毫無疑問，數據分析將成為企業的一個重要競爭優勢，其可以幫助提供有益于提高銷售和市場份額的見解。企業通過分析能夠獲得多少收益，在很大程度上取決于他們對這種最新技術的利用程度，以及他們對未來發展的準備程度。

[[406134]]

利用自助式分析

自助式分析使得業務用戶不需要IT的支持和高級分析技能即可自己執行查詢和生成報告。用戶可以使用易于使用的商業智能(BI)工具，這些工具帶有基本分析功能。

自助式分析方法可以幫助企業彌補由于缺乏訓練有素的數據分析師而造成的短板，并可以將數據直接提供給那些最需要數據的用戶，以幫助他們完成工作。

業務用戶不需等待數據科學家或其他分析專家生成報告就可以根據對數據的分析做出相應的決策。對于那些需要快速適應市場變化或客戶需求變化的企業來說，這將是一大優勢。

IT咨詢公司Computer Task Group的高級解決方案架構師John Walton指出，部署自助式分析的第一步應該是充分了解用戶群體，包括他們有哪些信息需求以及需要哪些工具。

Walton說：“信息消費者和相關的執行者所需要的分析工具套件與數據科學家所使用的工具套件完全不同。同時，讓工具與業務需求保持一致非常重要。此外，自助式分析高度依賴于干凈的數據。如果信息用戶對他們使用的儀表板失去了信任，那么要想恢復信任將變得非常困難。他們會說‘我不相信我所看到的。’如果失去了信任，那么數據分析將會無法得到發展。”

通過數據治理計劃建立信息一致性也是一個非常好的主意。Walton說：“一旦就緒，那么多維數據架構將成為自助式分析的‘管道’。”

在這種架構中，儀表板上顯示的關鍵性能指標和度量值可以根據批準的業務規則進行預計算，與適當的業務篩選器或分析維度相關聯，并存儲在數據庫中。

Walton說：“分析工具用戶不必做所有這些繁重的工作。機器學習(ML)可以在強化數據分析處理中發揮重要作用，特別是對于需要處理大量信息的公司而言。”

機器學習將需要一種不同于分析的體系結構。Walton 說：“在這里，你不想應用預先計算的指標，因為這會導致數據扭曲，讓潛在的有價值的見解變得模糊不清。機器學習希望獲得大量非常精細的數據，以最大效率地發揮自己的作用。”

例如，在醫療保險行業，企業可能需要處理包括索賠數據、患者數據以及結構化和非結構化注釋等大量數據集。

機器學習的最佳實踐是將正確的數據層用于正確的目的。Walton 說：“最底層的‘攝取’層是來自不同來源的數據。越是最原始數據，對于ML來說就越理想。”

中間層，即“一致性”層是從各種來源獲取的數據，符合既定的數據治理規則的標準。Walton稱，頂層則由一系列有側重點的數據集組成，它們非常適合進行分析。

端到端管理數據

許多企業正努力管理來自各種來源的大量且不斷增長的數據，企業的這種努力可能會阻礙分析工作，但跨企業管理數據技術可以提供一個解決方案。

[[406135]]

醫療保健供應公司Paul Hartmann AG正在使用SAP的一個中央管理平臺Data Hub，以橫跨多個內部和外部源以實現對數據的整合、訪問和分析。該公司的首席信息官兼首席數據官Sinanudin Omerhodzic說，他們的目標是最大限度地挖掘數據的潛力，以獲得優化制造和供應鏈所需的必要見解。

Omerhodzic說：“通過訪問這些數據發現，我們可以隨時為客戶提供所需的產品，以挽救患者的生命。”

Hartman可通過Data Hub技術為客戶、供應商和運營數據建立“單一的事實來源”，幫助公司更好地了解客戶面臨的挑戰。

該公司現在已經能夠熟練使用人工智能(AI)、物聯網(IoT)和預測分析等技術。此外公司還可以利用有關天氣和流行病等因素的新數據源，更好地預測醫院和藥店的需求，確保他們能夠在適當的時間獲得適當數量的供給。

向業務用戶介紹整體數據策略

使用數據洞察力的業務用戶需要全面了解企業的數據科學、人工智能、機器學習和數據分析戰略。通過這種方式他們可更加容易理解他們所看到的東西。

HGS Digital是一家幫助企業利用數據提升客戶體驗的數字化轉型咨詢公司。該公司負責數據科學和分析的全球業務主管Venu Gooty說：“舉辦成果交流會可以幫助負責業務和運營的領導者更好地了解人工智能和數據學習的優勢。”

Gooty說：“這對于第一次開啟數據科學之旅的企業來說尤為重要。HGS Digital在部署人工智能和機器學習時面臨的最大障礙是向業務用戶介紹交付數據科學項目后取得的成果，以及向他們解釋我們交付數據科學項目的方法。”

企業需要制定一個數據策略，以解釋不同部門是如何協同工作的。Gooty說：“這是必需的，因為機器學習計劃需要與多個部門合作，比如市場營銷、IT、運營等部門。”

機器學習涉及大量數據的處理。例如，為了幫助零售商預測客戶流失情況，它們需要比如客戶統計、購買歷史、客戶購買的產品等諸多數據集。

Gooty稱：“這些數據集通常來自不同的數據源，可能沒有統一的數據源來提取數據。因此團隊需要與不同的部門合作，才能將數據整合到一個統一的平臺上。與沒有清楚的數據策略的企業相比，那些對數據策略和數據治理進行了詳細規范的企業會處理的更加流暢。”

在云端進行分析

與其他所有的東西一樣，云服務為數據分析提供了一種經濟高效的選擇。對于那些需要分析大量數據并且沒有內部處理能力的企業來說，云計算尤為有用。

[[406136]]

Gooty提醒道，任何計劃在云端執行分析的企業都應該首先制定一個清晰的遷移策略。他說：“對于大多數企業來說，都是第一次將數據轉移到云端。最好從小處著手，不斷地總結經驗，并根據需要做出改變。”

此外，用戶還需要根據安全策略制定一個清晰的治理框架。Gooty說：“向云端遷移意味著將內部數據、外部數據和用戶遷移到云上。企業必須制定詳細的安全和隱私政策，明確每個部分的負責人。每個用戶要有適當的訪問權限。”

另一個好的做法是盡可能地實現自動化。Gooty說：“云的力量在于靈活性和自動化。手動加載或一次性加載的請求會很多，隨著這些一次性請求的增加，自動化的優勢會變得越來越明顯。”

建立分析中心或卓越中心

企業可以組建卓越中心(CoE)向領導分享最佳實踐，開展研究，就特定的重點領域開展培訓。考慮到當今數據分析的重要戰略作用，建立一個專注于這些工作的CoE具有重大意義。

市場研究公司IDC在2019年對美國首席信息官和其他IT高管進行了一項調查。該調查顯示，93%的人表示，他們的企業正在使用某種形式的卓越中心來推動人工智能和數據科學項目。IDC 的IT執行項目副總裁Serge Findling說：“卓越中心是所有人工智能、商業智能和分析的主要樞紐。對于一個既有中央資源又有分布式資源的企業而言，它們的主要任務是在整個企業中進行協調。”

全球咨詢公司Keyrus指出，為了從數據中獲得最佳投資回報和最大價值，企業應當建立一個以分析為中心的卓越中心。這個卓越中心可以簡化企業的所有分析工作。

Keyrus表示：“想象一下有一支能力極強的專家團隊非常了解你的企業情況，并且非常熟悉你的數據來源。這個團隊的技能和能力能夠充分分析你所掌握的數據，并可以將公司的所有工作都引導到正確的方向。”

Keyrus說，以分析為中心的卓越中心應當提供對企業分析愿景進行詳細規劃等功能，包括選擇要使用的工具和確定需要哪些關鍵績效指標，構建技術藍圖，為共享數據源等領域建立標準，管理項目和控制資金，發展用戶技能，總結領導方法。

Keyrus指出，卓越中心的組織架構取決于企業的規模、行業、目標等因素，因此所有的CoE都不盡相同。此外，企業應該視自己的具體業務目標和組織體系而組建卓越中心。