原始标题: Building a Virtuous Cycle of Analytics in Global Enterprises - with Barry McCardel of Hex
发布日期: 2026-03-11 | 来源频道: @ai-in-business
📝 深度摘要
1. 核心信息与行业纵深
受访嘉宾：Barry McArdle | HEX 联合创始人兼CEO（拥有十余年数据工具构建与使用经验的从业者，曾任职于 Palantir）
核心议题：本期节目探讨如何通过构建"分析 virtuous cycle（良性循环）"，帮助全球企业突破数据驱动的落地困境，缩短从提出业务问题到获得可信答案的时间间隔。
行业坐标：数据与商业智能（BI）、企业级数据分析、工作流重塑
2. 现状挑战与痛点
深层结构性痛点：
企业在追求"数据驱动"过程中面临多重根本性断层。首先，术语通胀与愿景迷失——“数据驱动"“数据民主化"等词汇已成为营销buzzword，实际含义模糊，everyone 使用却无人真正理解其落地路径。其次，工具蔓延（Tool Creep） 现象严重：企业不断在现有技术栈上叠加新工具，却从未实现真正的流程简化，首席财务官签署 BI 工具采购单时，实际上只是在购买"仪表盘”，而仪表盘只是数据工作的"终局”。
更核心的问题在于静态仪表盘的本质缺陷。仪表盘提出的小问题远比它回答的问题多。当你查看仪表盘时，你会发现某个指标上升了，但无法理解背后的原因。真正的数据驱动应该能够回答"为什么这件事发生"以及"如果我们采取不同行动会发生什么"，而这恰恰是传统仪表盘无法提供的。高管收到一份充满图表的 PDF 邮件，需要等待数周才能得到后续问题的答案，这种延迟循环使得执行层最终放弃提问。
数据团队的角色错位是另一大痛点。企业招聘数据分析师和数据科学家时，职位描述充满"Python 经验"“高级统计分析"等buzzword，但这些人最终只是在构建和维护仪表盘。他们花费大量时间整合数据、反复迭代仪表盘需求，最后却发现大多数高管根本不打开这些仪表盘。真正的战略性分析工作——探索"为什么”——反而被挤压到无暇顾及的角落。
还有一个隐藏的陷阱是虚荣指标与确认偏差。许多组织使用数据的真实目的是为了在决策失误时有个"替罪羊"——用数据来证实自己已经做出的决定，而非真正寻求真相。这种"安全毯"式的使用方式导致组织难以建立真正的数据文化。
3. AI 破局与工作流重塑
AI 解决方案架构：HEX 提供的核心价值并非简单的"仪表盘替代品"，而是一个协作式数据工作空间，通过自然语言对话让用户直接提问并获得可信答案。其 AI Agent 可以理解现有仪表盘作为上下文，甚至可以对其进行重组或自定义。关键创新在于：AI 不是另建孤岛，而是嵌入现有工具链，实现人机无缝交接。
工作流地图（Workflow Mapping）：
传统模式：
- 业务人员提出问题（如"上个季度销售为什么下降？"）
- 问题进入数据团队队列，等待 2-3 周
- 数据分析师从 SQL、Python、Matplotlib 等零散工具中提取数据
- 生成图表并放入 PDF 邮件发送给高管
- 高管收到邮件后提出后续问题，循环重新开始
- 整个过程耗时数周，最终高管放弃提问
AI 赋能模式：
- 业务人员直接用自然语言提问：“上个季度销售为什么下降？”
- AI Agent 实时检索相关数据，生成包含上下文、可解释的回答
- 回答可以基于现有仪表盘作为起点，也可以自主构建新视图
- 人类数据从业者从"仪表盘构建者"转型为"深度探索者"和"知识策展人"
- 当 AI 遇到复杂或新颖的问题时，人类专家介入进行深入分析
- 知识资产被积累到可组合的上下文语料库中，持续为组织创造价值
执行步骤/SOP：
第一步，承认"魔法 Pony"不存在。Barry 在节目中透露，他曾直接告诉一个潜在客户：“你不应该购买 HEX。“因为该客户只想用 HEX 替代 Tableau，却不愿意思考如何真正组织数据团队。
第二步，从高级用户开始试点，而非从零开始向全员推行自然语言自助服务。Expert users 能够判断 AI 生成的答案是否使用了正确的表、是否可信，他们的使用过程产生的"上下文消耗”（context exhaust）恰恰是帮助其他人使用的基础。
第三步，建立 virtuous cycle（良性循环）：普通人通过 AI 获得简单问题的答案 → 遇到复杂问题时向数据从业者求助 → 数据从业者进行深度分析并将发现添加到知识语料库 → 语料库再帮助更多人。这种循环在技术实现和团队组织两个层面都存在挑战，但这是让数据工作真正产生价值的方向。
4. 落地建议与高管指南
首选战场（Beachhead Strategy）：从高频、低复杂度、高容错率的环节切入。具体而言，让组织中已有的高级数据用户（资深分析师，数据科学家）首先使用 AI Agent。他们能够验证 AI 生成答案的准确性，发现错误时及时纠正，并在使用过程中沉淀可复用的知识资产。以这些"种子用户"的使用痕迹为输入，训练面向普通业务人员的自助服务能力。
局限性与避坑指南：
- 不要先建完美的 Data Lake 再做 AI：Barry 分享了在 Palantir 看到的典型失败案例——企业花费 9 个月搭建数据湖，再花 6 个月构建语义模型，最后才尝试上线 AI 功能。这种瀑布式规划注定失败，因为整个周期太长，组织早已失去耐心。
- 不要追求端到端全自动化：试图从零直接向全员推行自然语言自助服务，相当于"跳楼进入 18 层”——理论上可行，但成功率极低。正确路径是从楼梯走上去，先从专家用户开始。
- 警惕"首席 AI 官"陷阱：Barry 对设立首席 AI 官持怀疑态度，认为这个角色只有在帮助组织创造"百花齐放"的实验环境、然后识别并放大成功案例时才有意义。如果该角色是"自上而下制定完美策略并分配任务"，则本质上仍是中央计划思维，不会成功。
战略对标清单：
- 内部 NPS 测试：询问业务部门负责人：“你会向其他部门推荐数据团队吗？如果你的同事遇到业务问题，你会建议他们去找数据团队，还是会觉得那是浪费时间？“这个问题的答案比任何量化 ROI 指标都更能反映数据团队的真实价值。
- 问题响应时间审计：记录从业务人员提出数据问题到获得可信答案的平均时间。如果超过 48 小时，说明你的数据工作流存在严重 lag loops。
- 数据团队时间分配审计：数据从业者有多少时间花在构建和维护仪表盘上？有多少时间用于真正的战略性分析？如果前者超过 60%，说明角色严重错位。
5. 核心价值与全维 ROI
硬核指标/证据：Barry 提到一个令人警醒的数据——即使在每年花费 200 万美元购买 BI 工具的企业中，真正能打开工具并回答自己数据问题的员工比例"极小”（vanishingly small）。这意味着大多数企业的数据投资回报率远低于预期。
ROI 的非传统定义：Barry 反对用传统财务指标衡量数据团队价值。他提出一个反直觉但极具洞察力的观点：数据团队本质是一个服务职能部门，其 ROI 应通过"内部情绪指标"来衡量——即其他部门对数据团队服务的满意程度。这类似于 HR 或财务部门的价值评估：作为 CEO，你询问销售负责人或工程负责人：“你们从 HR 和财务部门获得所需的支持了吗？他们帮你们解决问题了吗？“如果答案是"太棒了，无法想象没有他们的日子”，说明这个职能部门 ROI 高；如果答案是"他们简直是个麻烦，我六个月前就申请了一个职位批准，现在还没批下来”，说明 ROI 低。
这种评估方式本质上是跨部门 NPS（净推荐值）。Barry 进一步建议，可以问：“如果你必须放弃一个 headcount 来换取多一个数据人员，你会愿意吗？“这个问题的答案比任何 ROI 计算都更能揭示数据团队在组织中的真实价值定位。
6. 核心金句与反共识洞察
反直觉/非共识结论：
- “仪表盘已死"是误导：Barry 认为仪表盘不会消失，它仍然有用，只是将从"唯一工具"变成"工具箱中的一个选项”。未来仪表盘将成为对话式查询的起点，而非终点。
- 95% 失败率不必恐慌：关于 MIT 研究称 95% 的 AI 试点项目失败，Barry 指出 90-99% 的 businesses 本身也失败。关键不是避免失败，而是从 5% 的成功中学习什么让那 5% 突围。
- 人类数据从业者比以往更重要：在 AI 时代，人们误以为可以完全用 AI 替代数据团队。但 Barry 认为恰恰相反——正是人类在编码数据的语义理解、与业务部门合作定义真正需要解决的问题，这种"策展人"和"深度探索者"的角色在 AI 时代更加关键。
原汁原味金句：
- “仪表盘提出的小问题远比它回答的问题多。” —— 针对传统 BI 工具的根本局限
- “数据本质上是一个服务职能部门——你是来支持和赋能其他团队的。” —— 针对数据团队角色定位的重新定义
- “如果你去问营销负责人，你会推荐数据团队给销售负责人吗？这是一个终极测试。” —— 针对数据团队 ROI 评估的创新方法
- “试图从零到一推行自然语言自助服务，就像试图通过跳楼进入 18 层一样——理论上可行，但不是最佳路径。” —— 针对 AI 落地策略的务实建议
- “我对首席 AI 官这个角色持怀疑态度，除非他们帮助创造百花齐放的环境，然后去发现哪些花开得好并给予更多阳光和水。” —— 针对企业 AI 治理结构的反思
- “让一千朵花绽放，哪怕只有几朵有趣的花。” —— 针对 AI 实验文化的箴言
- “你的组织八卦越多，就越说明它不是一个真正数据驱动的组织。” —— 针对数据文化的终极检验
📺 播客地址
播客时长: 39分钟