數據分析對公司來說是非常有價值的，它可以提供對數據的深刻見解，而這些見解原本可能是不可見的。

正因為如此，數據分析也繼續吞噬著IT預算的很大一部分。據2020年的CIO狀況調查顯示，37%的IT主管表示，數據分析也將繼續推動公司今年的IT投資，是最高的單一類別。

但即使如此也不能保證數據分析的投資一定會有回報。事實上，這門學科可能已經充滿了問題，這些問題可能暫時會使這些項目脫軌，或者讓它們走向失敗。

但避免負面結果是任何想要利用數據分析的公司都能做到的--只要他們投入必要的準備和工作。以下是一些組織可以采取的步驟，以避免數據分析災難的發生和帶來失望。

制定全面的數據管理策略

公司應該采取的第一步是建立一個全面的數據管理策略，以定義數據的收集、處理和分析，IT專業組織CompTIA的技術分析高級主管Seth Robinson說。

“企業已經采取了類似的措施，將網絡安全作為了IT的關鍵業務組件，但數據管理也應該遵循同樣的路徑，因為數據對企業運營來說已變得如此重要。”Robinson表示。

CompTIA最近發布了一份名為“數據管理趨勢”的報告，該報告是基于對美國400名IT專業人士在2019年12月進行的一項在線調查。報告顯示，許多企業都處于制定數據管理戰略的早期階段。

在接受調查的組織中，只有25%的人認為他們在公司數據管理方面正處于理想狀態。報告稱，盡管數據長期以來一直就是IT運營的一部分，但在工作角色或已定義的組件方面并沒有受到太多關注。

該戰略的一個重要組成部分是擁有正確的數據分析技能，以滿足公司的需求。

“數據相關的技能差距是企業在制定數據管理計劃時必須面臨的(第三大)挑戰，它們需要一系列不同的數據技能。”Robinson表示。其中包括了數據庫管理、數據分析和數據可視化。“其中的一些技能可以傳授給現有的員工，而其他技能則可能需要新的招聘或合作。”他說。

根據CompTIA的數據，只有44%的公司表示，他們內部已經有了專門從事數據管理或數據分析的IT員工。雖然人們關注的是像數據科學家這樣的新職位，但依然會有更多傳統角色的機會，包括數據庫管理員。

“你必須咨詢或培訓你的業務員工，使其具備數據素養，否則你的團隊中可能沒有人知道可以如何開始關于數據分析的討論。”咨詢公司West Monroe技術實踐的高級架構師Jeremy Wortz補充道。

“不是每個人都需要成為數據科學家，但所有的商業領袖都需要對分析如何驅動價值有一個基本的理解。”

優先考慮數據集成

與數據分析相關的最常見的問題實際上是出現在整個數據流過程的早期，缺乏數據集成，Robinson說。“如果沒有將所有的公司數據聯系在一起，數據分析就將在尋找聯系和洞察力方面受到限制。”他說。

CompTIA的研究發現，整合數據將會是解決問題的關鍵。公司在其數據管理戰略中列舉了兩個挑戰。只有加快數據分析的步伐才能在挑戰中名列前茅。

幾年來，CompTIA research發現，在技術計劃上獨立工作的業務部門最終會面臨集成方面的挑戰。因此，組織正在試圖避免影子IT，轉而采用協作性的方法，這種方法可以在保持對所有業務系統的包容性視圖的同時，仍然給業務部門一些自由。

CompTIA的報告說，將數據收集到一個單一的存儲庫中將會是這種方法的一部分，另外，對于能夠在盡可能廣泛的數據集上運行AI計劃也是至關重要的。該研究指出，盡管數據集成可能會是最大的挑戰，但在被調查者中，數據孤島問題依舊沒有被廣泛認為是一個問題。

考慮到82%的公司表示他們有一個高度的或中等程度的數據孤島，“在數據孤島方面究竟有多大的問題，以及如何將它們準確地集成到一個公共數據集上，存在明顯的脫節。”報告說。

除了數據源的技術集成之外，企業還需要在各個業務部門和IT職能部門之間建立數據共享流程。

“就像其他的許多方面一樣，這些組織之間的合作需求也在不斷的增長。”Robinson說。“業務部門帶來的知識將是最有幫助的見解，而IT團隊則擁有交付技術解決方案的專業知識。定期溝通將有助于建立適當的反饋循環，以優化數據分析，為業務提供最佳的服務。”

進行有效的DataOps實踐

DataOps(data operations)是一種自動化的、面向流程的方法，數據分析團隊可以使用它來提高分析質量和縮短分析周期。它最初只是一組最佳實踐，而現在已經成熟為了一種新的、獨立的數據分析方法。

該方法適用于從數據準備到報告的整個數據生命周期，并承認了數據分析團隊和IT運營之間的內在聯系。

與DevOps類似，DataOps整合了敏捷方法，以縮短分析開發的周期，使之能夠與業務目標保持一致。DevOps可以通過利用IT資源和自動化測試和部署來持續交付高質量的軟件，而DataOps的目標也是為數據分析帶來同樣的改進。

跨國生物制藥公司Amgen的數據戰略與運營高級總監James Royster表示，如果企業想要改善分析結果，“全面實施DataOps是至關重要的”。

該公司已經從DataKitchen部署了一個DataOps平臺，并取得了“巨大的成功”，Royster說。“DataOps涉及到需要設計一個帶有內置錯誤處理的數據分析，”他說。“數據分析需要使用自動化的方法來測試和控制數據的質量，以便減少錯誤并避免數據的完整性問題。”

組織經常會遇到數據錯誤的問題，這些問題可能會危及項目本身，Royster說。這些錯誤包括了底層數據集的錯誤。“所以你必須對原始數據進行清理和預處理，”他表示。“錯誤在任何大型數據集中都是很常見的。”

此外，從具有不同業務規則的不同位置獲取相同的數據也可能會產生錯誤。“同一企業中的不同組織可能會使用不同的算法、工作流或假設來處理相同的數據。”Royster說。

許多公司還不能快速連接和轉換數據以滿足當前的需求。“市場在迅速發展，業務需求也在變化，”Royster說。“數據團隊必須能夠更新數據轉換，以跟上用戶和利益相關者的請求。”

提出正確的數據分析問題

組織需要堅持不懈地關注那些能夠通過數據分析傳遞價值的關鍵問題，West Monroe的Wortz說。

“事實是，無論你的工具和技術有多先進，你的數據本身都不會帶來任何價值，除非你能獲得驅動戰略結果的洞察力，”Wortz說。所有的分析，包括人工智能和機器學習，都應該產生深刻的見解，他補充道。

實現這一目標的關鍵是能夠提出與價值創造相關的有影響力的問題，Wortz說。“潛在客戶需要多長時間才能成為真正的客戶?為什么客戶會流失?他們什么時候會帶來變化?”他說。“一旦你有了基本的答案，你就可以提出與業務相關的假設，然后用新的、更簡單的問題重新開始這個過程。”

West Monroe最近在與一個客戶合作，進行了一個以銷售為中心的人工智能和機器學習項目。

“機器學習模型為組織帶來了大量的收入，但是我們在為算法做準備的整個過程中都保持著對數據集的洞察力，”Wortz說。“我們中的許多人都認為，通過在數據中發現普遍適用的洞見(例如基于特定產品的特定地區的特定客戶問題)，ML的工作所產生的價值與向AI算法所輸入的數據一樣多。

這給了該組織一個快速增值的機會，因為West Monroe建立了ML系統的長期價值，“同時這也為算法提供了更高質量的數據集，”Wortz說。

只分析干凈、準確的數據

這種做法可能是屬于構建和執行總體數據管理戰略的范疇。但它本身作為一種最佳實踐仍然值得一提。如果分析的數據不準確，結果和見解就會受到污染。

“在我看來，最重要的步驟是，在提供任何見解之前，數據必須是可辯護的、可理解的和可接受的，”技術研究和咨詢公司ISG的首席數據和分析官Kathy Rudy表示。

“這意味著數據需要是干凈的、最新的、有效的，并且來自可信的記錄系統，”Rudy說。“干凈的數據意味著在進行任何分析之前，你可能已經花了大量時間來檢查和清理數據。”這通常會花費相當多的時間，尤其是在跨數據庫交付報告的情況下。”

Rudy表示，這會是一個關鍵的步驟，通常被稱為主數據管理。

“管理層必須確認數據的來源、流通和準確性，否則他們就不會接受結果，而你將需要花更多的時間來捍衛數據，而不是交付價值，”Rudy說。“它還會給數據團隊帶來不必要的周期，可能會讓你失去可信度。”

在線學生服務提供商Kaplan Higher Education的首席信息官Pratyush Rai表示，擁有堅實的技術基礎非常重要，“尤其是在數據準備方面，而在許多組織中，對底層架構的關注顯然不夠。”這會導致重復記錄和臟數據的產生，使得數據分析更具有挑戰性。”

創建一個有凝聚力的協作分析團隊

成功的分析以及避免失望需要團隊的合作，這通常也意味著必須消除部門的孤立。

“組織通常很難創建和共享數據體驗，因為數據往往是存儲在多個孤島上的，并且缺乏用于治理、數據發現、編目的工具，以及工程、分析和業務團隊之間的協作，”為能源行業提供分析服務的公司Vortexa的首席技術官Maksym Schipka表示。

“你需要把你的團隊組織成多功能的團隊，在一個團隊中平衡業務分析師、數據工程師、數據科學家、軟件工程師和質量保證，”Schipka說。“要避免陷入擁有一個單獨的數據科學團隊的陷阱。因為這肯定會導致項目的失敗。”

Vortex確保了分析團隊能夠完全掌握它所使用的分析工具的選擇，比如來自Lenses.io的數據操作平臺和來自Amazon Web services的云服務。

但Schipka表示，無論使用何種分析工具，組織都應該期望在數據分析團隊中擁有數據科學家和數據工程師的組合。“確切的比例將取決于需要回答的業務問題的復雜性，以及實現這一目標所需技術的復雜性。”她說。