关于分析工作人们会犯的三个错误

 

　　我坚信，当任何讨论和决定基于实际情况时，生活会更好，公司会更好，社会也会更好。意见、直觉和固有偏见都是与真实数据和事实相竞争的力量。人们会认为，通过向我们公司的用户提供他们所需的数据分析能力，他们就会急切地利用和使用我们提供给他们的任何东西，对吧?

 

　　但是，尽管分析性的洞察力触手可及，但许多人仍然没有利用宝贵的可用数据资源。在我从事设计、开发和部署商业智能和分析解决方案的整个职业生涯中，我观察到大量用户以不同的方式接受和使用这些解决方案。

 

　　不可避免的是，有些数据极客—他们迫不及待想要得到解决方案。他们会使数据保持一致，告诉你数据的所有错误之处，但最终仍将其用于预期目的—找到有助于获得更好决策的见解。但根据我的经验，只有一小部分人真的这么想。

 

　　更多的人可能对新的解决方案漠不关心--他们可能会偶尔登录新系统，使用一些预先创建的报告--但更常见的情况是，用户不经常使用新系统，他们从新系统所获得的价值很少。

 

　　在过去的几十年里，这种情况并没有真正改变。与十年甚至二十年前相比，公司内部的分析交互工作并没有什么大的不同。当然，我们拥有更好看的工具，我们可以处理更大的数据量等等，但数据用户仍在查看报告、电子表格和仪表板。

 

　　我们仍在钻取、透视、过滤、导出甚至打印数据。交互的基本单位和我们执行的任务基本保持不变。

 

　　这是一份报告，而不是解决方案

 

　　尽管我们怀有最好的意愿，但我们仍继续以同样的方式解决问题，并且我们继续取得大致相同的结果。

 

　　首先，我们假设报告、图表或仪表板是解决每个人问题的方法--通过为他们提供各种这样的工具，我们就为他们提供了他们可能需要的一切。

 

　　我在用户群中实际观察到的情况则完全不同。我看到有些人既没有时间，也没有腾出时间来看他们的数据。他们认为自己太忙，或者没有把这件事放在足够重要的位置。然而，他们会一整天愉快地回复那些无论重要与否的电子邮件。

 

　　许多公司通过聘请专职且昂贵的分析师来查看各个业务领域的表现，并将见解提炼成月度报告，并附带大量评论和分析，从而解决了这个问题。通常情况下，这些报告本身与那些旨在提供额外帮助的仪表板解决方案一样都未被使用和未被阅读。

 

　　其次，我们假设我们为解决问题所雇佣的人员具备与数据和工具进行有效交互的技能。这种技能可在多个层面上体现出来，例如他们了解他们正在审查的数据的性质以及了解衡量某项工作的真正标准(例如客户流失);了解数据的呈现方式(例如解释散点图);如果他们需要的答案并不很明显(使用过滤、钻取等技术)，则他们能够进一步询问系统。虽然现代BI(商业智能)工具比Excel中的Vlookups更容易使用，但对于大多数未经培训的用户来说，其用户体验可能并不那么直观。

 

　　第三，我们假设所有答案都在数据中，并且具有这种洞察力的人会一致地进行解读，然后使用该信息来做出最佳的商业决策。实际情况是，仪表板或报告中包含的见解很少具备所需的所有上下文。通常，这种上下文来自于系统外部的其他洞察力;主题专家的解释;或通过同事之间的讨论、辩论并达成一致。

 

　　自动化和机器学习带来变化

 

　　随着我们的世界在自动化和机器学习技术方面不断发展，我们将发现许多繁重且耗时的人工作业将自动化。

 

　　让我们面对现实：数据用户只想知道他们需要了解的内容，因为过多的非结构化数据很难让我们理解。数据洞察发现的自动化预示着：系统为您分析数据，并直接告诉您需要知道的内容。

 

　　BI和分析工具将开始让自动发现作为其平台的核心部分。这些工具还将以其他方面进行改进，例如创建高级功能，以围绕数据洞察与分层贡献数据进行交互。分享强大且吸引人的叙述的能力将变得更容易嵌入，可在最相关的消费点提供分析，并为其他业务组和流程提供连续性。

 

　　当您真正需要知道的是这些数字之间如何相关以及如何受累积数据影响时，可视化仪表板上的数字仅提供了有限的信息来为您做出明智的决策。正在设计的新分析平台重新思考整个用户体验，不仅适用于精明的数据分析师，也适用于所有层次的用户。通过构建有关数字的吸引人的故事，用户可以更多地参与分析，并可以更好地了解如何利用数据的上下文和叙述来改善业务功能和客户交互。