七個必定使數據分析失敗的方式
數據分析正迅速成為贏得業務戰略的關鍵。但是如果沒有正確的方法、技巧和策略，你的數據舉措可能永遠沒有結果。
數據分析已經成為企業最重要的業務和技術的差異化要素之一，數據分析使企業能夠深入了解其運營的方方面面，從而在競爭中獲得優勢。
調研公司Gartner今年早些時候預測，2017年將是數據和分析成為主流的一年，為已經為轉型做好準備的組織內外創造價值。Gartner表示，數據分析的方法正在變得更加整體化，涵蓋整個業務。
Gartner的研究報告顯示，在主要趨勢中，分析將推動現代業務運營，而不僅僅是反映其績效。企業將創建端到端的架構，這些架構考慮到了組織核心乃至組織邊緣的數據管理和分析;高管們將數據和分析作為業務戰略的一部分，使數據和分析專業人員能夠發揮新的作用并創造業務增長。
公司正在為分析工具投入大量資金。國際數據公司(International Data Corp.)在2017年3月的一份報告中預測，今年全球大數據和業務分析的收入將達到1508億美元，比2016年增長12%，該公司預計增長會一直持續到2020年，屆時收入將超過2100億美元。
然而在數據分析被反復強調的請況下，很多組織還是陷入了損害或浪費分析的真正價值的陷阱。根據IT領導者和行業專家的說法，以下是七個必定使數據分析失敗的方式。
1. 急于試水，卻不知道自己在找什么
如果你不知道在數據中需要檢查哪些具體的趨勢或信號，你怎么能期望從中獲得真正的價值呢?
德勤分析(Deloitte Analytics)的高級顧問、《逐鹿分析：新的制勝之道》一書的作者Tom Davenport說：“分析過程中最大的問題是你不知道自己在找什么數據。”
Davenport說：“數據挖掘讓系統找出數據中的有趣之處的理念使很多公司誤入歧途。即便使用機器學習，從數據關系的角度來了解你正在尋找的東西也是大有裨益的。”
天氣網站Weather.com的質量保證經理Todd Eaton說：“Weather.com強調要找到‘知道如何查詢數據并能完整而準確地講述數據要傳達的含義的人’。”
Eaton說：“合適的人員對使用數據回答問題充滿激情，然后愿意不斷質疑他們的發現，確保數據不僅適合敘事，而且能夠解釋我們所看到的事物并有助于預測未來發展的目標。重要的是，每個人都知道我們正在試圖發現數據和我們的總體目標，并收集一致的測量結果和數據。”
啟動分析工作時，缺乏重點肯定會導致失敗。通用電氣公司的首席數據官Christina Clark表示：“當數據團隊把重點放在優先考慮的成果上時，他們將是最成功的。團隊往往會失敗，因為他們希望立即解決很多的業務需求，最終由于精力過分分散而沒有產生有意義的影響來保持興趣或維持資金來源。”
2. 建立(維護)自己的基礎設施
建立和維護自己的大數據基礎設施可能是一個巨大的誘惑。但這可能會危及你的分析工作的使命。
網絡安全公司Vectra的首席技術官Oliver Tavakoli表示：“這往往浪費了數據科學家大量時間，而不是實際開發更好的分析。”
Tavakoli說：“我們知道我們需要大量的數據來進行分析。我們開始做大家都要求做的事情：我們買了一堆有大量磁盤容量的服務器，我們把它們放在托管設施里，我們用Apache Spark創建了自己的Hadoop集群，并讓我們的數據科學家編寫Scala代碼與集群進行交互。”
有時由于硬件故障，集群會中斷，更多的時候是由于軟件故障。軟件包會過時，有時幾小時過去了，集群都處在不可用的狀態。
Tavakoli說：“我們終于有了足夠的資源并決定將這部分問題外包出去。自打Vectra與外部供應商合作之后，它就很少花時間在這些基本問題上，“我們幾乎所有的時間都致力于將數據提供給系統并分析其中的數據”，他這樣說道。
3. 成為數據分割者，而不是數據統一者
長期以來，企業一直在努力解決阻止各部門共享信息的“數據孤島”問題，從而使整個機構受益。分析也遇到了同樣的挑戰。
客戶生命周期管理營銷公司Zeta Global的首席信息官Jeffry Nimeroff說，統一不同的數據就是一個很好的最佳實踐。
Nimeroff表示：“每個數據孤島都會在能產生價值相互連接之間形成一個障礙。例如，考慮一個豐富的用戶配置文件連接或斷開網站活動數據。可以互連的數據越多越好，因為在這些互連里才能找到預測能力。”
Nimeroff說，這并不意味著必須將所有數據從初始系統移動到一個整體。他說：“相反，我們使用其中一種現代集成技術來提供統一的數據視圖，而這一切都在當前的系統中。”
4. 回避良好的數據衛生
如果你正在分析的數據不準確、不是最新的、且沒有條理，那么分析的價值可能會急劇下降。
Nimeroff說：“錯進錯出(garbage in, garbage out)是原始業務數據的容量和范圍擴大的問題，最好的數據分析團隊要質量滲透，因此，建立流程并利用技術來執行質量標準是一個必勝的組合。”
Nimeroff說，在流程方面，確保流程的可重復性以及對結果的可審計性是非常重要的。在技術方面，他說，部署包括分析、元數據管理、清理、采購等數據質量工具有助于確保獲得更好的高質量數據。
Tavakoli說：組織需要使用工具來“清除碎片”——不完整和破壞的數據——并且從不同的來源獲取數據，以使其兼容且易于理解，并盡可能簡化分析。盡可能使數據一目了然，以便團隊的所有成員都了解各種數據的意義。”
技術服務公司Incedo的首席執行官TP Miglani說，高質量的數據“是產生有用洞察的關鍵動力”。他說：“你需要建立數據倉庫和數據湖泊，把結構化和非結構化的數據匯集在一起。成功的組織會確保他們會用清理、計算缺失值，并準確地標記數據來提高數據的質量。”
良好的數據衛生也意味著保持數據盡可能是最新的。Nimeroff說，數據需要新鮮度，“數據宇宙”要不斷膨脹，企業才能從分析中獲得價值。
Nimeroff說：“數據新鮮度要求了解當前數據采集過程的時效性。顯然，一個系統越實時，新鮮度就越高。也可以通過使用第三方服務來支持新鮮度，以加強你現有的技術和流程。”
5. 放棄分析計劃的高管贊助
與其它類型的重大IT項目一樣，沒有數據分析項目的高級管理人員的領導能力可能對成功不利。
Miglani說：“分析團隊的目標是通過將數據與公司的戰術和戰略決策相結合來產生洞察。一個失敗的例子就是如果一個數據科學團隊做了大量的數據分析，開發出了準確的預測模型，但是結果并沒有被實施，因為它需要組織和文化的變革。”
Clark說，建立數據管理基礎需要多年持續不斷的努力。他說：“數據和分析團隊要促進的一些工作不會有立竿見影的效果，這可能與業務合作伙伴的預期不一致。這需要強有力的領導層支持，以及努力教育業務合作伙伴，以實現更加趨于數據驅動的未來。”
6. 忽略中層和下層管理者
數據科學家在真空中進行的分析和其他那些沒有從最親近分析需求的業務經理得到可靠輸入的專家不太可能成功。
服務管理軟件供應商Astea International的首席運營官David Giannetto表示：“如果沒有中低層管理人員的積極參與，分析團隊提供的信息往往不能真正地幫助管理層團隊更好地完成工作。”
Giannetto說：“信息將是定向的，信息會指出更大的流程缺陷或可以改進的地方，但是管理層早晚要著手處理——當他們有時間的時候。而大多數管理者從來都沒有多余的時間。只有當團隊由真正懂業務的人組成，以及業務實際上每天都需要訪問信息時，傳遞的信息才足以對業務產生積極影響。”
Giannetto說，如果分析能夠告訴用戶真正的問題在哪里——哪里可能會出現問題——他們有足夠的時間來阻止問題，他們每天都使用這些信息，那么這一舉措將會取得成功。
7. 缺乏支持良好數據分析的文化和技能
這對于組織來說是一個普遍的問題，很大程度上是因為數據科學這樣的技術很難獲取。但是，如果數據素養不是公司文化的核心，分析失敗的可能性更大。
Miglani說：“對于不熟悉分析的人來說，數據科學被認為是解決問題的一種神奇的方式。預測和自學的概念很難讓人掌握。要說服你的商業伙伴在不透明的算法上作出決策是很難的。你需要先教育他們。“
而且組織機構在繼續努力尋找具有分析技能的數據科學家和其他專業人員。Miglani說：“培養這種能力的最好方法之一是培養這種才能，而不是在組織外物色超級明星。很多項目失敗或者推遲，就是因為公司無法按時聘請或大量流失分析人員。”
