麥肯錫曾在一份談「大數據」的報告中，預測美國在2018年將會面臨14～19萬名有深度數據分析能力的人才缺口。照此推算，台灣缺少1萬名數據科學家。若缺額全部來自台灣前一千大企業，平均每家企業將會短缺10位數據科學家。
這已經不是新聞了，台灣企業都認為懂得做數據分析的人才很難找。
在同一份報告中，麥肯錫也預測美國將會缺少150萬名能用數據分析結果做出有效決策的經理人。用同樣推算方法，每家台灣前一千大企業則缺少100位能用深度數據分析結果做決策的經理人。
這倒是新聞了！因為台灣前一千大企業很少會認為自己缺少100位能用深度數據分析做決策的經理人。這樣的經理人應該負擔什麼責任？做什麼事？該怎麼做？我有個親身體驗可以和大家分享。
催收欠款，要先催欠多的還是欠少的？
美國的第一資本銀行（Capital One）運用資訊做決策，在競爭激烈的信用卡市場後來居上，打下一片江山，是金融界的經典案例。久聞該銀行傳奇，我在2001年加入該銀行，負責催收業務策略。
當時，該銀行有200萬名客戶遲繳高達20億美元的信用卡債，但只有1000多位催收人員，寶貴的資源該如何分配？怎麼做才能提升催收人員的產值？
太早對客戶催收，有可能會浪費催收資源原本就會還錢的客戶身上；太晚催收，財務狀況已經不好的客戶，財務可能惡化，更還不出錢來，加大銀行損失。
銀行當時也試過各種不同的策略：風險高的客戶優先催收（因為風險高嘛）；風險低的客戶優先催收（免得其他銀行先把客戶的錢要走，客戶變成風險高）；先催錢欠得多的（從肥的先下手）；催錢欠得少的（也許客戶會比較乾脆，一次還清欠款）各種策略，都已經有多年的嘗試，改進的門檻愈墊愈高。該採取什麼策略，才能讓催收更有效益？
「Big Data」的關鍵不在Data，在analytics
我檢視前人已經嘗試過的各種催收策略後，提出「以『投資報酬率』決定催收優先順序」的構想。
進行的方式是利用銀行原本擁有的資料，例如客戶欠款的金額、曾經被催收過的次數、上次催收日期、每次催收的反應、每次還款的金額、信用風險評分等等，來計算每一位客戶「隔天被催收的預期回收金額」與「預期消耗的催收資源」之期望報酬率，然後將期望報酬率最高的20萬名客戶，排入第二天催收的名單。
說服眾人這種方式的可行性後，我帶領一群資料分析師、統計人員，以及商業分析師，以三個月時間，建立「以每位欠款戶在銀行的最新資訊」計算「次日催收的預期投資報酬率」的經濟模型以及決策流程。
然後我又以兩個月，面對其他分析師的同儕檢視(peer reviews)，確認建模方法、資料運用，以及決策流程之合理性。最後以預期的經濟效益，向最高管理階層爭取試行的機會。銀行經過幾個月的控制實驗，確認可以額外產生8000萬美金的純益後，全面採用我的策略。
深度客戶數據分析的目的，是預測客戶未來的行為。可是，必須依賴商業分析人員，才能將行為的預期，轉化為能產生經濟價值的決策。如同我常說的：「Big data的關鍵不在data，在analytics；analytics的關鍵不在statistics，在economics。」能聽得懂、做得到的企業，才有能力用「大數據」賺到錢。
