员工A：“我们公司使用数据的能力非常强，我们售出的每一台机器，都可以远端回传机器使用的日志文件（log file）。依据历史资料以及各项参数的性能设定，我们可以预测机器可能在什么时候会出现问题、需要什么配件，进而预测各项关键配件的囤货量，并与维修纪录作对照，微调上下游厂商每一季的配件订货数量。”

员工B： “我们公司使用数据的能力非常落后，业务单位完全无法掌控客户对维修问题的不满；营销部门因此无法针对高回报率维修的痛点，准备有力说明，所以业务部门都只能默默拜访客户，听客户的不满。”

你大概猜得到，员工A与B其实来自同一家公司。同样一家企业，不同部门为何对自家掌握“数据”的能力，有截然不同的看法？

究其根本，数据并不是问题核心，真正的问题是，一家企业缺乏跨部门沟通，也就是只有“微观数据力”。

在这个资讯爆炸、计算能力强大的时代，数据力的重要性呈指数成长，企业数据思维不足的文化难题也随之放大。

或许你会想，耳熟能详的数据应用三步骤：“定义数据要解决的问题”、“定义数据解决后要产生的效益”、“数据分析方法与模型的选择”好好应用不就解决了吗？ 但是，我想提出一个重要的观点： 即便企业在每个能运用数据分析协助的商业问题中，都切实应用了这三步骤，数据力还是可能等于零。

最大的症结点就在于，企业只用“微观数据力”，完全忽略了“宏观数据力”才是致胜关键。

用上述的员工对话来举个简单的例子。假设我们定义一个要用数据来解决的问题为“针对维修配件做季度预测，以减少囤货跟增加现金转换能力”。用“微观数据力”来分析的话并不困难，根据这个问题的定义，企业可搜集机器设备的功能回传记录档，再针对设备研发时的“最佳起始参数”做标竿分析（benchmarking），定义出回传记录档中的数据代表什么意义、反映出什么情况。如此一来，自然能针对使用机器做出基本的维修需求规划，以此推测维修需要的配件，最终的配件规划就可以达到最低囤货、最高现金转换能力的效果。

然而，从“宏观数据力”的角度来探讨时，共有三大重要步骤：

1. 目前定义要用数据来解决的问题，顺利解决后所产生的效益，会对企业更高阶的策略目标有什么贡献或牺牲？

2. 数据搜集、建模的每一个步骤中，有哪些可以与其他数据、部门结合，而达到企业最终的商业目标。

3. 在这些可合作的部门中，哪些资源、人员、与决策流程需要安排，以便将最后的分析结果转化为实际行动。

回到上述举例，假设一个企业的终极目标是成长，而成长来自于巩固现有客户及增加新客户，那么，在定义维修配件这个命题时，即可用宏观数据力提升命题高度。

首先，需思考达成“针对维修配件做季度预测，以减少囤货跟增加现金转换能力”的效益后，对企业的终极目标有什么贡献和牺牲（由于企业资源有限，达成一个目标时，往往也会牺牲另一个目标）。

其次，设定预测模型所需要的数据来源与参数，以及模型建立的流程中，有哪些步骤可以与其他部门的数据、资讯、功能结合以提升现有客户／新增客户的成长？ 

最后，针对可能可以结合的方案，思考哪些部门会需要共同执行？ 需通过哪些管理层的同意？ 有哪些人员可以协助整合应用？

准确预估维修配件这个任务，除了用基础的“微观数据力”来思考之外，还能延伸思考维修预测能如何提升现有客户对“预防性维修”的满意度。

通过对“预防性维修”的营销来让客户理解，虽然有高回报率的维修问题存在，但企业本身是以客户利益为出发点，以预防问题产生。在模型建构的过程中，以初始最佳值作为基准，与现在机器设备的表现参数作比较，给客户提供“机器评估报告”，彰显企业在设备管理、配件采购、人力安排等面向的附加价值。

结合两种数据力来深入思考一项看似单纯的任务，需要业务、营销与新服务开发部门一起努力，将这些数据可能产生的附加价值，以及其他业务、营销等可以整合运用的数据做更好的包装，增加客户满意度的同时，也可作为招募新客户的手法。

简言之，“微观数据力”可突显企业文化本身存在的问题，但不能用来定义一个企业应用数据科学的能力；而“宏观数据力”才能从根本上激发数据策略，并协助串联企业各部门合作。