论文部分内容阅读
你是否正在考虑将数据分析和数据科学作为企业数字化转型的一部分？自动化的基础性方法和数据驱动文化可能是关键。
数据分析是一个不断发展的领域。跟上最新发展趋势对于确保企业在未来数月和数年成功部署分析战略和策略至关重要。对此，企业需要持续加大对分析的投资力度以支持数字化转型。
市场研究公司Market Research Future在今年2月预测，到2023年，全球数据分析市场将实现30.8%的复合年增长率，届时市场价值将达到776.4亿美元。德勤中央创新团队的领先趋势感知项目经理兼《德勤数字成熟度报告》的共同作者David Schatsky表示，数据分析投资不断增加的核心是推动企业成为数字化企业。
Schatsky称：“数字化企业是一种不断发展，始终寻求应用数字化技术并最大化数字化技术价值的企业，进而以此重塑自身，重塑其向市场提供的产品，重塑将产品推向市场的方式，以及重塑企业运营方式。我们认为数字化企业能够通过有效利用数字技术和数据实现不断发展。”
对于希望通过数据转变业务的企业而言，以下是未来几个月中值得关注的四大分析趋势。
数据公民的崛起
随着企业转型越来越多地由数据推动，大多数专家和行业观察家都认为，这项技术虽然不是那么容易，但是却最为简单。最具挑战性的地方在于让数据和对数据的高效使用成为企业文化和思维方式的重心。
咨询公司Carruthers and Jackson的主管Caroline Carruthers称：“数据中最重要的部分是人。如果你让整个企业都了解你想要对数据和信息做些什么，并且大家都齐心协力地向着一个方向努力，那么这比找10位数据科学家闭门造车还要管用。”Caroline Carruthers曾任Network Rail首席数据官，并合著有《首席数据官的手册》和《数据驱动的业务转型：如何颠覆、创新并超越竞争对手》。
德勤的Schatsky补充说，为了实现数据掌控，企业必须在业务部门中灌输一种思想，那就是无论部门在何时进行决策或采取行动，负责人都应考虑是否有数据可以帮助自己做出更明智或更好的决定。
Schatsky称：“这需要改变思维方式。为了使其能够被广泛接受，领导层需要做出调整。同时，领导层必须集中精力在企业推行它们。”
企业将会越来越注重在整个组织架构中推行由数据驱动的思维方式，并保持基本数据概念被熟知。尽管如此，业务分析咨询公司A4A Brown的总裁兼《数据挖掘傻瓜式操作》的作者Meta S. Brown还是告诫说，推行方式不要太过于激进。
Brown称：“我认为让执行经理成为分析专家有点不切实际。让其中的少部分人熟悉一些相关的术语是合理的。”她举例说，执行管理团队要了解他们必须遵守的最重要的法律，并且应该能够阅读合同，但是他们不会就复杂的法律问题提供建议。在分析方面情况也一样。
此外，Brown还表示：“我认为在数据分析中为高管增加一个负载权限，或者让自己进行数据分析是不合理的。我的专业意见是，我们在学习数据分析方面对他们不应抱有太大期望。作为分析专家，我们的工作就是通过整个流程更好地与他们合作，从中获取业务信息，我们有责任将他们告诉我们的业务内容翻译成分析术语。”
回归基础性分析
在过去几年里，围绕分析的讨论越来越多地集中在尖端技术上，如机器学习、深度学习、神经网络和其他人工智能元素。专家们认为，虽然这些领域在未来几年将会继续引起人们的关注，但是大部分企业还是应该重新回归基础，从并不太先进的分析法中提取更多实用信息。
Brown 称：“让我感到非常震惊的是，我参加过如此多的演讲并且阅读了很多文章，在这些演讲和文章中人们探讨的多是些可能想象到的最复杂的数学问题。而多数企业在实际中使用的多是更为简单的数学方法，这些企业并不想将问题复杂化。如果美国的每家企业都能充分使用描述统计学入门《Statistics 101》中的内容，那么我们的经济将会蓬勃发展。”
对此观点，Carruthers表示认同。“我们几乎都将关注的目光从分析本身上移开了，因为很多人对机器学习和人工智能感到兴奋。他们会说，’哦，我们要做这么奇妙酷炫的东西’。我们忘记了企业实际上是通过分析才获得大量价值的。”
Carruthers认为，随着企业将分析应用到生产当中并寻求从分析工作中获取真正的价值，基础性分析和报告功能将会再次被重视。
自动化是问题的实质
数据日益复杂以及处理和分析数据所需的内容意味着未来几年自动化将变得更加重要。
Sallam说：“在类型和分析方面，数据复杂性的增加确实让当前手动方法走到了极限。因此在数据管理和分析内容开发的各个方面，整个堆栈都在努力实现分析流程的自动化，实现从系统中获取信息的自动化。”
Schatsky对此表示赞同。他还同时指出，自动化主要是由于数据科学家、数据工程师和数据科学团队成员的稀缺造成的。“许多数据科学家会告诉你，他们将大约80%的时间花在了繁琐和重复的任务上，如数据准备、特征工程、选择算法。但是我们发现其中的很多东西都可以在某种程度上实现自动化。这并不意味着数据科学家将会因机器的介入而失去工作。相反，这意味着他们的工作效率可以提高五倍，即拥有两名数据科学家的企业，如果利用自动化，就可以实现与拥有10位数据科学家的企业一樣的效率。”
企业将加大对第三方数据的利用
Schatsky表示，拥有更高级分析程序的企业在未来几年内将会越来越多地利用第三方数据。
“有效利用第三方数据可以克服数据集成、数据清理等技术障碍，”Schatsky说。“这其中包括企业需要具备更多面向市场的能力。如不断扫描环境以了解可用的数据来源，促进流程简化以评估这些数据源，进而生成包括合同和法律问题以及风险审查等数据。这些才是企业真正应该培养和投资的能力。”
Schatsky以供应链管理为例表示，在过去，运营供应链的企业可能通过跟踪供应商的行为来管理风险。如他们交货的时间、他们交付的产品达到或未达到质量标准的频率等。
“这是幼稚园级的供应链风险管理水平，”Schatsky说。更成熟的企业可能已经在利用第三方数据，如通过信用评级信息帮助自己确定与供应商或客户的合作风险。
如今，具备复杂分析能力的企业正在寻求第三方数据（如天气预报）以完善风险评估。如企业的地区供应商是否易受天气影响？此外，他们可能还会利用社交媒体的数据以帮助自己寻找需求转型的线索。如果社交媒体指标显示对某种产品的需求激增，那么企业是否应该增加对这些产品的原材料采购？“这是企业渴望达到的下一个更高的层次。”
本文作者Thor Olavsrud长期负责CIO.com网站的数据分析、商业智能和数据科学专栏。
数据分析是一个不断发展的领域。跟上最新发展趋势对于确保企业在未来数月和数年成功部署分析战略和策略至关重要。对此，企业需要持续加大对分析的投资力度以支持数字化转型。
市场研究公司Market Research Future在今年2月预测，到2023年，全球数据分析市场将实现30.8%的复合年增长率，届时市场价值将达到776.4亿美元。德勤中央创新团队的领先趋势感知项目经理兼《德勤数字成熟度报告》的共同作者David Schatsky表示，数据分析投资不断增加的核心是推动企业成为数字化企业。
Schatsky称：“数字化企业是一种不断发展，始终寻求应用数字化技术并最大化数字化技术价值的企业，进而以此重塑自身，重塑其向市场提供的产品，重塑将产品推向市场的方式，以及重塑企业运营方式。我们认为数字化企业能够通过有效利用数字技术和数据实现不断发展。”
对于希望通过数据转变业务的企业而言，以下是未来几个月中值得关注的四大分析趋势。
数据公民的崛起
随着企业转型越来越多地由数据推动，大多数专家和行业观察家都认为，这项技术虽然不是那么容易，但是却最为简单。最具挑战性的地方在于让数据和对数据的高效使用成为企业文化和思维方式的重心。
咨询公司Carruthers and Jackson的主管Caroline Carruthers称：“数据中最重要的部分是人。如果你让整个企业都了解你想要对数据和信息做些什么，并且大家都齐心协力地向着一个方向努力，那么这比找10位数据科学家闭门造车还要管用。”Caroline Carruthers曾任Network Rail首席数据官，并合著有《首席数据官的手册》和《数据驱动的业务转型：如何颠覆、创新并超越竞争对手》。
德勤的Schatsky补充说，为了实现数据掌控，企业必须在业务部门中灌输一种思想，那就是无论部门在何时进行决策或采取行动，负责人都应考虑是否有数据可以帮助自己做出更明智或更好的决定。
Schatsky称：“这需要改变思维方式。为了使其能够被广泛接受，领导层需要做出调整。同时，领导层必须集中精力在企业推行它们。”
企业将会越来越注重在整个组织架构中推行由数据驱动的思维方式，并保持基本数据概念被熟知。尽管如此，业务分析咨询公司A4A Brown的总裁兼《数据挖掘傻瓜式操作》的作者Meta S. Brown还是告诫说，推行方式不要太过于激进。
Brown称：“我认为让执行经理成为分析专家有点不切实际。让其中的少部分人熟悉一些相关的术语是合理的。”她举例说，执行管理团队要了解他们必须遵守的最重要的法律，并且应该能够阅读合同，但是他们不会就复杂的法律问题提供建议。在分析方面情况也一样。
此外，Brown还表示：“我认为在数据分析中为高管增加一个负载权限，或者让自己进行数据分析是不合理的。我的专业意见是，我们在学习数据分析方面对他们不应抱有太大期望。作为分析专家，我们的工作就是通过整个流程更好地与他们合作，从中获取业务信息，我们有责任将他们告诉我们的业务内容翻译成分析术语。”
回归基础性分析
在过去几年里，围绕分析的讨论越来越多地集中在尖端技术上，如机器学习、深度学习、神经网络和其他人工智能元素。专家们认为，虽然这些领域在未来几年将会继续引起人们的关注，但是大部分企业还是应该重新回归基础，从并不太先进的分析法中提取更多实用信息。
Brown 称：“让我感到非常震惊的是，我参加过如此多的演讲并且阅读了很多文章，在这些演讲和文章中人们探讨的多是些可能想象到的最复杂的数学问题。而多数企业在实际中使用的多是更为简单的数学方法，这些企业并不想将问题复杂化。如果美国的每家企业都能充分使用描述统计学入门《Statistics 101》中的内容，那么我们的经济将会蓬勃发展。”
对此观点，Carruthers表示认同。“我们几乎都将关注的目光从分析本身上移开了，因为很多人对机器学习和人工智能感到兴奋。他们会说，’哦，我们要做这么奇妙酷炫的东西’。我们忘记了企业实际上是通过分析才获得大量价值的。”
Carruthers认为，随着企业将分析应用到生产当中并寻求从分析工作中获取真正的价值，基础性分析和报告功能将会再次被重视。
自动化是问题的实质
数据日益复杂以及处理和分析数据所需的内容意味着未来几年自动化将变得更加重要。
Sallam说：“在类型和分析方面，数据复杂性的增加确实让当前手动方法走到了极限。因此在数据管理和分析内容开发的各个方面，整个堆栈都在努力实现分析流程的自动化，实现从系统中获取信息的自动化。”
Schatsky对此表示赞同。他还同时指出，自动化主要是由于数据科学家、数据工程师和数据科学团队成员的稀缺造成的。“许多数据科学家会告诉你，他们将大约80%的时间花在了繁琐和重复的任务上，如数据准备、特征工程、选择算法。但是我们发现其中的很多东西都可以在某种程度上实现自动化。这并不意味着数据科学家将会因机器的介入而失去工作。相反，这意味着他们的工作效率可以提高五倍，即拥有两名数据科学家的企业，如果利用自动化，就可以实现与拥有10位数据科学家的企业一樣的效率。”
企业将加大对第三方数据的利用
Schatsky表示，拥有更高级分析程序的企业在未来几年内将会越来越多地利用第三方数据。
“有效利用第三方数据可以克服数据集成、数据清理等技术障碍，”Schatsky说。“这其中包括企业需要具备更多面向市场的能力。如不断扫描环境以了解可用的数据来源，促进流程简化以评估这些数据源，进而生成包括合同和法律问题以及风险审查等数据。这些才是企业真正应该培养和投资的能力。”
Schatsky以供应链管理为例表示，在过去，运营供应链的企业可能通过跟踪供应商的行为来管理风险。如他们交货的时间、他们交付的产品达到或未达到质量标准的频率等。
“这是幼稚园级的供应链风险管理水平，”Schatsky说。更成熟的企业可能已经在利用第三方数据，如通过信用评级信息帮助自己确定与供应商或客户的合作风险。
如今，具备复杂分析能力的企业正在寻求第三方数据（如天气预报）以完善风险评估。如企业的地区供应商是否易受天气影响？此外，他们可能还会利用社交媒体的数据以帮助自己寻找需求转型的线索。如果社交媒体指标显示对某种产品的需求激增，那么企业是否应该增加对这些产品的原材料采购？“这是企业渴望达到的下一个更高的层次。”
本文作者Thor Olavsrud长期负责CIO.com网站的数据分析、商业智能和数据科学专栏。