头转向、不知所措，因此是没有意义的。高级的数据挖掘技术会利用软件在富含信息的环境里漫游，帮助用户口答一些商务问题，而这些技术人员不必是统计学、数据分析或数据库方面的专家。
数据挖掘能处理的一些难题如下：基于顾客的年龄、性别、人口统计数据和其他类似因素，对顾客购买某一具体货物的可能性做出预测；识别出具有相似浏览习惯的顾客；辨别出具体的顾客偏好，以便提供改进的个人服务；辨别出频繁被访的网页顺序中所涉及到的日期和时间，或顾客打电话模式的频繁时间段；找出高频率地被组合在一起的所有产品组。其最后的一个技术难题通常对商家发现购买模式是很有价值的。但是同一程序的两种报销代码之间的联系，使一家澳大利亚保健公司能够发现用重复报销进行欺诈的1000万美元的花账。
数据挖掘也是预测销售量，并与合伙人和顾客共享这一分析成果的一种有价值的工具。数据挖掘正被利用于生产。银行业、远距离通信、行垦地质学/遥感，以及管理互动式网上商店。例如，微软网址服务器贸易3．0通过识别一个网址上的顾客行为模式，可以预测购物者的兴趣并可以为每一位来访者特制在线购物经验。网上商店可以为每一位来访者特制广告、促销活动和搭配销售报盘。数据挖掘技术也可以保证一家网上商店不用发出大批量的电子信件给其顾客，报一些他们不可能感兴趣的发盘，从而可以避免一项经常被忽略的成本，即用不相干的信息惹恼顾客的代价。
一些不那么典型但却有意义的数据挖掘技术的运用，包括对被领养儿童的档案分析，以便提供更好的社会服务，以及为NBA篮球队搜觅队员。数据挖掘为犹他州爵士队，提供了一整套关于芝加哥公牛队的迈克尔·乔丹的每一个动向的材料，包括一次单人运球，他在传球两三次后一跃而起投篮。但是，数据分析的好坏取决于您实施的能力。犹他州爵士队尽管知道了乔丹的情况，但却阻止不了他用那种运球动作投出决定胜负的一球。在那场球赛中，这一球为芝加哥队赢得了1998年度NBA总决赛冠军。
在商务上最常用的数据挖掘就是数据库营销，公司借此分析数据，以期发现顾客的喜好，然后向具体的顾客群体发出有针对性的报盘。例如，美国航空公司利用其频繁飞行的旅客项目中2600万个成员的信息——例如他们所使用的租车公司、旅馆，以及餐馆等——来拟订有针对性的营销活动，从而节约了1亿多美元的成本。
节约成本，在于编制更精确的顾客模式和削减发出邮件数量的能力。例如，一次诸如采用推销信用卡的直接营销活动，通常仅有大约2％的回应率。美国的梅隆银行在1997年设定了争取20万新户头的目标，为此计划向1000万可能的顾客邮寄邀请函。然而，这家银行却利用了数据挖掘技术产生了3000个最可能的顾客的模式。对这些模式的子集再加以精选，产生了更小的一个数目。测试表明，这个更小的数目会产生12％的回应率。这个回应率使得这家银行只需发出200万份邀请函即可获得他们想要的20万名顾客，而不是原定的向1000万人发出信函。因此，利用数据挖掘技术除了削减成本之外．还提高了每位新开户的顾客的平均利润率，其利润要比通常高3倍，因为该技术瞄准了那些需求最适合梅隆银行服务项目的顾客。
这个例子说明了数据挖掘的两个重要方面。第一个方面仅就其规模而言：牵涉到的数据量和所探索的模式数目要比传统的数据分析量大得多。第二个方面就是，即使是受过高级培训的专家也能获益于数据挖掘；正如我们在梅隆银行的例子中所见，一个外部专家小组得出的结果比本公司专职数据分析部门用常规方法得出的结果高6倍，而所花时间只是后者的四分之一。我们的一个主要目标就是使数据�