企业创建/扩展，需要注意的12个数据分析误解

对于IT来说，夸大其功效的炒作越多，对其的误解就越大，数据分析也不例外。数据分析是当今信息技术中最受欢迎的领域之一，可以给企业带来显著的业务效益，但这些误解可能会阻碍分析过程的及时顺利交付，影响业务用户和最终客户。随着企业创建或扩大其分析策略，对数据分析有12个误解需要特别注意。误区1：如今，数据分析需要大量的投资，似乎每一项新技术的投资都必须经过严格的财务支出筛选过程。“它要花多少钱？IT和业务经理在提出启动项目或部署新工具时需要首先考虑的问题之一。有些人认为数据分析本质上是一项昂贵的工作，因此仅限于预算大或内部资源大的企业。但事实并非如此。市场上有许多开源工具和其他工具可以帮助显示数据分析的价值；基于云系统的大数据架构将比传统的数据仓库便宜得多。您只需明确内部数据存储和要解决的问题，就可以轻松地在云上使用分析来解决业务问题。此外，数据分析通常用于提高流程效率、收入增长和积极的风险管理三个结果。一般来说，数据分析在任何公司的应用中都带来了巨大的成本效益。误区2：对许多人来说，大数据和分析的概念是相辅相成的。企业需要在实施分析前收集大量数据，以产生业务洞察力，改进决策制定。当然，大数据分析的优势也很明显。拥有这些资源的公司利用大数据存储作为促进分析的一部分，获得了显著的竞争优势。但大数据并非分析必不可少的搭配。分析师需要特定的数据，而不是更多的数据。为了更好地支持决策和提高绩效，企业必须更多地考虑业务用户，以确定他们需要访问哪些数据，以及如何呈现数据，而不是更多地关注数据。超过95%的用户会寻找与他们工作相关的信息来支持他们做出决定，以提高他们的业务表现，因此企业需要以最简单的形式向他们提供这些信息，以帮助他们快速定位重要信息。观远数据：预置规则和策略的一站式分析平台误解3：分析消除了人类偏见自动化系统的执行方式不应存在偏见，但技术是由人类建立的，因此几乎不可能消除所有偏见。一些人认为分析和机器学习消除了人类的偏见，不幸的是，这并没有实现。算法和分析使用“训练数据”进行调整，并将重现“训练数据”的任何特征。在某些情况下，这将在分析过程中引入良性偏见，但也可能带来更严重的偏见——因为“算法”并不意味着答案是公平的或有用的。误区4：最好的算法意味着绝对的胜利事实证明，有足够的数据，有时算法并不重要。谷歌工程师认为，数据具有不合理的有效性。简单的统计模型和大量的数据可以比“智能优越模型”输出更好的结果，这些模型包含了大量的特征和摘要。因此，在某些情况下，只需处理更多的数据即可获得最佳效果。误区5：算法是安全的人固执地信任统计模型和算法，随着分析程序的组织，他们将越来越依赖复杂的模型来支持决策。这可能是因为用户不认为他们有能力挑战模型，所以他们必须相信构建他们的“聪明人”。例如，在过去的50到60年里，我们一再听到“人工智能将在20年内接管人类工作”的评论，有些人一再强调这一观点。在我们完全信任机器学习及其输出结果之前，还有很多事情要做。在此之前，我们需要挑战那些构建算法和模型的人，让他们解释如何得到答案。这并不是说我们不能依赖结果，而是说我们需要透明度，这样我们就可以信任和验证分析结果。观远数据AI预测引擎：可解释AI预测误解6：近年来，数据科学是一门神秘的“黑色艺术”，数据科学受到了广泛的关注，有时甚至与其他学科混淆。数据科学基本上涉及到数据搜索模式中所有算法的使用。数据科学似乎很神秘，因为这些算法可以分析比人类能理解的更多的变量和更大的数据集。然而，随着近年来计算能力和内存的扩大，我们现在可以快速解决10年前任何技术都无法解决的问题，人们也明白数据科学是统计推断技术的自然演变。但是一旦你了解了数学，数据科学就不会有神秘感。误区7：如今，数据科学家是所有技术专业人员中最稀缺的，他们需要更多的数据科学家来做更多的数据科学工作。但是，如果他们重新定位自己正在进行的工作，组织可能会减少这些专业人员的数量。许多数据科学家花时间在非增值活动上，如搜索数据集、将数据发送到可处理的地方、转换和清理数据等。考虑到雇佣数据科学家的困难，这些低价值的任务并不是企业想要的。为了大大提高他们的工作效率和产出，数据科学家需要专注于特征工程、提取和分析，而不是围绕数据旋转。误区8：分析需要很长时间才能快速完成工作——无论是将产品或服务推向市场，还是几乎实时响应客户咨询，都是影响任何企业核心竞争力的重要因素。分析似乎需要很长时间才能实现，这与实现速度和敏捷性的目标背道而驰，但这仍然是一种误解。归根结底，一切都与人才有关。有了正确的技能组合和敏捷方法论的应用，大问题也可以在几天或几周内得到回答，而不是几个月。同时，您还需要一个智能分析平台，它可以敏捷、轻量化，并预设大量的规则和策略！误区9：技术是最困难的部分，随着可用技术的增加，选择合适的工具组合部署和集成，可以更好地从分析团队获得所需的结果，然而，真正困难的部分是“整合组织结构和运营模式，整合人员、流程、技术视角。如果你认为只有技术才能解决任何商业问题，那么在这种认知之上建立的数据架构最终会将企业带入“沼泽”，或者输出任何人都无法理解的信息。技术无法解决分析问题。正确的过程是：首先确定一个业务问题，然后问：“我需要什么数据来解决这个问题？"这将有助于您有效地识别企业内部数据的差距。误区10：数据分析应该是一个单独的部门。在某些组织中，数据分析被划分为单独的部门，而其他组织则将数据分析深入到跨职能团队中。然而，事实证明，以各业务领域的数据爆炸和变化速度，以单独部门存在的数据分析开始无效。另一方面，随着企业越来越以客户为中心，数据分析专家应该成为业务部门的核心，而不是独立于业务支持部门。企业面临的许多复杂问题都存在于业务部门，这些问题的许多解决方案都隐藏在数据中。与这些业务部门密切合作、使用大型数据集和人工智能的数据科学家和技术专家将成为孵化下一代产品、服务和客户体验的关键。误区11：分析只适用于医生。我很高兴我们在分析团队中有很多受过良好教育的人，但这不是分析成功的必要条件。企业倾向于认为，如果数据分析师没有博士学位，他们将无法进行最佳分析。然而，现代分析需要各种技能——建立具有不同技能的“分离舱”，包括精通新兴技术和开源软件的人、大数据架构师、数据工程师、数据科学家、数据可视化专家等。误区12：人工智能破坏了工作，破坏了经济历史上新技术的引进，扰乱了许多工作和行业。人们也担心人工智能会消除人们执行某些任务的必要性。虽然人工智能解决方案比解决某些问题的人要好得多，例如，人工智能可以更快地阅读，记住更多，并比任何人都更好地计算复杂的数学关系。然而，人工智能无法应对真正的新变化，这是人类擅长的。可以肯定的是，由于人工智能的兴起，一些工作已经消失或减少，而这一趋势仍在增长。尽管如此，任何目前的人工智能技术都不会取代我们理解和解决“完全不可预见的情况”的优势。在可预见的未来，最有效的方法是通过人工智能系统来增强人类的能力，取代人工的“繁重”。虽然人工智能正在改变许多工作岗位，但人们将成为这个商业生态系统的重要组成部分。