如何在数据分析领域脱颖而出

　　毫无疑问，数据分析将成为企业的一个重要竞争优势，其可以帮助提供有益于提高销售和市场份额的见解。企业通过分析能够获得多少收益，在很大程度上取决于他们对这种最新技术的利用程度，以及他们对未来发展的准备程度。

　　利用自助式分析

　　自助式分析使得业务用户不需要IT 的支持和高级分析技能即可自己执行查询和生成报告。用户可以使用易于使用的商业智能（BI）工具，这些工具带有基本分析功能。

　　自助式分析方法可以帮助企业弥补由于缺乏训练有素的数据分析师而造成的短板，并可以将数据直接提供给那些最需要数据的用户，以帮助他们完成工作。

　　业务用户不需等待数据科学家或其他分析专家生成报告就可以根据对数据的分析做出相应的决策。对于那些需要快速适应市场变化或客户需求变化的企业来说，这将是一大优势。

　　IT 咨询公司Computer Task Group 的高级解决方案架构师John Walton 指出，部署自助式分析的第一步应该是充分了解用户群体，包括他们有哪些信息需求以及需要哪些工具。

　　Walton 说：“信息消费者和相关的执行者所需要的分析工具套件与数据科学家所使用的工具套件完全不同。同时，让工具与业务需求保持一致非常重要。此外，自助式分析高度依赖于干净的数据。如果信息用户对他们使用的仪表板失去了信任，那么要想恢复信任将变得非常困难。他们会说‘我不相信我所看到的。’如果失去了信任，那么数据分析将会无法得到发展。”

　　通过数据治理计划建立信息一致性也是一个非常好的主意。Walton 说：“一旦就绪，那么多维数据架构将成为自助式分析的‘管道’。”

　　在这种架构中，仪表板上显示的关键性能指标和度量值是根机器学习（ML）可在强化数据分析处理中发挥重要作用，特别是对于需要处理大量信息的公司而言。

　　机器学习将需要一种不同于分析的体系结构。 Walton 说：“在这里，你不想应用预先计算的指标，因为这会导致数据扭曲，让潜在的有价值的见解变得模糊不清。机器学习希望获得大量非常精细的数据，以最大效率地发挥自己的作用。”

　　例如，在医疗保险行业，企业可能需要处理包括索赔数据、患者数据以及结构化和非结构化注释等大量数据集。

　　机器学习的最佳实践是将正确的数据层用于正确的目的。Walton 说：“ 最底层的‘摄取’层是来自不同来源的数据。越是最原始数据， 对于ML 来说就越理想。”

　　中间层，即“一致性” 层是从各种来源获取的数据，符合既定的数据治理规则的标准。Walton 称，顶层则由一系列有侧重点的数据集组成，它们非常适合进行分析。

　　端到端管理数据

　　许多企业正努力管理来自各种来源的大量且不断增长的数据，企业的这种努力可能会阻碍分析工作，但跨企业管理数据技术可以提供一个解决方案。

　　医疗保健供应公司Paul Hartmann AG 正在使用 SAP 的一个中央管理平台 Data Hub， 以横跨多个内部和外部源以实现对数据的整合、访问和分析。该公司的首席信息官兼首席数据官 Sinanudin Omerhodzic 说，他们的目标是最大限度地挖掘数据的潜力，以获得优化制造和供应链所需的必要见解。

　　Omerhodzic 说：“通过访问这些发现，我们可以随时为客户提供所需的产品，以挽救患者的生命。”

　　Hartman 可通过Data Hub 技术能够为客户、供应商和运营数据建立“单一的事实来源”，帮助公司更好地了解客户面临的挑战。

　　该公司现在已经能够熟练使用人工智能（AI）、物联网（IoT）和预测分析等技术。此外公司还可以利用有关天气和流行病等因素的新数据源，从而更好地预测医院和药店的需求，确保他们能够在适当的时间获得适当的数量供给。

　　向业务用户介绍整体数据策略

　　使用数据洞察力的业务用户需要全面了解企业的数据科学、人工智能、机器学习和数据分析战略。通过这种方式他们可更加容易理解他们所看到的东西。

　　HGS Digital 是一家帮助企业利用数据提升客户体验的数字化转型咨询公司。该公司负责数据科学和分析的全球业务主管Venu Gooty 说：“举办成果交流会可以让帮助负责业务和运营的领导者更好地了解人工智能和数据学习的优势。”

　　Gooty 说：“ 这对于第一次开启数据科学之旅的企业来说尤为重要。HGS Digital 在部署人工智能和机器学习时面临的最大障碍是向业务用户介绍交付数据科学项目后取得的成果，以及向他们解释我们交付数据科学项目的方法。”

　　企业需要制定一个数据策略，以解释不同部门是如何协同工作的。Gooty 说：“这是必需的，因为机器学习计划需要与多个部门合作，比如市场营销、IT、运营等部门。”

　　机器学习涉及大量数据的处理。例如，为了帮助零售商预测客户流失情况，它们需要比如客户统计、购买历史、客户购买的产品等诸多数据集。

　　Gooty 称：“ 这些数据集通常来自不同的数据源， 可能没有统一的数据源来提取数据。因此团队需要与不同的部门合作，才能将数据整合到一个统一的平台上。与没有清楚的数据策略的企业相比，那些对数据策略和数据治理进行了详细规范的企业会处理的更加流畅。”

　　在云端进行分析

　　与其他所有的东西一样，云服务为数据分析提供了一种经济高效的选择。对于那些需要分析大量数据并且没有内部处理能力的企业来说，云计算尤为有用。

　　Gooty 提醒道，任何计划在云端执行分析的企业都应该首先制定一个清晰的迁移策略。他说：“对于大多数企业来说，都是第一次将数据转移到云端。最好从小处着手，不断地总结经验，并根据需要做出改变。”

　　此外，用户还需要根据安全策略制定一个清晰的治理框架。Gooty 说：“ 向云端迁移意味着将内部数据、外部数据和用户迁移到云上。企业必须制定详细的安全和隐私政策，明确每个部分的负责人。每个用户要有适当的访问权限。”

　　另一个好的做法是尽可能地实现自动化。Gooty 说：“ 云的力量在于灵活性和自动化。手动加载或一次性加载的请求会很多，随着这些一次性请求的增加，自动化的优势会变得越来越明显。”

　　建立分析中心或卓越中心

　　企业可以组建卓越中心（CoE）以提供领导，分享最佳实践，开展研究，以就特定的重点领域开展培训。考虑到当今数据分析的重要战略作用，建立一个专注于这些工作的CoE 具有重大意义。

　　市场研究公司IDC 在 2019 年对美国首席信息官和其他IT 高管进行了一项调查。该调查显示，93% 的人表示，他们的企业正在使用某种形式的卓越中心来推动人工智能和数据科学项目。 IDC 的IT 执行项目副总裁 Serge Findling 说：“ 卓越中心是所有人工智能、商业智能和分析的主要枢纽。对于一个既有中央资源又有分布式资源的企业而言，它们的主要任务是在整个企业中进行协调。”

　　全球咨询公司Keyrus 指出，为了从数据中获得最佳投资回报和最大价值，企业应当建立一个以分析为中心的卓越中心。这个卓越中心可以简化企业的所有分析工作。

　　Keyrus 表示：“想象一下有一支能力极强的专家团队非常了解你的企业情况，并且非常熟悉你的数据来源。这个团队的技能和能力能够充分分析你所掌握的数据，并可以将公司的所有工作都引导到正确的方向。”

　　Keyrus 说， 以分析为中心的卓越中心应当提供对企业分析愿景进行详细规划等功能，包括选择要使用的工具和确定需要哪些关键绩效指标，构建技术蓝图，为共享数据源等领域建立标准，管理项目和控制资金，发展用户技能，总结领导方法。

　　Keyrus 指出，卓越中心的组织架构取决于企业的规模、行业、目标等因素，因此所有的CoE 都不尽相同。此外，企业应该视自己的具体业务目标和组织体系而组建卓越中心。

　　本文作者Bob Violino 为Computerworld、CIO、 CSO、InfoWorld 和Network World等网站的特约撰稿人。

　　原文网址 https://www.infoworld. com/article/3614708/howto- excel-with-data-analytics. html