[[394092]]

如果沒有合適的工具，組織將很難應對業務挑戰。根據一些數據分析計劃可以提供組織所需的基本見解。

即使在冠狀病毒持續蔓延期間，有些事情也不會改變。與往年一樣，在行業媒體進行的2021年首席信息官的現狀調查中，接受調查的1062名IT領導者中有許多人選擇“數據/業務分析”作為有望推動IT投資的主要技術計劃。不幸的是，當涉及到利益相關者的滿意度時，數據分析計劃很少做得很好。

行業專家Mary K. Pratt對數據分析計劃為何仍然失敗的原因進行了分析，其原因包括質量低劣或孤立的數據，模糊而非有針對性的業務目標，以及“一刀切”的所有功能集。但是，許多新的方法和技術正在使這種陷入困境的可能性降低。

在行業網站發布的一些文章中，可以找到一些有用的建議和示例，幫助組織確保分析工作能夠交付這些產品。這些舉措往往類似于開發項目(即使涉及到商業產品)，并且具有相同的明確目標和迭代周期，可以區分成功的軟件開發成果。

要了解全局，可以從作者Bob Violino在InfoWorld發表的一篇名為 “如何在數據分析中脫穎而出”的入門文章開始。在這段簡短的文章中，Violino介紹了數據分析的基礎知識：如何建立卓越的分析中心;自助服務解決方案(如Tableau或Power BI)的好處;機器學習令人興奮的特性;以及向云計算分析解決方案的轉變。Violino在其發表的名為“云中的分析：關鍵挑戰以及如何克服挑戰”的文章中還進行了進一步闡述。正如他所指出的那樣，云計算的可擴展性和豐富的分析工具可能是無法抗拒的，但是將大量組織將數據遷移到云中并確保其安全可能是令人心悸的冒險。

新技術總是會帶來新的風險。從自動化數據準備到檢測數據中有意義的模式，如今沒有比機器學習更能對數據分析產生重大影響的技術進步了，但這也增加了不可預見的風險。正如CSO網站高級作家Lucian Constantin在其發表的一篇名為“數據中毒如何攻擊破壞機器學習模型”的文章中解釋的那樣，惡意攻擊者或黑客故意注入的不良數據會使模型趨向某些邪惡的目標，其結果可能是操縱產品推薦，甚至是黑客推斷機密數據的能力。

毫無疑問，正如Matthew Finnegan在Computerworld網站發表的一篇名為“協作分析：可以跟蹤員工”的文章中所證實的那樣，數據分析也具有陰暗的一面。收集和分析有關協作平臺上用戶交互的元數據具有其合法的好處，例如識別通信瓶頸或優化員工體驗的能力。但是，可以將這一平臺作為員工監控系統，那么將會侵犯員工隱私，并降低管理層與其他人之間的信任。

高級編輯Ann Bednarz 在Network World網站發表了一篇名為“美國職棒大聯盟在網絡可見性方面發揮的作用”的文章，這是有關數據分析以提高用戶滿意度的一篇比較出色的文章，探討了MLB公司如何在其基礎設施中使用網絡流量分析軟件，以確保球員和球迷享受端到端的一致的網絡性能。

文章指出，部署統一網絡分析以優化用戶體驗的努力開始于兩年前，主要是因為MLB公司首席網絡自動化軟件工程師看到了這一必要性。他的認識突破了成功分析計劃最重要的障礙：文化慣性。

最后，成功進行數據分析的秘訣不在于選擇和實施完美的技術，而在于培養對普及分析可以產生更好決策和出眾成果的廣泛理解。通常情況下，人們可以消除技術缺陷或需求誤解。但是如果無法改變心態的話，那么就很少有人會使用剛剛構建的分析工具。