麦肯锡中国银行业CEO季刊 | 内部大数据学院：高级分析时代的决胜利器

单纯依靠外招科技数据人才无法全面支持数字化转型。领先资管公司需要提升组织数字商来助力转型，打造总部大数据学院是一个重要抓手。本文将探讨大数据学院的关键价值与成功实践，以期为志在推进大数据规模化应用的资管公司提供启示。

作者：Solly Brown、Darshit Gandhi、Louise Herring、Holger Hürtgen、Sebastian Kerkhoff和Ankur Puri

随着人工智能（AI）兴起，金融机构领导者面对一系列重要机遇。如何把握机遇、实现大数据高级分析的规模化应用，利用新技术在新环境下脱颖而出，也成了随之而来的挑战。为应对挑战，各企业管理者、业务人员、分析团队和终端使用者均需调整思路，转变工作方式，以有效利用高级分析为切入点，进一步展开数据挖掘、敏捷开发和跨学科团队合作。

企业通常会招聘大量具备上述能力的新型人才，直接为我所用。招聘虽能快速填补需求缺口（如在大数据高级分析实践之初提供所需要的人力资源），但在满足后续人才需求方面却效果不佳。企业若想创建稳定的分析技术团队，最好的方法是挑选已掌握大量相关知识的现有员工并对他们进行培训。外部机构的培训产品尽管种类繁多，但对企业而言，这些产品可能存在设计不全面、针对性不强、框架衔接性不高等诸多问题。然而，为了推动业务、分析和运营专家展开深入持久的跨职能协作和敏捷实践，这些设计要求至关重要。

根据我们的经验，为有效地实现技能升级，实现向AI的全速转型，打造一个全面、定制化的内部“大数据学院”才是企业的最佳选择。

在本文中，我们将探讨设立大数据学院的重要意义和原因，并分享六个最佳实践案例。

大数据学院的兴起

我们的经验表明，在企业内部设立大数据学院，为员工提供定制化的科技、数据和人工智能相关培训行之有效。大数据学院通过聚焦以下三方面，打造出能有效推动数字商提升的组织机制：

1

共同的愿景、语言和制度贯穿整个培训过程

保证所有利益相关者（高管、业务团队、分析团队和一线员工）专注于同一目标：将大数据高级分析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。此外，这一做法还可以确保人尽其才，既能最大限度地提高整个企业的专业知识水平，还可为企业留住数据科学家等炙手可热的专业人才——他们往往很看重通过实际业务来学习和发展的机会。

2

将定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。学院还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如何为预期目标提供支持。例如，领导者在掌握大数据高级分析后，可以有针对性地制定并执行战略，让企业在竞争中保持领先；学院会为业务人员提供技术知识，帮助他们通过大数据高级分析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领域；学院还会考虑如何让员工跳出惯性思维转，更多地使用人工智能工具。

3

活跃的学徒制

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“翻译”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，“翻译”也可从类似的实践学习中受益。

大数据学院的运作没有固定模板可以照搬。每一家企业在资源、规模以及对人工智能和大数据高级分析的需求各不相同，因此，各企业内大数据学院的组织架构也会存在差异。

例如，某全球金属制造商为有效指导公司的人工智能和大数据高级分析转型，首先将关注点放在开发领导力培训计划上。原因是该公司许多业务和运营部门高管起初对人工智能和大数据高级分析转型计划持怀疑态度，或因感觉转型不在自身舒适区而不予以支持。在培训计划的推动下，他们后来都成了转型的强力拥护者，带领企业降低了旗下15家工厂的运营成本。

我们曾经合作过的一家美国保险公司的情况则有所不同。这家公司的领导者已经十分熟悉人工智能和大数据高级分析并进行了相关投资，因此，该公司将第一批能力建设目标设定为大约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体系中更默契地配合，帮助销售人员更好地理解客户需求。

建立高效大数据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获取转型价值的速度、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对象和所需课程。

1

将培训与转型挂钩

若能将大数据学院的技能建设与公司的人工智能和大数据高级分析转型路线图结合，则培训效果将事半功倍。通过明确阐述新技能的作用，企业可确保自己拥有合适的人才和技能来推进公司战略转型，并从能力建设中展示切实价值。

为解决产能低效问题，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做了充分准备，将人工智能和大数据高级分析嵌入日常运营。得益于此，领导者深入了解了人工智能和大数据高级分析的工作原理，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“可以应用在哪里”（例如神经网络等特定人工智能技术可以在哪些环节应用）转移到“最值得应用在哪里”上。

某大型零售集团的大数据学院，以推动全公司范围内的人工智能转型、赶上网购浪潮为目标。学院创建之初，经验老道的决策者和不同岗位的工作者对人工智能都不甚了解，他们只是抱着存疑的态度在公司内部小范围应用。短短6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%的人工智能工具被投入使用，息税前利润增长了70%。

2

全员参与，“一个也不能少”

董事会、高管、业务和职能部门、技术团队和终端使用者等各个层面需要相互配合，辅以“技术翻译”专家的专业知识，才能带来大规模影响。数字化转型涉及人群广、范围宽，因此，学院通常会提供一个分阶段、可持续的精简学习机制。

以某欧洲领先资产管理公司的数字技能培训计划为例，该培训计划提升员工的数字化熟练度及数字技能，培训计划分为三个层级：1）基础课，了解组织转型蓝图及基础知识，明白数字化技能提升目的；2）选修课，领导并参与组织数字化转型革新；3）精英课，设计和推进组织的数字化转型革新。不同岗位的员工被推荐参与不同层级的数字培训课程，公司还设立了成功标准和关键绩效指标，方便跟踪各级培训的有效性。另一美国领先资管机构，要求所有新入职的分析师必须学习Python课程，将编程技能作为员工的必备能力。

在选择需接受培训的终端使用者时，大多数公司通常会优先考虑那些对人工智能或者大数据高级分析需求高的员工，如门店经理或知识工人；再逐步拓展至对新型人工智能或者大数据高级分析工具需求较低的一线员工。例如前文提及的零售集团计划为包括门店收银员在内的全体4万名员工提供培训，以达到全方位的变革成效。

3

培训内容超越技术本身

通常，“技术培训”是高管们对大数据学院的第一设想。学院提供的基础课程固然重要（例如帮助高管学习人工智能或高级分析，从而跟上快速的技术变化），但要使项目成功，组织和文化变革更为关键。

在人工智能和大数据高级分析转型之初，影响学习计划最重要的因素包括：

• 策略、文化、组织和人才 ：领导者项目主要关注如何驱动价值、重塑组织以及发展数据驱动的文化。
• 软技能和商业知识 ：技术专家项目应重点关注软技能，如有效的沟通（技术团队的短板）和特定业务知识，如类别管理，以提高定义和优先处理业务问题的能力，从而提升人工智能工具使用效率。
• 敏捷开发和跨职能团队合作 ：为创建人工智能新工具，技术团队如何应用敏捷方法，实现跨学科协作。
• 计划和改变管理技能 ：随着时间推移，“技术翻译”和领导者的工作重点该如何调整，以确保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。
  

4

理论与实际结合

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。通过目标明确的学习过程，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”。例如在上文述及的那家金属制造商，接受过“技术翻译”培训的流程控制工程师发起了该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设计、采用和培训。

5

为参与者设置激励机制

某家涉及多个行业的控股公司提供了一个激励员工加入学院、应用知识的模式。首先，该公司将主要角色（如“技术翻译”和数据科学家）的培训定位为“特权”，只有经商业领袖提名，并经过公司董事长、副董事长、分析团队和学院项目负责人挑选批准之后，或通过技术评估测试后，才可参加培训。

其次，在个人完成课程、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）后，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，学院学员在开展实地工作过程中，若有未按计划发展的失败用例，也不会被批评。相反，失败案例会被提交给专家，甚至上报首席执行官，以供交流和探讨新知识之用。

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，分享所学知识和所从事的项目。用例团队由浅入深地向其他项目成员和同事展示技术。公司还举行全员参与的黑客马拉松比赛，为员工提供开放平台，将创新想法付诸实践。

6

学院和课程设置要与时俱进

人工智能技术日新月异，技术专家因而也需要与时俱进。人员的频繁流动要求新员工能够快速获得相关知识。随着变革的推进，跨职能团队找到了更好的合作方式，让学院能够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，在老教师的陪同下，部分第一批优秀学员将成为助教，在第二批和第三批培训中辅助课程的教授。随着时间的推移，他们会被赋予越来越多的课程主导权。到第四批培训时，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内创建了一支新团队，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、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 。例如某企业的首席执行官会在每个培训项目开学当天与学员共进午餐，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，能力建设成了各机构推动人工智能和大数据高级分析规模化发展的首要任务。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人工智能的全部力量。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人工智能的愿景。

为了在组织内特定层面推动多元化员工队伍能力建设，大数据学院需要设计有针对性的学习计划。事实证明，接受过学院培训的团队在推动AI部署方面会获得更大的关注度。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是麦肯锡资深行业专家，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。

本文选自麦肯锡 中国银行业CEO季刊《全球资管行业数字化转型战略蓝图与实践》