有時候大數據分析似乎總是在原地踏步，似乎數據信任的問題阻礙了數據分析的進一步應用。業務領導們理解新數據分析是必須經歷的轉型，但是他們不確定這種轉變是否值得信賴。最近，來自咨詢專業服務公司KPMG(畢馬威會計事務所)的一份調查報告對這種進退兩難的處境給出了一些看法。

[[178385]]

Forrester研究公司在2016年7月發起了一份調查報告，針對KPMG(畢馬威會計事務所)管理的2165位數據和分析決策制造商進行調查。報告顯示，數據和分析工具已被廣泛用于分析現有客戶(50%)和發現新客戶(48%)。然而，只有大約34%的業務負責人“非常信任”工具分析業務運營數據得到的結論。

有跡象表明，在數據和分析工具方面的投入在增加。因此，數據分析領域的專家Bill Nowacki認為，分析結果的受信任程度理所當然也在變好。在SearchDataManagement組織的一次采訪中，Nowacki表示分析工具需要更透明。也就是說，分析工具應該給管理層展示推薦觀點背后的邏輯，展示分析工具給出結論的依據。

研究結果似乎把焦點集中在了數據信任的空白。未來大家對數據質量持有信心的趨勢如何呢?

Bill Nowacki表示，目前大家對于“分析是必不可少的”這一核心理念已經基本認同了。不過，與此同時我們對管理層的培訓還不夠，業界普遍應該對此采取一定措施。

我們可以從調查報告的統計圖表中看到，對分析的整體接受度展示出來是U形走勢。回想前幾年，那時候真的像是“西部狂野時代”，大家都在構建各種分析模型，沒有充分的審查就很快直接購買。這些工具都被納入常規決策。這種狀態持續了較長一段時間。

后來，我們看到某些決策并沒有預期的那么準確和***。模型的真實可信度就面臨了很大挑戰。現在，我們處在U形趨勢的底部，不過也開始蘇醒了，現在是時候以更加嚴肅的態度來看待它了。我們要考慮使用哪些數據，數據來自哪里，數據是否足夠正確等等。

業界已經有一些預測模型在使用了，尤其是在市場營銷和定價方面。人們用模型做優化或者資產管理。我們看到許多類似的案例。但是，如果涉及到公司的關鍵業務，我們要確保業務穩定就要慎重考慮了。我們開始看到了U型趨勢的另一邊——低谷后的上升趨勢，不過結構合理性、治理、法規遵從都要求更多分析透明度。

機器學習用于預測分析并沒有改善透明度。看來要打開“黑盒子”幫助提升數據信任度并不容易啊。

如果你回顧一下FICO公司(全球預測分析和決策管理公司)的發展歷程，就會發現在20世紀80年代到90年代，他們已經使用神經網絡實現了較好的高度可預測的信用評分。不過，缺失的仍然是解釋能力。

監管人員會來告訴我，“如果你想讓大家都相信，你必須能解釋為什么。”在“西部狂野時代”模型剛誕生時，大家都需要更好的透明度。我們需要理解引擎為什么會給出這些觀點，并理解這些觀點代表什么。

如果工具都是“黑盒子”，大家很難信任它。因此，在設計階段做選擇時應考慮提高透明度，這樣可以逐漸培養一些信任。

今天我們看到的是更加深思熟慮的設計，我們花時間思考怎樣才可以達到更好的效果，這樣才會獲得長足發展。例如，人們會檢查他們的零售店投資組合，利用所有簽名或登記信息發現所有店鋪里真正優質的客戶群。你能拿到的是所有的真實樣本，可以在這個群體中設定目標價格，看是否能得到預期結果。一旦確認價格調整在小范圍客戶群中有效，就可以一點一點實施到更大范圍的群體中。這種小步變革的方式很容易實現逐步推廣。

高管們已經逐漸接受針對各種業務進行分析，但是沒有什么比成功案例更有說服力了。我們應該深思熟慮地看待市場，看看我們設定的試驗目標并驗證之前利用大數據對市場的預測，這樣也可以幫助增加對數據分析工具的信任。