作者 | Bob Violino

編譯 | 中國統(tǒng)計網(wǎng)

對于IT來說，夸大其功效的炒作越多，外界對其的誤解也會越大，數(shù)據(jù)分析當(dāng)然也不例外。數(shù)據(jù)分析是當(dāng)今信息技術(shù)最熱門的領(lǐng)域之一，可以為企業(yè)帶來顯著的業(yè)務(wù)收益，但這些誤解可能將妨礙分析過程的及時、順利交付，并影響業(yè)務(wù)用戶和最終客戶。

隨著企業(yè)創(chuàng)建或擴展其分析策略，這里有12個他們需要格外注意的關(guān)于數(shù)據(jù)分析的誤解。

誤區(qū)1：數(shù)據(jù)分析需要大量投資

如今，似乎對每一項新技術(shù)的投入都必須通過嚴(yán)格的財務(wù)支出的篩選過程?！八枰嗌儋M用？”——是IT和業(yè)務(wù)經(jīng)理在提議啟動項目或部署新工具時需要首先考慮的問題之一。

有些人認(rèn)為數(shù)據(jù)分析本質(zhì)上是一項代價高昂的工作，因此僅限于擁有大量預(yù)算或大量內(nèi)部資源的企業(yè)機構(gòu)。但是事實并非如此，現(xiàn)在市場上有很多開源工具和其他工具能夠幫助展示數(shù)據(jù)分析的價值；并且基于云系統(tǒng)的大數(shù)據(jù)架構(gòu)，也會比傳統(tǒng)的數(shù)據(jù)倉庫便宜得多。你只需要明確內(nèi)部數(shù)據(jù)存儲以及要解決的問題，就可以輕松的在云上使用分析來解決業(yè)務(wù)問題。

此外，數(shù)據(jù)分析通常用于實現(xiàn)三個結(jié)果：提高流程效率、實現(xiàn)收入增長和主動進行風(fēng)險管理，總的來說，數(shù)據(jù)分析在任何公司的應(yīng)用中都帶來了巨大的成本效益。

誤區(qū)2：你需要“大數(shù)據(jù)”才能執(zhí)行分析

對于許多人來說，大數(shù)據(jù)和分析的概念是相輔相成的，企業(yè)需要在執(zhí)行分析之前收集大量數(shù)據(jù)，以便生成業(yè)務(wù)洞察，改進決策制定等。

當(dāng)然，大數(shù)據(jù)分析的優(yōu)勢也很明確，擁有這些資源的公司利用大數(shù)據(jù)存儲作為促進分析工作的一部分，獲得了顯著的競爭優(yōu)勢。但是大數(shù)據(jù)卻并不是分析必不可少的搭配。

分析師需要特定的數(shù)據(jù)，而不是更多的數(shù)據(jù)。要想更好地支持決策和提高績效，企業(yè)必須更多的考慮業(yè)務(wù)用戶，確定他們需要訪問哪些數(shù)據(jù)，如何呈現(xiàn)數(shù)據(jù)，而不是關(guān)注更多的數(shù)據(jù)。95%以上的用戶會尋找和他們工作相關(guān)的信息來支持他們進行決策，來提高業(yè)務(wù)表現(xiàn)，所以企業(yè)需要以最簡單的格式向他們提供這些信息，幫助他們快速定位重要信息。

誤區(qū)3：分析消除了人類的偏見

自動化系統(tǒng)執(zhí)行的方式不應(yīng)該存在偏見，但技術(shù)是由人類建立的，因此消除所有偏見幾乎是不可能的。

有些人認(rèn)為分析和機器學(xué)習(xí)消除了人類的偏見，不幸的是，這并沒有實現(xiàn)。算法和分析使用“訓(xùn)練數(shù)據(jù)”進行調(diào)整，并將重現(xiàn)“訓(xùn)練數(shù)據(jù)”所具有的任何特征，在某些情況下，這會在分析過程中引入良性偏見，但也有可能帶來更嚴(yán)重的偏見——因為“算法這么說”并不意味著答案是公平的或者有用的。

誤區(qū)4：最好的算法意味著絕對的勝利

事實證明，有了足夠的數(shù)據(jù)，有時算法無關(guān)緊要。谷歌的工程師認(rèn)為，數(shù)據(jù)有著不合理有效性 ，簡單的統(tǒng)計模型，加上極大量的數(shù)據(jù)，比包含大量特征和總結(jié)的“智能優(yōu)越模型”能輸出更優(yōu)質(zhì)的結(jié)果。

因此，在某些情況下，只需處理更大量的數(shù)據(jù)就可以獲得最佳效果。

誤區(qū)5：算法是安全的

人們固執(zhí)地信任統(tǒng)計模型和算法，并且隨著分析程序的組織構(gòu)建，他們會越來越依賴復(fù)雜的模型來支持決策。這或許是因為用戶并不覺得他們有能力挑戰(zhàn)模型，因此他們必須相信構(gòu)建它們的“聰明人”。

比如，在過去的50到60年里，我們反復(fù)聽到“人工智能將在20年內(nèi)接管人類工作”的言論，現(xiàn)在也還是有人反復(fù)強調(diào)這種觀點。在我們可以完全信任機器學(xué)習(xí)和它們輸出的結(jié)果之前，還有很多事情要做。在那之前，我們需要挑戰(zhàn)構(gòu)建算法和模型的人，讓他們解釋如何得到答案。這并不是說我們不能依賴于結(jié)果，而是說我們需要透明度，這樣我們才可以信任和驗證分析結(jié)果。

誤區(qū)6：數(shù)據(jù)科學(xué)是一種神秘的“黑色藝術(shù)”

近年來，數(shù)據(jù)科學(xué)學(xué)科受到了很多關(guān)注，有時甚至?xí)c其他學(xué)科產(chǎn)生混淆?；旧蟻碚f，數(shù)據(jù)科學(xué)涉及了數(shù)據(jù)查找模式中所有算法的使用。

數(shù)據(jù)科學(xué)似乎很神秘，因為這些算法能夠分析比人類能夠理解的范圍內(nèi)更多變量和更大的數(shù)據(jù)集。但是隨著近年來計算能力和內(nèi)存的擴大，我們現(xiàn)在能夠快速解決10年前任何技術(shù)都無法解決的問題，人們也隨之明白，數(shù)據(jù)科學(xué)是統(tǒng)計推斷技術(shù)的自然演變。但一旦你理解了數(shù)學(xué)，數(shù)據(jù)科學(xué)就沒有了神秘感。

誤區(qū)7：需要越多的數(shù)據(jù)科學(xué)家，才能做更多的數(shù)據(jù)科學(xué)工作

如今，數(shù)據(jù)科學(xué)家是所有技術(shù)專業(yè)人員中最緊缺的。但如果他們重新定位他們正在進行的工作，組織機構(gòu)可能會減少這些專業(yè)人員的數(shù)量。

許多數(shù)據(jù)科學(xué)家的時間花費在非增值活動上，比如查找數(shù)據(jù)集，將數(shù)據(jù)發(fā)送到可以處理的地方，以及轉(zhuǎn)換和清理數(shù)據(jù)等?？紤]到聘請數(shù)據(jù)科學(xué)家的困難程度，這些低價值的任務(wù)并不是企業(yè)想要的。

數(shù)據(jù)科學(xué)家需要專注于特征工程，提取和分析，而不是圍著數(shù)據(jù)打轉(zhuǎn)，這樣才能大大提高他們的工作效率和產(chǎn)出。

誤區(qū)8：分析需要花費很長時間

如今，快速完成工作——無論是將產(chǎn)品或服務(wù)推向市場，還是近乎實時地響應(yīng)客戶咨詢，對于任何企業(yè)來說都是影響核心競爭力的重要因素。

分析聽起來似乎需要很長時間才能執(zhí)行，與實現(xiàn)速度和敏捷性的目標(biāo)背道而馳，但這仍然是一個誤區(qū)。歸根究底，一切都與人才有關(guān)。有了正確的技能組合和敏捷方法論的應(yīng)用，大型問題也可以在幾天或幾周內(nèi)得到回答，而不是幾個月。

誤區(qū)9：技術(shù)是最困難的部分

隨著當(dāng)今可用技術(shù)的不斷增加，選擇合適的工具組合進行部署和集成，可以

更好從分析團隊獲得所需的結(jié)果，

然而，真正困難的部分是“整合組織結(jié)構(gòu)和運營模式，將人員、流程、技術(shù)視角所需的全部內(nèi)容整合在一起。假如你認(rèn)為只有技術(shù)才能解決任何商業(yè)問題，那么在此認(rèn)知之上建立的數(shù)據(jù)架構(gòu)，最終會將企業(yè)帶入“沼澤地”中，或者是產(chǎn)出任何人都難以理解的信息。

技術(shù)無法解決分析問題，正確的流程是：先確定一個業(yè)務(wù)問題，然后問，“我需要什么數(shù)據(jù)來解決這個問題？”這將幫有效幫助您識別企業(yè)內(nèi)數(shù)據(jù)的差距。

誤區(qū)10：數(shù)據(jù)分析應(yīng)該是一個單獨的部門

在一些組織中，數(shù)據(jù)分析被劃入一個單獨的部門，而另一些組織則將數(shù)據(jù)分析深深地融入了跨職能團隊。

然而事實證明，以所有業(yè)務(wù)領(lǐng)域的數(shù)據(jù)爆炸和變化發(fā)生的速度，以單獨部門存在的數(shù)據(jù)分析開始不起作用了。另一方面，隨著企業(yè)變得更加以客戶為中心，應(yīng)該讓數(shù)據(jù)分析專家成為業(yè)務(wù)部門的核心，而不是將其獨立于作為業(yè)務(wù)支持的部門。

當(dāng)今企業(yè)面臨的許多復(fù)雜問題都存在于業(yè)務(wù)部門內(nèi)，而且這些問題的許多解決方案都隱藏在數(shù)據(jù)中。數(shù)據(jù)科學(xué)家和技術(shù)專家，與這些業(yè)務(wù)部門密切合作，使用大型數(shù)據(jù)集和人工智能，將成為孵化下一代產(chǎn)品、服務(wù)和客戶體驗的關(guān)鍵。

誤區(qū)11：分析工作只適用于博士

很高興我們在分析團隊中擁有了許多受過良好教育的人，但這并不是分析成功的必要條件。

企業(yè)傾向于認(rèn)為，如果數(shù)據(jù)分析師沒有博士學(xué)位，他們將無法進行最佳的分析。然而現(xiàn)代分析需要各種技能——建立具有不同技能的“分離艙”，包括那些精通新興技術(shù)和開源軟件的人、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)可視化專家等等，才是最重要的。

誤區(qū)12：人工智能會摧毀工作并破壞經(jīng)濟

歷史上新技術(shù)的引入擾亂了許多工作和行業(yè)，人們同樣擔(dān)心人工智能會消除人們執(zhí)行某些任務(wù)的必要。

雖然AI解決方案比解決某些問題的人要好得多，比如AI可以更快地閱讀，記住更多，并且比任何人都能更好地進行復(fù)雜數(shù)學(xué)關(guān)系的計算。但是，AI也無法應(yīng)對真正全新的變化，這是人類擅長的地方。

可以肯定的是，某些工作已經(jīng)因AI的興起而消失或減少，與此同時這種趨勢還在增長。盡管如此，我們理解和解決“完全不可預(yù)見的情況”的優(yōu)勢不會被任何目前的AI技術(shù)所取代。在可預(yù)見的未來，最有效的方法是通過AI系統(tǒng)來增強人類的能力，取代人工的“繁重”。雖然人工智能正導(dǎo)致許多工作崗位發(fā)生變化，但是人們會將成為這一商業(yè)生態(tài)系統(tǒng)的重要組成部分。