发帖
雷达卡
许多专家同意，高级分析中最不为人知的关键要素之一是如何处理数据资产本身。如果没有适当的数据隐私、数据安全和数据治理政策，业务分析将继续难以实施最佳实践。这只有在发出声音时才会发生数据策略已在企业中设计，以实现管理良好的业务分析。
想要提高您组织的数据质量？
通过我们的在线课程了解如何开始并利用大量数据质量原则和实践。
现在注册
过去企业面临的主要数据挑战
无论企业商业智能 (BI) 系统多么复杂或自我驱动，除非他们使用的数据干净、安全且管理良好，否则业务用户永远无法从其高级分析或 BI 活动中提取任何价值。
传统上，主要挑战是清理和准备从社交、移动、传感器和网络日志等不同来源收集的数据。随着大数据和 Hadoop 和 IoT 等相关技术的出现，数据管理挑战变得更加复杂。现在有了高级预测以及普通业务用户手中可用的规范性分析工具，在分析方面可能会发生很多事情，但由于数据质量差而没有发生。
DATAVERSITY ®文章2020年数据管理趋势讨论如何更好地处理数据管理实践，包括数据治理，作为组织中数据驱动文化的核心驱动力。数据治理必须通过统一的分析策略进行管理，才能在组织中取得成功。
此外，尽管许多业务用户希望沉迷于预测分析，但在使用 BI 平台中嵌入的高度复杂或高级工具方面存在巨大的技能短缺。尽管 80/20 规则已被抛弃，但实际上，大多数业务用户并不知道如何利用高级 BI 或分析工具。文章 机器学习如何影响您的组织数据策略？ 演示了合理的数据策略如何帮助机器学习算法在业务分析中提供结果。
第三个挑战是让自助式 BI 或分析平台真正实现自我驱动。研究表明，在许多情况下，业务用户寻求合格的帮助和支持数据科学家或技术人员在自助服务平台上完成日常工作。随着时间的推移，自助服务平台的主流采用率有望改变。
德勤报告作者我们刚刚开始的分析优势对企业决策中业务数据使用率低表示严重关切。报告指出，数据分析活动与企业决策并没有完全一致，只有当企业管理者有意识地培养“分析文化”时，这种一致性才会发生。
此外，必须集中控制和管理分析流程，以使结果在各个部门或部门中广泛可用。这是一个组织的整体数据管理战略可以发挥关键作用的领域。事实上，当分析流程与组织联系在一起时，企业可以获得分析的全部好处数据策略。
什么是组织数据策略？
数据策略，在最简单的定义中，表示改进和维护的正式计划数据质量、数据安全和跨企业的数据访问。全面的数据战略还可以概述从数据中产生额外收入流的计划，或使用数据获得竞争优势的计划。因此，在组织中实施的完善的数据战略将包括与数据管理相关的架构、流程、策略和标准。
一个好的数据治理计划对于大数据等技术的成功至关重要，这就是数据战略的用武之地。在商业世界中，“数据战略”一词表示组织、技术和合规措施的明智组合，以提升对数据的信任程度。这销售人员文章 用数据战略加强商业智能表明最佳的数据战略或数据治理是企业数据分析的关键，近 70% 的高管认为应该创建一个单独的业务部门来处理数据产品或服务。
将数据转化为智能：可操作见解的分析
组织不能再忽视高级分析，因为在竞争日益激烈的商业市场中，分析正迅速成为企业的关键差异化因素。数据驱动的明智决策可能意味着成功与失败之间的差异，例如，企业使用数据分析来更好地了解他们的客户并探索新市场。
一项研究全球半年度大数据和分析支出指南来自国际数据公司证明分析越来越受欢迎，预计从 2015 年的约 1220 亿美元增长到 2020 年的超过 1870 亿美元，这大致归结为 50% 的增长是一个五年期。
尽管有这些令人鼓舞的数据点，德勤报告指出，广泛采用数据分析的最大障碍是数据质量差、缺乏专家技能、IT 基础设施不足以及缺乏管理支持。
令人惊讶的是，文章的作者通过高级分析为成功做好准备恰当地强调，IT 团队经常根据数据科学或机器学习等相关技术的优点向高层管理人员出售“分析”，但他们忘记提及最终控制分析过程成功的强大数据战略。
企业中使用的数据分析：一些示例
示例一：根据德勤报告定价分析 三分钟指南，产品和服务的定价决定了企业未来的利润潜力，正确实施的定价政策可以在一个日历年内将利润率提高多达 7%，这意味着 200% 到 350% 的投资回报率。因此，从定价分析中获得的见解对于塑造价格结构非常宝贵。
示例 2：在戴尔，预测流失模型用于留住客户并减少流失。他们将社交数据与其他数据源进行比较，以识别处于风险中的客户，然后采取适当的预防措施。
示例 3：戴尔的 Lifesys 平台借助戴尔的保险理赔处理平台 Lifesys 中的嵌入式分析来减少客户流失。
示例 4：普华永道后表明一家制药公司使用本土“交易情报”平台在完成交易之前获得细粒度的财务洞察。
大数据对组织数据战略的影响
根据安永市场报告与传统的业务分析方法相比，大数据提供了战略优势，因为它允许用户以相对较低的成本收集和存储大量的多结构化数据。多渠道数据的“数量、种类和速度”不再对组织构成威胁，因为大数据技术可以顺利处理大规模数据。
那么缺少什么？尽管支持大数据的分析为企业带来了许多好处，但以下是使用大数据所涉及的一些固有风险：
架构相关风险： 虽然大数据不限制数据存储平台的范围和结构，大容量数据会导致数据冗余、数据质量差和数据治理问题。集成的数据结构会导致数据链接和相关性问题。最后，周围的技能短缺大数据架构可以是正在进行的问题。
治理风险：需要制定并实施非常完善的数据策略，例如数据所有权和控制权，以使数据具有高质量、良好的治理和安全性。
与管理相关的风险：由于大数据提供了对多个数据源的简单且经济的访问，因此存在“噪音”和数据污染的风险。如果管理层在大数据的实施、支持和培训方面没有做好准备，那么这些问题将阻碍企业的分析活动。
技术能力风险：大数据专家是高技能和经验丰富的人；不是每个人都能穿上他们的鞋子。企业将不得不重新考虑他们的培训和项目策略，以确保每个分析团队中都有适当熟练的大数据专家。
使用风险：虽然数据集成和分布式处理能力可以帮助整个企业进行分析，但技能短缺将再次成为一个问题。组织人力很容易因大量数据和无用信息而不堪重负。
质量风险：质量监控是多结构、多渠道数据的持续关注点，纠正错误可能代价高昂。公司必须建立有能力和高效的团队来管理数据质量大数据. 现有的数据治理模型可能需要调整以适应新类型的数据。
安全风险：安全一直是任何类型的业务数据的主要关注点，因此企业需要强大且连贯的安全策略作为整体数据战略的一部分，以在数据社区之间建立信任。云或移动等相关技术可能会使大数据面临盗版或腐败的风险，但只有法规和政策才能遏制这些负面影响。
隐私风险：传统上使用加密、密钥编码或数据分片等技术方法来保护数据隐私，但在大数据的情况下，必须根据感知到的隐私风险审查和修改现有政策。
以上所有表明，组织需要强大的数据战略来参与有意义的高级分析活动。如果没有这样的策略，大多数组织仍然无法实施企业范围的分析。
相关帖子DA内容精选
|
京公网安备 11010802022788号
