「微觀數據力」雖然可突顯企業文化本身存在的問題，但「宏觀數據力」才能產生根本上數據策略的激發，並協助串聯企業各部門合作。

員工A：「敝公司使用數據的能力非常強，我們售出的每一台機器，都可以遠端回傳機器使用的紀錄檔（log file）。依據歷史資料以及各項參數的性能設定，我們可以預測機器可能在什麼時候會出現問題、需要什麼備件，進而預測各項關鍵備件的囤貨量，並與維修紀錄作對照，微調上下游廠商每一季的備件訂貨數量。」

員工B： 「敝公司使用數據的能力非常落後，業務單位完全無法掌控客戶對維修問題的不滿；行銷部門因此無法針對高回報率維修的痛點，準備有力說帖，所以業務部門都只能默默拜訪客戶，聽客戶的不滿。」

你大概猜得到，員工A與B其實來自同一間公司。

同樣一間企業，不同部門為何對自家掌握「數據」能力，有截然不同的看法？究其根本，數據並不是問題核心，真正的問題是，一間企業缺乏跨部門溝通，也就是只有「微觀數據力」。在這個資訊爆炸、計算能力強大的時代，數據力的重要性呈指數成長，企業數據思維不足的文化難題也隨之放大。

或許你會想，耳熟能詳的數據應用三步驟：「定義數據要解決的問題」、「定義數據解決後要產生的效益」、「數據分析方法與模型的選擇」好好應用不就解決了嗎？ 但是，我想提出一個重要的觀點： 即便企業在每個能運用數據分析協助的商業問題中，都切實應用了這三步驟，數據力還是可能等於零。

最大的癥結點就在於，企業只用「微觀數據力」，完全忽略了「宏觀數據力」才是致勝關鍵。

用上述的員工對話來舉個簡單的例子。假設我們定義一個要用數據來解決的問題為「針對維修備件做季度預測，以減少囤貨跟增加現金轉換能力」。用「微觀數據力」來分析的話並不困難，根據這個問題的定義，企業可蒐集機器設備的功能回傳記錄檔，再針對設備研發時的「最佳起始參數」做標竿分析（benchmarking），定義出回傳紀錄檔中的資料代表什麼意義、反映出什麼情形。如此一來，自然能針對使用機器量做基本的維修需求規劃，藉此推測維修需要的備件，然後利用每個月的維修資料，去確認跟對照模型做機器學習，最終的備件規劃就可以達到最低囤貨、最高現金轉換能力的效果。

然而，從「宏觀數據力」的角度來探討時，共有三大重要步驟：

1. 目前定義要用數據來解決的問題，順利解決後所產生的效益，會對企業更高階的策略目標，有什麼貢獻或犧牲？

2. 數據蒐集、建模的每一個步驟中，有哪些可以與其他數據、部門結合，而達到企業最終的商業目標。

3. 在這些可合作的部門中，哪些資源、人員、與決策流程需要安排，以便將最後的分析結果化為實際行動。

回到上述舉例，假設一個企業的終極目標是成長，而成長來自於鞏固現有客戶及增加新客戶，那麼，在定義維修備件這個命題時，即可用宏觀數據力提升命題高度。首先，需思考達成「針對維修備件做季度預測，以減少囤貨跟增加現金轉換能力」的效益後，對企業的終極目標有什麼貢獻和犧牲（由於企業資源有限，達成一個目標時，往往也會犧牲另一個目標）。以及，設定預測模型所需要的數據來源與參數，以及模型建立的流程中，有哪些步驟可以與其他部門的數據、資訊、功能結合以提升現有客戶／新增客戶的成長？ 最後，針對可能可以結合的方案，思考哪些部門會需要共同執行？ 需經由哪些管理階層的同意？ 有哪些人員可以協助整合應用？

因此，準確預估維修備件的這個任務，除了用基礎的「微觀數據力」來思考之外，還能延伸思考維修預測能如何提升現有客戶對「預防性維修」的滿意度。同時藉由行銷「預防性維修」來讓客戶理解，雖然有高回報率的維修問題存在，但企業本身是以客戶利益為出發點，以預防問題產生。在模型建構的過程中，以初始最佳值作為基準，與現在機器設備的表現參數作比較，提供「機器評估報告」給客戶，彰顯企業在設備管理、備件採購、人力安排等面向的附加價值。結合兩種數據力來深入思考一項看似單純的任務，需要業務、行銷與新服務開發部門一起腦力激盪，將這些數據可能產生的附加價值，以及其他業務、行銷等可以整合運用的數據做更好的包裝，增加客戶滿意度的同時，也可做為招募新客戶的手法。

簡言之，「微觀數據力」可突顯企業文化本身存在的問題，但不能用來定義一個企業應用資料科學的能力；而「宏觀數據力」才能產生根本上數據策略的激發，並協助串聯企業各部門合作。別再微觀了，開始展開你的宏觀數據力吧！

更多作者 Cortilia 數據分析系列文章：

● 〈讓數據激發「內部創業精神」〉
● 〈B2B企業如何成功推動Win/Loss Analysis數據分析？〉