麦肯锡美女数据科学家如何在谈笑间为客户省下百万成本

在全球最著名的管理咨询公司麦肯锡做数据科学是怎样的一种体验？

数据分析如何帮助世界领先医疗器械公司降低百万美金的维修成本？

15213创客空间请到了美女博士王璐，带你一起看一看数据分析在咨询界的重要应用！

嘉宾简介

王璐

本科就读于香港科技大学数学统计专业，之后于芝加哥西北大学Kellogg商学院获得Operations Management博士学位。毕业后加入麦肯锡Chicago Office Operations 部门中的Advanced Analytics Service Line。王璐自小喜爱音乐，钢琴长笛皆精通。工作之余，她酷爱研究美妆时尚并经营自己的美妆博客。

线上分享

王璐博士： 大家好，很开心看到这么多盆友对麦肯锡数据科学感兴趣。今天我就我个人几点比较深的感触跟大家分享一下几个小话题。

我在麦肯锡感受到的咨询方法论的魅力

我作为operations部门于2016年一月设立的analytics团队招的第三人，对于现在麦肯锡数据科学的发展有很多感想以及期待，欢迎大家提问切磋！麦肯锡做了90年的战略管理咨询，最近两年开始大力发展数据科学。那么我们是如何将数据科学融入传统咨询服务的呢？可能有些小伙伴对麦肯锡并不了解，我先简单说说入职以来对传统咨询的感受。

入职以前，我很好奇为何企业愿意请作为局外者的咨询公司来解决问题?作为一家咨询公司，又是怎样能够高效深度地解决不同行业不同企业各自独特复杂的问题呢？入职以来，我总结了三个关键词回答了自己这个问题：结构化，刨根问底，知识网络结构化体现在公司的每个角落。最核心的是结构系统化地定位问题，这也是著名的麦肯锡方法之一MECE (Mutually Exclusive, Collectively Exhaustive) 。

举个例子，问题无论大小，我们都会在白板上列出所有可能答案方向的分支，保证每个分支互不重叠(mutually exclusive)，也保证所有分支加在一起涵盖所有可能性(collective exaustive)。沿着每个分支再继续break down成MECE的小分支。

根据这样的结构，团队分工每人负责不同的工作流(workstream)。例如我在为一个科技公司做提高现金流的项目时，大团队包括合伙人，然后分为几个小team：人力资源人头控制，主营业务成本控制,现金流控制。每个小team都有一个项目经理(engagement manager)和几名负责不同工作流的咨询师。大家请看图！

现金流控制团队的两个妹子分别负责应收账款、应付账款。我所在的主营业务成本控制的小伙伴则各自处理采购、生产、和物流成本。每天早晚大家会碰头update各自的成果和计划，如果我在负责成产成本的时候需要看看财务报表，就会直接问现金流团队的妹子问题或者让她帮我联系相关的客户来set up meeting。我很欣赏也受益于这样的分工，因为每个人可以很灵活地决定如何控制自己workstream的方向方法和时间，最重要的是我们不会干涉别人的工作流。这样以来，团队氛围很和谐，合作效率高。因为大家自然而然信任对方的工作，减少了不必要的工作重叠。

结构化和刨根问底还体现在实际解决问题的过程。比如我们常说的团队内部的structured problem solving session。合伙人(partner)每周至少两到三次深入细节地跟我们一对一的讨论，来帮助我们把控大方向，也帮助我们创造机会与高层客户沟通。我们关于细节问题的信息对他掌控项目进程也很关键。上到合伙人下到实习生都可以平等发言，也可以互相挑战 - 如果我们有不同意见，我会尽量用我对细节的了解来说服他，他也可以用他的经验来纠正我。

让我最impress的是麦肯锡所拥有的庞大的知识网络。即使结构化地定义和解决了问题，我们任何一个团队的知识和经历都是有限的。尤其每个人上的项目所在的行业很可能对他来说都是全新的。这个时候我们会利用麦肯锡背后强大的知识网络。我们可以利用全球任何一个麦肯锡人的知识和经验。比如发邮件给一个Email list (例如我们所有analytics的人每天都会收到不同人发来提问对某一行业或某一专题有没有经验，可否迅速聊一聊)。一般几分钟内就会有人迅速回复set up电话会议。

公司在全世界各地以及各个领域(function)都有设置专门的research team。我们可以向他们陈述我们的问题，和需要的帮助，以及deadline（例如今晚五点之前需要收到回复）。他们会利用自己的专业知识以及资源，在我们设置的deadline前把我们需要的数据或是文件发过来。

例如我在为某客户做供应链谈判方案的时候，需要了解在某地区所有仓库的租金等费用，或是了解在某国代工厂的劳动力价格。这些神奇的researcher会在网络公开数据资源中迅速帮我找到并总结这些数据。与此同时我可以专心先做别的工作。

麦肯锡还有很多惊艳我的地方，时间关系我们可以线下交流。现在我想更多聊聊数据科学在麦肯锡。

咨询公司近两年大力发展数据科学

我很开心看到数据科学是麦肯锡当前发展的重中之重。那么为何很多咨询公司近一两年大力发展数据科学呢？

首先因为满足客户需求是服务型行业最大的宗旨。越来越多的企业需要数字化转型来响应大数据潮流。

另外因为企业日常运营或销售产生的数据成指数增长，不利用这些数据就是赤裸裸地浪费。大数据挖掘可以最大化地帮助咨询师分析客户运营状况找突破点。

结合数据科学和传统咨询模型，咨询服务不再只是提供战略建议或运营方案，同时可以量身打造analytics engine/tool，帮助企业可持续性地收集或利用自身的数据来提高运营效率，增长收益或降低运营成本。

举个例子，奢侈品(比如包包)的商品周期很短且需求具有很强的季节性。客户最不想见到是花牛力设计的新包投入市场三个月后，由于过季而滞销，而他们又不想打折来降低自己高大上的品牌定位。

客户还很担心地域性的需求振荡。比如纽约的姑娘对新款包A趋之若鹜，然而旧金山的妹子们却完全不买账。纽约店的脱销(lost sales)和旧金山店的滞销都是可以规避的损失。

我们用数据科学可以将季度/地域需求预测与供应链优化结合，建立模型来决定每款包包每季度生产多少、分配到每一家旗舰店多少只包，从而帮助客户最大程度地提高销量同时降低成本 - 例如减少店与店之间的调货。

麦肯锡在近两年中不遗余力打造analytics capability。我在三月去纽约参加了公司为data scientist/data engineer设计的为期一周的training。我很惊喜地发现主讲人竟然是麻省理工运筹学中心(Operations Research Center)的院长Dimitirs Bertsimas教授。作为许多经典理论的开山鼻祖，他的名字对于我这个仅仅在运营管理/运筹学学术界呆过五年的人都是如雷贯耳。他带过的博士生在学术界工业界发展都很厉害(例如哥伦比亚大学商学院前决策科学系主任，现任Uber市场优化发展的Head)。

我问他为何与麦肯锡合作每三四个月花一周时间与我们在酒店同吃同住给我们讲课？他的回答让我对麦肯锡的数据科学前景充满期待和信心: "很多人都问我这个问题。我有很多的事情要做-带学生、建立MIT的analytics center,做学术研究，做我自己的start up，我也并不缺钱。我的答案是，几十年的学术研究和大量为企业/政府做咨询的经验告诉我，数据科学是个时代性的现象，是所有类型工作未来的必需品。我很惊喜地看到麦肯锡迈出了这一步，而在这个人人都吵着要做数据科学的时代，我相信麦肯锡是非常严肃认真地在发展这一块。我也无比相信，麦肯锡迈出的这一步，会带动太多的跟随者并推动数据科学在各行各业的应用，而不仅仅局限于西海岸的科技公司。如果我是你，我现在会非常激动 - 因为我在这个时刻加入了麦肯锡，就好像加入了一个start up，有太多的可能性和太大的空间来帮助发展推动数据科学咨询。

数据科学在麦肯锡的存在形式

下面我聊聊数据科学在麦肯锡的存在形式。

主要是3种形式：1)每个部门(Practice)旗下, 2) Knowledge center, 3) 麦肯锡数字实验室(McKinsey Digital Lab) 。这是张图来帮助理解：

第一种隶属practice的数据科学家的工作性质与传统咨询师相同，从头到尾跟同一个客户项目，每周一到周四出差到客户office工作。

第二种Knowledge center的数据科学家大部分时间在麦肯锡office工作，远程支持不同客户项目上咨询师的需求。偶尔也会出差到不同客户，提供短期的on site数据分析。

前两种的数据科学家所面对的客户可以来自不同行业，问题也很多样化。第三种麦肯锡数字实验室的专家们为不同客户项目提供专业的工具服务，例如搭建UI，Dashboard，设计模拟工厂来实现数字生产等等。

我的工作属于第一种，隶属于Operations practice旗下。因此我的workstream都是与供应链(supply chain),服务运营(service operations),生产制造(manufactuering),采购(procurement）,物流(logistics)等相关。

例如我最近的一个项目是为某大型器械设计制造商分布于北美和欧洲的所有机器建立predictive maintenance的数字化工具。我首先与客户的data engineers合作，从数据库中实时抓数据 - 包括如何从上千个数据列表中找到合适的变量，清理数据，定义新的变量。在建立模型的同时，我会与工具的终端用户 - 专业检修机器的工程师每天紧密合作，了解他们的workflow以及他们最想从这个工具中获得怎样的便利。模型建立之后，我同客户的Analytics/Tech lead合作，帮助他们设计UI，然后在少数工程师中试使用。我后期会每天与使用工具的工程师沟通，根据他们的用户体验反馈来不断改进工具。整个过程中，每一周我们都会与客户的决策层开会，沟通进展和下一步方向。

相信群里有很多厉害的数据科学家，可能你们也感兴趣数据科学在咨询界与在科技公司或金融行业有何相同和不同？

首先统计模型大同小异, 编程语言也是按自己喜好选择。我个人操作R很熟练，偶尔根据项目需要也会用其他软件，例如Tableau来探索数据变量关系，可视化结果，建立KPI Dashboard等。但不同的是由于每个客户的IT infrastructure和他们常用的工具不尽相同，我们经常需要在项目上迅速学会一种客户偏好的工具。例如我之前对亚马逊云服务(AWS)不是很了解，但某个项目需要我利用AWS来整合我们设计的模型到客户的系统中，实时抓数据，跑模型，出结果到dashboard。虽然开始略有忐忑和压力，但为了完成工作必须push自己。我和位于印度的一个Data engineer合作，在一周内成功将我们的模型在客户的server上搭建出一个即时互动工具。

另外与传统数据科学家不同的是，我们作为第三方视角来解决客户运营问题，我们面临着如何在短期内深入了解一个新的行业、一个新的企业的挑战。落实到行动上，这样的挑战在于如何找到 对的人，问对的问题，从而收集到自己需要的数据或信息。

我记得某个项目刚开始第一周时候，我们急需一份CRM数据来开展模型的初步建立。但是负责帮我们连线搭桥的关键客户在那一周休假，而客户内部组跟组之间的沟通并不紧密，我们不知道向哪个部门甚至到哪栋楼里找人来要这份数据。

这时我想起第一天的时候前台向我介绍他们在某层建了一个巨大的类似硅谷科技公司风格的空间。于是我想会不会很多做数据科技工作的人会在这里？于是我厚着脸皮跑到那里，随便抓人就问有没有人对CRM数据熟悉？然而CRM数据维度很广，我又继续解释了我的具体需求。就这样A把我指向B，B把我指向C，…..，最后找到了那个负责这块数据库的一个大叔。我的"厚脸皮"为我们团队解决了大问题，节省了一周的时间，也顺便建立起了一条客户关系。我经常跑去问那个大叔问题，他也总拉我聊他家领养的小狗。

咨询师的一周生活

可能有很多小伙伴会好奇咨询师的一周是怎样度过的。每周一早上或周日晚上飞到客户所在的城市 - 如果是超过三小时的飞行都是头等舱哦^_^ 在飞机上掏出电脑，看到被各种meeting填满的日历之后，读周日晚上partner的email中对我周五发给他的数据结果的反馈，然后与manager邮件沟通这周的工作重点之后，开始制定一周工作计划。贴上一张打了码的某周日历截图^_^

每天早上八点左右我们纷纷到达客户为我们准备的team room后，会进行15分钟左右的team check-in: 讨论前一晚工作的进展，在白板上列出每个人当天需要做的工作以及每人各自需要主持/参加的客户或者我们团队内部的会议。

我会尽量在没有会议的大块空白时间编程（例如下午），而在会议之间的零散时间梳理数据结果。一天中我会至少每隔两小时与团队沟通我的工作进展，保证信息的透明和有效同步。这也是咨询界数据科学的挑战：要高强度快节奏地处理自己或团队每天收集的新数据，针对每天团队或客户提出的新想法迅速建立模型后，及时从结果中提取insight并与团队沟通。通常一份数据分析会在一天之内完成20多个版本。

一天结束前，团队check out会各自汇报一天的进展，根据第二天的重要会议，我们会讨论各自晚上回酒店后要继续完成的工作。每天团队check out的时间取决于项目强度。我有参加过半夜十二点我们还需要在office工作的项目，也参加过六点就可以回酒店的项目。

通常回酒店后还要继续工作，好在一般住的都是比较舒适的如Westin,W, Hyatt, Hilton这样的连锁酒店。我会先订一份room service晚餐，在等的时候去健身房跑会儿。晚上趁夜深人静我会多做一些编程的工作，然后用表格或ppt整理出结果发给manager和partner来结束自己的一天。

除了工作，每个团队会尽量have fun。每隔一到两周组织team event，除了可以沾partner的光尝试各种高档餐厅美食，team会努力创造有意思的活动来增进大家的感情 - 比如室内跳伞，国家公园远足，音乐会，密室逃脱，唱k等。最近所在的一个team上所有人都在减肥，于是大家决定比赛减肥，把体重秤放在team room,定期汇报体重，然后在ppt中画出柱形图来进行比较。。我也是醉了。。

每周四下午三点左右大家纷纷赶往机场，在飞机上同样掏出电脑，在周围人呼呼睡觉的时候我开始follow up上午结束的会议和讨论结果，或者分析数据，或者整理结果。

周五可以选择在家工作或是到麦肯锡的office。周五的工作一般相对轻松，除了收尾一周的工作，参与客户电话会议之外，在公司office有不同的活动可以参加，下午还会有happy hour，与一周没见的从各地赶回来的同事们catch up。傍晚我通常会处理生活上的琐事，做个spa啦，染个头发啦，看个牙医啦，blah blah blah。之所以选择在周五傍晚而不是周末，是因为每周与家人朋友在一起的时间太有限。因此我会尽全力在周五我老公下班回家之前处理完我自己的事情，最大化我俩周末相处的时间。

学术界转型进入咨询界的感受

一年前我从operations学术界转型进入咨询界，我还想谈谈这转型中的感受。

首先在咨询界有机会到不同行业和企业深入体验企业文化，接触形形色色的人，学到很广很深的行业知识和与人沟通技巧，打开了更广的信息渠道。

我在博士期间去医院考察采集数据，与医生护士交流很多，我发现要真正了解问题所在，和想明白需要怎样的数据，一定要跟各种人聊来感受他们不同的视角和需求。现在咨询项目上，如果是中小公司，要每天与CFO, 各种Director(比如Sales Ops), Tech lead, Data engineer/scientist, 以及各种我的workstream涉及到的部门人员交流,甚至前台的阿姨都是了解这个公司运行的一个非常好的切入口。在这个过程中，多角度立体了解企业，收集数据，且对问题的理解也更全面，更容易找到突破口。

第二个感受是成长很快很立体 - 不仅仅是分析数据，更重要是结合商业背景随时调整方法和方向，高强度快节奏地推动工作，同时学会把自己推到极限寻求各种资源收集信息和数据，锻炼product management，process control技能。还有很重要的是打磨与人沟通、识人辨物的能力。

从生活方式上来说，周末假期完全不需要理会工作的事情。以前做学术研究的时候，时时刻刻大脑都在操心思考研究课题啊论文啊。这可能是利用知识(工业界)和创造知识(学术界)的不同，因此我很佩服致力于学术界的学者们，很不容易！

麦肯锡为我们提供了很大的灵活性。由于我们没有经理让我们直接汇报，项目跟项目之间都是独立存在。因此如何安排自己上什么项目，项目之间做什么事情都非常灵活。如果你不想出差，你可以尽量多上本地的项目，每天可以回家。你也可以选择每周只上三天班，当然工资要打折^_^我们还有一个take time的政策，是每年多休息两个月的假期，拿80%的工资。这两个月你可以环球旅游，多学一门语言，参加志愿活动，或者在家躺着….这也为很多家庭为重的咨询师提供了很好与孩子相处的机会。　

数据科学咨询师的职业发展

最后我想谈一下在麦肯锡的职业发展前景。首先作为数据科学家，升职路线与传统咨询师一样，如果你愿意，可以做到合伙人。每个人都会被分配一个职业发展咨询经理和一个合伙人导师，他们的职责是了解我们每个人的事业目标，根据这个来帮我们设计每几个月一次的不同培训课程，帮我们联系适合我们发展的客户项目。

麦肯锡像一个大学校，很多人来到这里学了很多东西后两到三年离开，公司也是很鼓励这样发展alumni 网络。根据你在公司待的时间长短，公司会给你时间找下一家工作，与此同时提供平台帮你联系在你想去的公司工作的麦肯锡老员工。

希望我今天分享的东西大家还喜欢，如果有什么问题我们也可以线下交流！

线上问答

问： 请问麦肯锡有没有做一些医疗或者healthcare行业的咨询项目？

答： 有的，我们专门有个practice是做healthcare的。

问： 请教王博士：麦肯锡招聘人才的条件大致如何？

答： 不同的岗位要求不一样，但一般在网上每个工作都有很详细的介绍。如果你对哪个岗位感兴趣，我们可以线下交流，我帮你看看简历。

问： 请问，麦肯锡针对多大规模客户，主要是哪些行业？

答： 行业涵盖很广，基本所有行业都有涉及。

问：定位全球企业？已经服务大陆哪些企业？

答：定位全球企业。具体企业名字，由于公司保密守则，我不能透露，不好意思哇。

问：谢谢你的精彩分享！能指导下怎么为进入麦府做具体的准备吗？

答：business analyst是本科或研究生毕业, associate是MBA或PhD毕业。如果有专业性比较强的岗位，则需要一定的工作经验

问：您对想要从事数据分析的CS研究生没有什么建议呢？

答：大部分岗位都需要通过case interview，在网上有很多材料可以找到。尽量多找人跟你一起练习case。CS是很好的专业，可以选择科技公司做software engineer或是数据科学家，也可以进入我们这种咨询公司，或者现在有很多fintech公司都很欢迎cs的背景。我的建议是，如果进入咨询公司，要多了解一些商业信息，把cs当成是一种工具来解决商业问题。

问：McK的Data scientist需要case interview吗？

答：隶属于practice底下的data scientist是需要case interview的

问：请问除了学历和专业要求，考证或其它方面有什么具体的规定或可以加分的项目吗？

答：主要还是interview的时候表现最重要。在过简历这一关的时候，学历是最重要的，如果能有比较好的实习经验肯定也是加分的

问：请问practice里的data scientists和普通的consultant在具体分工上有什么区别？

答：内容上差不多，但工具上会需要用机器学习或统计方法来处理客户的大数据。有些项目内容也不同，比如建立一个数字化工具。但相同的是要很频繁与客户打交道，以此来收集信息，并且确保解决了他们想要解决的问题

问：请问麦肯锡职业道路向上升需要卖项目的能力嘛？听说很多咨询公司的partner都是sales而不做技术了

答：partner的话最重要的确实是拉项目，保持客户关系。但partner也非常注重细节，每周都会跟我们开会两到三次，跟我们讨论方法 结果甚至每一行数据。他们同时要兼顾很多项目，一周飞三四个地方，确实很忙。

问：谢谢解答！还想问问证书方面有什么加分项或哪些考证对进入咨询业有必要？

答：据我个人了解，在北美的话证书好像不是很流行。

问：想请问下王博士面试的话除了case还会面什么其他内容吗？比如algorithm/coding相关的问题？

答：还会有个人经历面试，比如问你关于团队合作的一些经验。另外如果是数据科学家的话，还要额外的技术面。技术面试不会局限于白板code，更多是看你对各个模型各种场景如何解决的思维方式。编程语言没有特殊要求。反正来了以后不会的语言都得在项目上现学。

问：想问一下麦肯锡招人是不是校招应届生比较多，如果experienced招聘的话是不是大多都需要通过内推或者recruiter？指猎头的那种recruiter。

答：不是的。experienced hire可以通过内推和网申。我就是自己在linkedin上网申的。猎头我不了解 个人感觉应该不靠谱。我们公司的HR团队很强，网申简历也是会被看到的。

问：HR专业，请问如何进麦府HR咨询？

答：HR应该主要是做招聘，不做咨询吧。HR也欢迎来啊，我们人流量很大，很需要HR。

问：麦府没有人力咨询业务线吗？如四大专业HR咨询公司，美世等。

答：抱歉这个我不太熟悉啦，据我所知好像是没有的。