Bob Violino

在IT界，炒作越大誤區(qū)就越多，數(shù)據(jù)分析也不例外。數(shù)據(jù)分析是當(dāng)下IT界最熱門的領(lǐng)域之一，它可以帶來顯著的業(yè)務(wù)效益，但是誤區(qū)會妨礙企業(yè)順利和及時地交付可能使業(yè)務(wù)用戶、最終使客戶受益的分析功能。企業(yè)在制定或夯實(shí)分析策略時，應(yīng)當(dāng)提防這12個誤區(qū)。

誤區(qū)1：數(shù)據(jù)分析需要大量投入

這年頭，實(shí)施的每一項(xiàng)技術(shù)似乎都要過財(cái)務(wù)穩(wěn)健性這道關(guān)卡。IT和業(yè)務(wù)經(jīng)理們提議啟動項(xiàng)目或部署新工具時，首先面臨的問題之一是“這要花多少錢？”

一些人認(rèn)為，數(shù)據(jù)分析本質(zhì)上很燒錢，因此僅限于預(yù)算龐大或內(nèi)部資源豐富的大企業(yè)。不過移動和在線房地產(chǎn)服務(wù)提供商Trulia的工程副總裁Deep Varma表示，并非所有的數(shù)據(jù)分析工作都需要大量投入。

Varma說：“現(xiàn)在市場上有眾多的開源及其他工具可以幫助你開始展示數(shù)據(jù)分析具有的價值。你要深入了解內(nèi)部數(shù)據(jù)存儲和想解決什么樣的問題。有了云計(jì)算，試著用分析技術(shù)解決業(yè)務(wù)問題也變得很容易?！?/p>

安永咨詢公司的全球分析主管Beatriz SanzSaiz補(bǔ)充道，現(xiàn)代分析技術(shù)“基于云系統(tǒng)和大數(shù)據(jù)架構(gòu)，它們本身比傳統(tǒng)的數(shù)據(jù)倉庫系統(tǒng)便宜得多?！?/p>

Saiz說：“此外，數(shù)據(jù)和分析技術(shù)通常用來獲得三個結(jié)果：提高流程效率、增加收入和積極主動的風(fēng)險管理。所以總的來說，運(yùn)用數(shù)據(jù)和分析技術(shù)可以為任何公司帶來大幅節(jié)省成本的好處?！?h3>誤區(qū)2：需要大數(shù)據(jù)才能執(zhí)行分析

對許多人來說，大數(shù)據(jù)和分析這兩個概念密不可分。這種想法指的是，企業(yè)需要在執(zhí)行分析之前收集大量數(shù)據(jù)，以便獲得業(yè)務(wù)洞察力和改進(jìn)決策制定等。

當(dāng)然，大數(shù)據(jù)分析的好處已得到了公認(rèn)，擁有資源的公司確實(shí)可以利用其存儲的數(shù)據(jù)作為分析工作的一部分，從而獲得顯著的競爭優(yōu)勢。但大數(shù)據(jù)對分析來說必不可少的想法是錯誤的。

人力資源公司Allegis Global Solutions的商業(yè)智能執(zhí)行董事Tim Johnson說：“人們常常努力采集盡可能多的數(shù)據(jù);他們一聽到‘大數(shù)據(jù)就來勁。一個誤區(qū)是以為數(shù)據(jù)越多越好，機(jī)器會分門別類?！?/p>

然而分析員需要的是具體的數(shù)據(jù)，而不是更多的數(shù)據(jù)。Johnson說：“95%的用戶在尋找與其工作相關(guān)的信息，支持決策和提高業(yè)績?！逼髽I(yè)切忌一味獲取更多的數(shù)據(jù)，而是要明白業(yè)務(wù)用戶不光關(guān)注需要訪問哪些數(shù)據(jù)，還關(guān)注如何展示數(shù)據(jù)。

Johnson說：“讓員工可以訪問每一個信息（這些信息采用多種格式）會讓人無所適從，實(shí)際上阻礙采用。而是應(yīng)搞清楚對他們來說重要的信息，以及如何以最簡單的格式向他們展示這些信息?！?h3>誤區(qū)3：分析可以消除人為偏差

自動化系統(tǒng)執(zhí)行的方式不應(yīng)該有偏差。但技術(shù)是人類開發(fā)的，所以消除所有偏差幾乎不可能。一些人認(rèn)為，分析技術(shù)和機(jī)器學(xué)習(xí)可以消除人為偏差。

全球技術(shù)咨詢公司ThoughtWorks的技術(shù)負(fù)責(zé)人Mike Mason說：“遺憾的是，這根本就不對。算法和分析使用‘訓(xùn)練數(shù)據(jù)加以調(diào)整，會重現(xiàn)該訓(xùn)練數(shù)據(jù)具有的任何特征。”

Mason表示，在一些情況下，這會給分析結(jié)果帶來無害的偏差;在其他情況下，會帶來較嚴(yán)重的偏差。他說：“就因?yàn)椤惴ㄟ@么說并不意味著答案是合理的或有用的?！?h3>誤區(qū)4：最好的算法總是勝出

實(shí)際上，有了足夠的數(shù)據(jù)，“有時候算法并不重要?！痹贛ason提到的IEEE上的一篇文章《數(shù)據(jù)的不合理有效性》中，谷歌的工程師認(rèn)為，簡單的統(tǒng)計(jì)模型加上超海量數(shù)據(jù)比含有眾多特征和摘要的“更智能化”模型取得了更好的結(jié)果。

Mason說：“在一些情況下，僅僅處理數(shù)量更多的數(shù)據(jù)就能取得最好的結(jié)果。”

誤區(qū)5：算法萬無一失

Johnson表示，人們天生就高度信任統(tǒng)計(jì)模型和算法;隨著許多企業(yè)紛紛搞分析項(xiàng)目，它們?nèi)找嬉蕾噺?fù)雜的模型來支持決策。

“由于人們不了解模型、算法及其他先進(jìn)的數(shù)據(jù)科學(xué)實(shí)踐，所以信任它們。”Johnson表示，用戶不覺得自己具備可以挑戰(zhàn)模型的知識，于是他們只好信任構(gòu)建模型的“聰明人”。

“在過去五六十年，我們聽說過人工智能會在20年內(nèi)取得主導(dǎo)地位，我們會繼續(xù)聽到人們這么說。在我們能公然信任機(jī)器學(xué)習(xí)和結(jié)果之前，還有好多事情要做。在此之前，我們要讓構(gòu)建算法和模型的人解釋是如何得出答案的。不是我們不能依賴結(jié)果，而是需要透明度，以便我們能夠信任和驗(yàn)證分析。”

誤區(qū)6：數(shù)據(jù)科學(xué)是神秘的“魔法”

近年來數(shù)據(jù)科學(xué)備受關(guān)注，有時讓人犯疑：它到底是什么樣的學(xué)科。數(shù)據(jù)科學(xué)基本上是利用算法找出數(shù)據(jù)中的模式。

數(shù)據(jù)存儲公司Micron的CIO Trevor Schulze說：“數(shù)據(jù)科學(xué)似乎很神秘，因?yàn)檫@些算法能夠分析人腦理解能力之外的更多變量和更龐大數(shù)據(jù)集。”

“近年來隨著計(jì)算能力和內(nèi)存增大，我們現(xiàn)在能夠迅速解決僅僅10年前用任何技術(shù)都解決不了的問題。數(shù)據(jù)科學(xué)是幾十年來廣為人知的統(tǒng)計(jì)推論技術(shù)的自然演變的產(chǎn)物。一旦你了解數(shù)學(xué)，數(shù)據(jù)科學(xué)毫無神秘可言?！?h3>誤區(qū)7：想搞更多的數(shù)據(jù)科學(xué)，你需要更多的數(shù)據(jù)科學(xué)家

數(shù)據(jù)科學(xué)家是如今所有技術(shù)專業(yè)人員中最緊俏的。如果企業(yè)調(diào)整一下工作重心，也許用較少的數(shù)據(jù)科學(xué)家就可以。

Mason說：“許多數(shù)據(jù)科學(xué)家把時間花在了非增值型活動上，比如尋找數(shù)據(jù)集、把數(shù)據(jù)放到可以處理它們的地方以及轉(zhuǎn)換和清理數(shù)據(jù)。鑒于招聘數(shù)據(jù)科學(xué)家很難，你不希望他們處理那些低價值的任務(wù)?！?/p>

“優(yōu)步（Uber）的Michelangelo平臺讓數(shù)據(jù)科學(xué)家可以專注于特征工程、提取和分析，而不是將數(shù)據(jù)倒來倒去，因而大大提高了生產(chǎn)力。”

誤區(qū)8：分析太耗時

如今，無論是趕緊將產(chǎn)品或服務(wù)推向市場，還是近乎實(shí)時地響應(yīng)客戶咨詢，迅速完成工作是許多公司在考慮的一大競爭優(yōu)勢。分析似乎要花很長時間來執(zhí)行，這有悖于實(shí)現(xiàn)速度和靈活性的目標(biāo)。

Saiz說：“這種類型的項(xiàng)目耗時太長，相當(dāng)復(fù)雜，這個誤區(qū)依然存在。到頭來，人才是關(guān)鍵。借助適當(dāng)?shù)募寄芙M合、運(yùn)用敏捷方法，可以在幾天或幾周后、而不是幾個月后解決重大問題?！?h3>誤區(qū)9：技術(shù)是最難的部分

咨詢公司ISG的IT采購和數(shù)字咨詢服務(wù)主管James Burke表示，由于現(xiàn)在可供使用的技術(shù)越來越多，選擇合適的工具組合來部署和集成以便獲得分析團(tuán)隊(duì)預(yù)期的結(jié)果并非易事。

不過Burke表示，真正困難的部分是“把組織結(jié)構(gòu)和運(yùn)營模式結(jié)合起來，進(jìn)而把人員、流程和技術(shù)等角度所有必需的東西綜合起來。另外，你如何在現(xiàn)有的組織內(nèi)部或‘附近搞這項(xiàng)工作對企業(yè)組織來說是最難的?！?/p>

別以為分析工具會完成所有工作也很重要。咨詢公司W(wǎng)est Monroe的技術(shù)業(yè)務(wù)高級主管Greg Layok說：“光靠技術(shù)根本解決不了任何業(yè)務(wù)問題。許多企業(yè)急著構(gòu)建數(shù)據(jù)湖，到頭來深陷泥潭或誰也搞不明白的信息困境?！?/p>

Layok表示，技術(shù)解決不了分析問題。他說：“先找出業(yè)務(wù)問題，然后問‘我需要哪些數(shù)據(jù)來解決該問題？這將幫助你找出貴企業(yè)存在的數(shù)據(jù)缺口。”

誤區(qū)10：數(shù)據(jù)分析應(yīng)該是獨(dú)立的部門

咨詢和數(shù)據(jù)收集公司Delvinia的總裁兼首席創(chuàng)新官Steven Mast表示，在一些企業(yè)，數(shù)據(jù)分析作為一個獨(dú)立部門來運(yùn)作;而在另一些企業(yè)，深深地融入到跨職能團(tuán)隊(duì)中。

Mast說：“然而，由于數(shù)據(jù)在所有業(yè)務(wù)領(lǐng)域大量涌現(xiàn)，加上變化速度快，部門模式不管用了。隨著企業(yè)變得更以客戶為中心，數(shù)據(jù)驅(qū)動的分析專家應(yīng)該是業(yè)務(wù)部門的核心，而不是作為你尋求支持的部門來運(yùn)作?！?/p>

如今企業(yè)面臨的許多復(fù)雜問題都在業(yè)務(wù)部門內(nèi)部，而解決這些問題的許多方案都隱藏在數(shù)據(jù)中?！皵?shù)據(jù)科學(xué)家和專家與這些業(yè)務(wù)部門密切合作，利用龐大數(shù)據(jù)集和人工智能，將是打造下一代產(chǎn)品、服務(wù)和客戶體驗(yàn)的關(guān)鍵?！?h3>誤區(qū)11：分析完全是博士干的事

分析團(tuán)隊(duì)有眾多受過良好教育的人雖好，但不是成功的必然要求。

Saiz說：“許多公司往往認(rèn)為，要是沒有博士成員，就無法開展最佳的分析工作?，F(xiàn)代分析需要結(jié)合一系列技能，需要精通新興技術(shù)和開源軟件的人員。擁有不同的技能很重要，包括大數(shù)據(jù)架構(gòu)師、數(shù)據(jù)工程師、數(shù)據(jù)科學(xué)家、數(shù)據(jù)可視化專家等。”

誤區(qū)12：人工智能會淘汰工作、破壞經(jīng)濟(jì)

歷史上新技術(shù)的出現(xiàn)顛覆了許多工作和行業(yè)，于是有人擔(dān)心人工智能將不需要人們執(zhí)行某些任務(wù)。

Schulze說：“人工智能解決方案在解決某些類別的問題方面比人類好得多?！叭斯ぶ悄鼙热祟愖x得更快、記得更多，計(jì)算復(fù)雜的數(shù)學(xué)關(guān)系更準(zhǔn)確。然而面對新的情形，人工智能卻無能為力，而這正是人類擅長的地方?！?/p>

當(dāng)然，某些工作已經(jīng)因人工智能的崛起而消失或式微，但其他工作會隨之而來。他說：“不過，我們?nèi)祟惱斫夂蛻?yīng)對完全無法預(yù)料的情形的能力不會被任何目前所知的人工智能技術(shù)取代。在可預(yù)見的未來，人工智能方面最有效的做法是，用人工智能系統(tǒng)增強(qiáng)人類能力，這類人工智能系統(tǒng)在算法勝過人類的領(lǐng)域執(zhí)行一些‘繁重任務(wù)。雖然許多工作會因人工智能而變化，但人仍將是這個商業(yè)生態(tài)系統(tǒng)的重要組成部分?！?/p>