2019年四大數據分析趨勢

Thor Olavsrud 陳琳華

你是否正在考慮將數據分析和數據科學作為企業數字化轉型的一部分？自動化的基礎性方法和數據驅動文化可能是關鍵。

數據分析是一個不斷發展的領域。跟上最新發展趨勢對于確保企業在未來數月和數年成功部署分析戰略和策略至關重要。對此，企業需要持續加大對分析的投資力度以支持數字化轉型。

市場研究公司Market Research Future在今年2月預測，到2023年，全球數據分析市場將實現30.8%的復合年增長率，屆時市場價值將達到776.4億美元。德勤中央創新團隊的領先趨勢感知項目經理兼《德勤數字成熟度報告》的共同作者David Schatsky表示，數據分析投資不斷增加的核心是推動企業成為數字化企業。

Schatsky稱：“數字化企業是一種不斷發展，始終尋求應用數字化技術并最大化數字化技術價值的企業，進而以此重塑自身，重塑其向市場提供的產品，重塑將產品推向市場的方式，以及重塑企業運營方式。我們認為數字化企業能夠通過有效利用數字技術和數據實現不斷發展。”

對于希望通過數據轉變業務的企業而言，以下是未來幾個月中值得關注的四大分析趨勢。

數據公民的崛起

隨著企業轉型越來越多地由數據推動，大多數專家和行業觀察家都認為，這項技術雖然不是那么容易，但是卻最為簡單。最具挑戰性的地方在于讓數據和對數據的高效使用成為企業文化和思維方式的重心。

咨詢公司Carruthers and Jackson的主管Caroline Carruthers稱：“數據中最重要的部分是人。如果你讓整個企業都了解你想要對數據和信息做些什么，并且大家都齊心協力地向著一個方向努力，那么這比找10位數據科學家閉門造車還要管用。”Caroline Carruthers曾任Network Rail首席數據官，并合著有《首席數據官的手冊》和《數據驅動的業務轉型：如何顛覆、創新并超越競爭對手》。

德勤的Schatsky補充說，為了實現數據掌控，企業必須在業務部門中灌輸一種思想，那就是無論部門在何時進行決策或采取行動，負責人都應考慮是否有數據可以幫助自己做出更明智或更好的決定。

Schatsky稱：“這需要改變思維方式。為了使其能夠被廣泛接受，領導層需要做出調整。同時，領導層必須集中精力在企業推行它們。”

企業將會越來越注重在整個組織架構中推行由數據驅動的思維方式，并保持基本數據概念被熟知。盡管如此，業務分析咨詢公司A4A Brown的總裁兼《數據挖掘傻瓜式操作》的作者Meta S. Brown還是告誡說，推行方式不要太過于激進。

Brown稱：“我認為讓執行經理成為分析專家有點不切實際。讓其中的少部分人熟悉一些相關的術語是合理的。”她舉例說，執行管理團隊要了解他們必須遵守的最重要的法律，并且應該能夠閱讀合同，但是他們不會就復雜的法律問題提供建議。在分析方面情況也一樣。

此外，Brown還表示：“我認為在數據分析中為高管增加一個負載權限，或者讓自己進行數據分析是不合理的。我的專業意見是，我們在學習數據分析方面對他們不應抱有太大期望。作為分析專家，我們的工作就是通過整個流程更好地與他們合作，從中獲取業務信息，我們有責任將他們告訴我們的業務內容翻譯成分析術語。”

回歸基礎性分析

在過去幾年里，圍繞分析的討論越來越多地集中在尖端技術上，如機器學習、深度學習、神經網絡和其他人工智能元素。專家們認為，雖然這些領域在未來幾年將會繼續引起人們的關注，但是大部分企業還是應該重新回歸基礎，從并不太先進的分析法中提取更多實用信息。

Brown 稱：“讓我感到非常震驚的是，我參加過如此多的演講并且閱讀了很多文章，在這些演講和文章中人們探討的多是些可能想象到的最復雜的數學問題。而多數企業在實際中使用的多是更為簡單的數學方法，這些企業并不想將問題復雜化。如果美國的每家企業都能充分使用描述統計學入門《Statistics 101》中的內容，那么我們的經濟將會蓬勃發展。”

對此觀點，Carruthers表示認同。“我們幾乎都將關注的目光從分析本身上移開了，因為很多人對機器學習和人工智能感到興奮。他們會說，'哦，我們要做這么奇妙酷炫的東西'。我們忘記了企業實際上是通過分析才獲得大量價值的。”

Carruthers認為，隨著企業將分析應用到生產當中并尋求從分析工作中獲取真正的價值，基礎性分析和報告功能將會再次被重視。

自動化是問題的實質

數據日益復雜以及處理和分析數據所需的內容意味著未來幾年自動化將變得更加重要。

Sallam說：“在類型和分析方面，數據復雜性的增加確實讓當前手動方法走到了極限。因此在數據管理和分析內容開發的各個方面，整個堆棧都在努力實現分析流程的自動化，實現從系統中獲取信息的自動化。”

Schatsky對此表示贊同。他還同時指出，自動化主要是由于數據科學家、數據工程師和數據科學團隊成員的稀缺造成的。“許多數據科學家會告訴你，他們將大約80%的時間花在了繁瑣和重復的任務上，如數據準備、特征工程、選擇算法。但是我們發現其中的很多東西都可以在某種程度上實現自動化。這并不意味著數據科學家將會因機器的介入而失去工作。相反，這意味著他們的工作效率可以提高五倍，即擁有兩名數據科學家的企業，如果利用自動化，就可以實現與擁有10位數據科學家的企業一樣的效率。”

企業將加大對第三方數據的利用

Schatsky表示，擁有更高級分析程序的企業在未來幾年內將會越來越多地利用第三方數據。

“有效利用第三方數據可以克服數據集成、數據清理等技術障礙，”Schatsky說。“這其中包括企業需要具備更多面向市場的能力。如不斷掃描環境以了解可用的數據來源，促進流程簡化以評估這些數據源，進而生成包括合同和法律問題以及風險審查等數據。這些才是企業真正應該培養和投資的能力。”

Schatsky以供應鏈管理為例表示，在過去，運營供應鏈的企業可能通過跟蹤供應商的行為來管理風險。如他們交貨的時間、他們交付的產品達到或未達到質量標準的頻率等。

“這是幼稚園級的供應鏈風險管理水平，”Schatsky說。更成熟的企業可能已經在利用第三方數據，如通過信用評級信息幫助自己確定與供應商或客戶的合作風險。

如今，具備復雜分析能力的企業正在尋求第三方數據（如天氣預報）以完善風險評估。如企業的地區供應商是否易受天氣影響？此外，他們可能還會利用社交媒體的數據以幫助自己尋找需求轉型的線索。如果社交媒體指標顯示對某種產品的需求激增，那么企業是否應該增加對這些產品的原材料采購？“這是企業渴望達到的下一個更高的層次。”

本文作者Thor Olavsrud長期負責CIO.com網站的數據分析、商業智能和數據科學專欄。