三位行業思想領袖對數據分析行業的未來發展進行了預測，并就如何更有效地利用數據提供了建議。

[[374999]]

數據分析對于組織運營十分重要，而在任何市場中獲得成功都需要有效地使用數據。那么會遇到什么問題?隨著應用程序和市場發展變得越來越復雜，數據分析行業也越來越復雜。

為了深入了解如何在2021年及以后的時間里從數據中獲取更多信息，Splunk公司首席技術官Andi Mann、德勤咨詢公司總經理Mike Kavis、Edgevana公司首席執行官Mark Thiele對以下主題進行了闡述和分析：

組織采用數據分析的現狀是什么?組織在何種程度上成功實現了數據分析實踐?

Mann：數據分析適用于很多組織，尤其在零售行業中網上商店產品的動態定價等。

很多組織使用數據分析來了解客戶參與度以及針對問題或安全漏洞的異常檢測，這是十分有效的。從業務層面和技術層面來看，有很多分析是有效的，但也有很多是無效的。

我認為數據分析現在正處于變革階段，可以從現實的角度和政治的角度來討論這個問題，也可以從技術的角度來討論這個問題。很多組織正在努力找出有效的方法，并進行嘗試，某些事情取得成功，某些事情遭到失敗。

這很大程度上是不受控制的。我非常擔心數據倫理以及將人們的偏見投入分析、機器學習和人工智能，我認為肯定會得出一些結果，但這一切都很不平衡。

Kavis：我認為在產品層面，有時是成功的，因此某些服務或產品具有數據分析支持，而一些組織在內部部署設施處理信息，他們沒有相關用例。

隨著云計算的應用更加廣泛，處理和存儲數據的成本更低，我認為產品和服務的使用成本也將降低，它們實際上是在利用這項技術作為產品的一部分。就像零售業和制藥業可以充分利用數據分析并真正發揮作用。

Thiele：大多數公司面臨的關鍵問題之一是無法確定一個或兩個指標，也無法確定他們認為對這些指標很重要的數據。

因此，組織需要獲得良好的指標，例如，可以獲得有關客戶與組織產品互動的信息的周轉時間。但是，如果需要花費兩周或兩個月的時間來響應和處理這些數據，那么將失去價值。

從成功的角度來看，零售行業就是一個很好的例子。沃爾瑪公司多年來在數據分析方面一直很出色，即使在大數據和數據分析的初期。但是我真正看到的地方是在工廠車間和大型關鍵基礎設施中。很多組織正在使用針對設備的分析，并就維修周期甚至卡車的加油時間表做出實時決策，從而提高了效率。并在總體上提高了性能或安全性。

在2021年，數據分析在邊緣計算的應用有多重要?

Mann:我認為，數據分析無處不在。以風力發電運營商為例，為了防止風力渦輪機發生災難性故障，是否需要將其關閉進行預防性維護?當風力渦輪機定期發送運行信號時，真的需要將這些信號傳輸到核心數據中心進行處理嗎?因此，數據分析有必要在邊緣計算設施進行處理。

Thiele：邊緣計算對于組織來說，是一個可以收集新數據并以新方式進行處理的機會。與我們公司合作的大多數客戶的負載都在邊緣工作，而事實表明，在邊緣處理的數據量往往比人們預期的要大得多。

簡而言之，在大多數情況下將數據發送到其他地方沒有任何意義。從投資回報率的角度來看，在許多情況下，將數據發送到核心數據中心進行處理在經濟上是不可行的。

在許多情況下，降低延遲為了從數據中獲得價值并以盡可能低的成本實現價值，組織希望在任何地方對它進行分析。

Kavis:我們仍以風力渦輪機為例。風力渦輪機通常安裝大量傳感器，并裝有執行器。執行器根據指令改變葉片的角度，以最大程度地提高發電量。

風力發電商通常會設置智能信息：“如果風力變化很大，需要調整葉片轉動的速度。”因此在那種情況下，就不需要采用實時人工智能技術，因為已經設置了指令。組織要做的是將不相關的數據流回數據中心，以找出原因和方式，然后返回邊緣計算設施并更改指令集。因此在這種情況下是一個非常靜態的環境。

現在將了解智能流量。組織必須查看正在發生的事情并做出決策，隨著時間的推移，機器學習的算法會變得更加智能。當然，組織需要進行一些分析，但是實際上一切都必須在邊緣計算設施中進行。

實時解決方案對于架構師來說是一個挑戰。他們必須了解每件事，查看有意義的內容以及具有足夠的預算，因為無論采取哪種方式都涉及到成本支出。

對在未來一年希望更好地使用數據分析的管理人員有什么建議?

Kavi：我通常更關注商業價值。因為組織希望通過實施用例并最終獲得期望的結果，這樣可以制定決策并采取行動。因此出于技術考慮，有些項目花費大量費用卻得不到很好的結果。但是利用數據分析來獲得業務成果，可以改變業務模型或大幅度提高生產率，這些都是我所關注的事項。

Mann:我們發現，組織收集的數據越多，對數據的操作越多，則共享的數據就越多，實際上會獲得更好的結果，例如增加收入、降低成本、技術創新、提高速度，獲得敏捷性。

這實際上是有道理的：收集和分析的數據越多，做出決定的速度就越快，尤其是在擁有良好的分析工具集的情況下。所以我會說需要收集更多的數據。

另一方面，數據分析減少了人們的偏見。組織擁有的數據越多，就越有可能減少個人觀點和偏見。因此，收集并共享更多數據，以便更快、更有效地做出更好的決策，將會減少偏差。

Thiele：數據是至關重要的，但是很多人認為收集更多數據就會得到更好的結果。實際上，最重要的一點是知道組織要查找的內容并能夠提出正確的問題，然后向數據庫中添加更多的數據，這有助于降低產生偏見的風險，并可能給出更準確的答案。

根據過去的15年的發展趨勢，在大多數情況下，失敗和成功的比例為7：3或4：1。也就是說，在組織的業務獲得成功之前，在數據湖和數據分析等各個層面上都可能失敗。

在實施數字化轉型過程中，大多數組織都著眼于數據分析、客戶和效率。但是，一些開始數字化轉型的組織認為，如果組織對要達到的目標沒有清晰的愿景，那數字化轉型將對其業務運營產生負面影響，這也適用于計劃如何使用數據以及如何維護數據和驗證數據的組織。