克服前3大分析采用挑战

数据，无处不在的数据，没有一滴可以分析

Steve Strohl是Insight数字创新服务的高级管理顾问，当时他正在与一家大型美国制造公司合作一个分析采用项目，这时他遇到了一个巨大的数据问题。

“这家公司肯定有50到60种不同的源系统，每一种都在运行就像一个不同的国家,”他说。

一些系统具有良好的数据质量，而另一些系统的数据质量则不存在。

“将所有这些东西整合在一起是非常具有挑战性的，”斯特罗尔说。“对于同一个客户，我们有150种不同的拼写方式——他们在系统中被视为不同的客户。我们无法将该客户与公司的任何其他系统连接起来。”

公司浪费了一年多25到50万美元最终不得不退一步做数据质量项目第一。Strohl说，公司最终所做的是创建一套一致的业务规则，为他们的数据创建一个坚实的框架，然后进行清理。

他说:“分析只会和你的源数据一样好。”

塔塔咨询服务公司(Tata Consultancy Services)商业分析主管文卡特桑•苏库马兰(Venkatesan Sukumaran)在澳大利亚一家大型银行也发现了类似的问题。

“企业中非结构化数据的级别随着与之相关的数据源数量的增加而增加非组织性数据正在爆炸，”他说。

一些数据也来自外部合作伙伴。Sukumaran说，解决这一增加的复杂性和随之而来的成本需要改变思维方式。一旦银行开始寻找其他方法来解决这个问题，他们就决定转移数据和分析到云，这影响了存储成本、处理速度和成本以及上市时间。

“所有这三个方面都取得了切实的成果，”他说。

另一家总部位于欧洲的银行则利用分析来确定金融产品或者提供给顾客的服务。

Sukumaran说:“他们有很多很多的产品，每一个都安装在不同的系统上，没有必要相互交流。”“所以你没有在客户层面进行优化。”

例如，可能向客户提供了一种产品，但该客户不符合银行的风险要求，或者该产品的定价对该客户不合适。银行解决了直接数据挑战用机器学习项目创建一个统一的客户视图。

但为了解决更大的问题——缺乏统一的全企业数据战略——该行设立了一个首席数据官的新职位。

“这有助于引入集中化治理和流程标准化，”Sukumaran说。它还帮助银行创建了一个更强大、更灵活的it环境，为处理快速增长的数据集做好了准备。

我们都在同一条轨道上吗?

让高层领导就位有助于将业务单位引向同一个方向，但这只解决了将所有涉众集中在一个页面上的部分挑战。最关键的利益相关者群体之一是最终用户。

在灾难恢复公司Sungard Availability Services，一个团队每个月花三周的时间为公司领导层开发报告。该公司希望将团队转移到一个分析平台上Qlik BI感。

Sungard Availability服务的企业分析和应用交付主管Shreeni Srinivasan说:“当我们第一次引入这个工具时，他们非常怀疑和犹豫。“他们坚持购买服务器和数据库，并雇佣一个小型开发团队来自动提取报告中的数据。”

我们花了几周的时间来解释这个分析工具的特性和功能。花在教育用户上的时间得到了回报，他说。

斯里尼瓦桑说:“一旦团队接受了这个工具，我们就能够实现并自动化创建160张幻灯片的报告。”过去手动操作需要三周时间，现在只需几个小时。

“在意识到该工具的价值后，该团队现在是该工具的最大用户，并向我们组织内的其他团队推荐它，”他说。

类似的教育努力改变了公司的人力资源团队来分析。此前，该团队每个月要花几个小时创建员工数据的电子表格，并通过安全电子邮件将它们分发给经理们。

我们花了很大力气说服团队尝试自助分析仪表板，并证明它们是安全的、管理良好的。但现在，他说，经理们可以使用自助式商业智能工具，随时获取最新的信息。

最终用户教育Nucleus Research分析师丹尼尔•埃尔曼(Daniel Elman)表示，这是采用分析技术的最大挑战。

“大多数商业用户没有接受过高级统计和数学方面的培训，”他说。“第一步需要建立用户对数据和结果的信任。”

公司还应该投资创建一个数据文化Elman说，在这种情况下，决策是基于数据的，部门领导会根据数据制定关键绩效指标。

缺少明确的目标

即使有了正确的数据和所有的利益相关者，分析项目仍然可能在没有明确的、可实现的目标的情况下出错。

博思艾伦咨询公司(Booz Allen Hamilton)的人工智能战略和培训主管凯瑟琳·费汉汉姆(Kathleen Featheringham)表示，一个问题可能是人们不了解这项技术，尤其是在这种情况下先进的分析，机器学习和人工智能开始发挥作用。

“他们不了解目前的状态和能力，”她说。

费瑟汉姆说，人们倾向于对新技术的准确性有不切实际的期望。

“我们认为机器应该达到99%100%的准确率,”她说。“无人驾驶汽车。我们希望他们是完美的，但你知道有谁开车的准确率能达到99%吗?”

商业分析也是如此。如果用户期望分析是100%准确的，而他们只有70%的准确，他们可能会认为这个项目失败了。

“但如果你今天拥有的材料只有20%的准确率，那就是一个很大的进步，”费瑟汉姆说。

她说，类似地，许多平台使用得越多，就会变得越好。如果用户希望平台能够正常工作，他们可能会失望。

“模型需要被训练,”她说。“不要期望第一次就能成功。现在可能是50%，但在某个时候会上升到80%。”

Srinivasan建议，对于需要新的工具和过程的分析采用项目，如果所选择的项目提供清晰的和显著的好处给用户。他说，模糊的预期或分析可以神奇地解决长期存在的商业问题的想法是分析应用项目失败的常见原因。

“令人惊讶的是，”他说，“许多分析项目一开始就没有明确的目标。”