可思数据-人工智能媒体资讯平台！

企业会考虑利用数据分析和数据科学作为数字化转型的一部分吗?自动化、回归基础的方法，以及数据驱动的文化可能是关键因素。

数据分析是一个不断变化的领域。随着企业继续大量投资于分析以支持数字化转型，掌握最新趋势对于确保企业在未来数月和数年内采用成功所需的分析策略至关重要。   今年2月，研究机构Market Research Future公司预测，从今年到2023年，全球数据分析市场的复合年增长率将达到30.8%，2023年市场规模将达到776.4亿美元。德勤公司中央创新团队负责趋势感知项目的总经理、德勤最近发布的“转向数字成熟度报告”的合著者David Schatsky表示，数据分析投资不断增加的核心是成为数字化企业的动力。  

Schatsky说，“数字化企业是一个不断发展的企业，总是寻求应用和最大化数字技术的价值，以重塑自己，重塑提供给市场的产品，如何将这些产品交付给市场，以及如何运营。数字化企业是我们认为通过有效利用数字技术和数据而不断发展的企业。”   对于希望通过数据转变业务的组织而言，在未来几个月需要关注以下四种分析趋势。  

1.数据公民的崛起   随着组织向数据驱动的转变，大多数专家和行业观察者都认为，采用这项技术虽然不容易，但却是最简单的元素。围绕数据改变文化和组织思维方式及其有效使用通常最具挑战性。   “数据中最重要的部分是人。”咨询机构Carruthers and Jackson公司的主管Caroline Carruthers说。他曾担任Network Rail公司首席数据官，也是《如何颠覆、创新并领先于竞争对手》这篇阐述数据驱动业务转型的文章的共同作者。他说，“组织需要了解对数据和信息做些什么，并且在数字化转型达成一致意见。”  

Gartner公司业务分析团队的研究副总裁Rita Sallam对此表示赞同。  

Sallam说，“文化对任何企业来说都是一个巨大的挑战：变革管理、文化素养。企业是否有足够拥有文化的劳动力，能够通过这些新技术获得现在提供给他们的见解，并能够采取行动。”   德勤公司的Schatsky补充说，为了掌握数据，组织必须在业务线中灌输一种思维模式，无论何时企业面临决策或采取行动，负责人都应考虑是否有数据可以帮助业务实现更智能或更好的目标。  

Schatsky说，“这需要改变思维方式。为了使其普及，企业领导层必须集中精力，并在整个组织中发挥作用。”  

因此，他们认为，企业将越来越关注于推动数据驱动的思维方式，以及在整个组织中对基本数据概念的流畅性。  

然而，商业分析咨询机构A4A Brown公司的总裁、Meta S. Brow警告说，企业的做法不要过犹不及。  

Brown说：“我认为，在期望执行经理成为分析专家的程度有很大的限制。而他们熟悉术语可能是合理的。”  

Brown以律师行业为例。预计律师管理团队将了解他们必须遵守的最重要的法律，并且应该能够了解合同，但他们不会就复杂的法律问题提供建议。她说，同样的想法在分析方面也适用。  

她说，“我认为在数据分析中增加高管的等级，或者为自己进行数据分析是不合理的。我认为，人们在学习数据分析方面对他们的期望非常低。作为分析专家，我们的工作就是通过整个流程更好地与他们合作，我们的责任是将他们所说的业务信息转化为分析术语。”  

2.回到分析的基础   在过去几年中，围绕分析的对话越来越多地集中在尖端技术上，如机器学习、深度学习、神经网络，以及其他人工智能元素。专家表示，虽然这些领域将在未来几年继续引起很多关注，但许多组织将重新回归基础，并从不太先进的分析中获得更多的实用性。  

Brown说：“我参加过很多行业大会，也阅读了大量文章，发现人们谈论的是他们可能想象得到的最复杂的数学，但他们却还没有真正充分利用简单数学，这让我非常震惊。如果美国的每一家企业都能彻底利用统计数字的数据，那么我们的经济将会蓬勃发展。”  

Carruthers对此表示认同。她说，“很多人对机器学习和人工智能的应用感到兴奋，认为必须做所有这些事情，却忘记了组织实际上从分析中获得了大量价值。”  

Carruthers认为，随着组织将分析投入生产，并寻求真正从他们的分析工作中获取价值，他们将再次更加重视通过更基本的分析和报告功能可以实现的目标。  

3.自动化变得更加重要   然而，数据日益复杂以及处理和分析数据所需的东西意味着自动化在未来几年将变得更加重要。  

Sallam说：“从类型和成功所需的分析来看，越来越复杂的数据确实使当前人工方法不堪重负。因此，几乎在数据管理和分析内容开发的每一个方面，从上到下，整个堆栈都在利用自身来自动化分析过程，自动化可以使我们从这些系统获取信息，并以优化的方式进行操作。”   Schatsky对此表示赞同，并指出，实现自动化的主要原因在很大程度上是由于缺乏数据科学家、数据工程师和数据科学团队的其他成员。  

Schatsky说，“许多数据科学家表示，他们将大约80%的时间花在繁琐和重复的任务上，如数据准备、功能工程、选择算法。人们发现的很多事情都可以在某种程度上实现自动化。这并不意味着数据科学家将因为被机器取代而失去工作。这意味着工作效率可以提高五倍，这意味着一家拥有两名数据科学家的企业如果实现自动化，就可以像拥有10名数据科学家那样高效。”  

4.组织将越来越多地利用第三方数据   Schatsky表示，拥有更高级分析程序的公司将在未来几年内更多地利用第三方数据。  

Schatsky说，“能够有效地利用第三方数据将会清除数据集成、数据清理以及所有这些方面的正常技术障碍。它包括企业需要发展的更多面向市场的能力：不断扫描环境以了解哪些数据源可用，促进评估这些数据源以生成数据的简化过程，包括合同和法律问题以及风险审查。这是企业真正应该培养和投资的能力。”  

Schatsky表示，以供应链管理为例，经营供应链的公司在过去可能通过跟踪其供应商的行为来管理风险：他们交货的时间，他们交付的产品达到或未达到质量标准的频率等等。  

“这是一种低级供应链风险管理。”Schatsky说。更复杂的组织可能已经采用了上一代第三方数据，如信用评级信息，以帮助确定与供应商或客户合作的风险。  

他表示，如今，拥有更复杂分析功能的组织正在寻求包括第三方数据(如天气预报)来完善其风险评估：例如该组织在易受天气影响的地区是否有供应商?或者他们可能会将社交媒体的数据包括进来，以帮助他们找到需求变化模式的线索。如果社交媒体的指标显示某一产品的需求正在飙升，那么该组织是否应该增加对这些产品原材料的采购?   他说：“这是企业致力追求的卓越水平。”