亿信华辰

连续3年稳坐商务智能应用榜首
与此同时,亿信华辰在数据治理领域荣登五强
首页行业资讯数据分析

关于数据分析:从POC到规避一些常见的误解

时间:2019-02-27来源:亿信华辰浏览数:69

当今,大多数医疗卫生机构用户或其他行业的企业用户正面对着不断演进的技术格局、数据源的爆炸、数据分析价值的日益升高等重大转变。为了应对这些变化,用户应寻找自身的核心数据并充分释放其价值。

首先是不断演进的技术格局。数字技术蓬勃发展,无论是IT基础设施还是到终端设备的创新都会引发出新的技术架构和商业模式。企业不仅要适应数据时代的高速运转,还要从中敏锐地发现和抓住机会。

其次是数据源的爆炸。在大数据时代,数据的来源无论是深度还是广度都大幅增加,比如,服装业企业,分析成交单数、客单价,成交单数是进店人数乘以成交率,进店人数又是路过人数乘以进店率,那么路过人数、进店人数就属于数据广度,而详细到每个订单的时间、地点、价格、款式等等就属于数据源的深度。把所有数据全部收集起来并提升数据源的深度与广度才可以提升数据分析的维度,让数据发挥更大价值。

再次是数据分析的价值日益增高。我们现在经常发现,有很多企业在竞争的过程中,最终不是被同行业竞争对手打败,而是被很多跨行业的公司所打败。很简单的一个例子,大家都认为亚马逊是做电商的,但这是错的,它现在最主要的收入来自于云服务。也就是说,企业需要找到自己的核心数据并充分发挥其价值,这个是最关键的。

POC如何助力数据分析

我们不妨用维恩图做一个数据驱动型商业模式图,这些集合分别是“医院有可能做什么”、“在实际中可以做什么”以及“希望实现什么”,这些元素是医院决策者在做决定时所需要考虑的,然而没有任何组织可以满足所有利益相关者的所有需求,这意味着需要根据这个维恩图中间的交集设定优先任务。确定在哪里做什么,需要业务和技术团队的合作——我们已经看到不同利益相关者群体之间进行讨论,利用这个模型在这个领域取得决策成功。

 数据分析

数据驱动型商业模式维恩图

当决策者由此梳理出优先任务时,接下来可以用POC即概念验证来推动这个任务。

概念验证(Proof of concept,简称POC)是对某些想法的一个不完整的实现,以证明其可行性,示范其原理,其目的是为了验证一些概念或理论。

比如说在汽车行业,对于一个汽车企业来说数据源是十分广泛的。细分到客户服务这样的数据,车企一般都会与经销商一起管理和解读。随着汽车行业的数字化进程,车企从关注客户数据到后来也开始关注共享汽车甚至自动驾驶等商业模式。随着数据分析方式的智能化,主动的数据采集被实时感知仪器所取代,这些数据渐渐的需要与机器学习和人工智能等高级功能一起收集,自动执行简单的决策(例如低风险授权),执行更大的任务。

在很多情况下,组织决策者是不可能一开始就知道数据如何演变,采集数据的方式又会有何进步。在以上对数据进行认知的过程中,车企是希望拥有更多有价值的数据,对数据进行分析来开展业务。实际中车企可以提早引入数据分析,加强数据管理,并在实践中不断进行验证。

这种概念验证是很有必要的,它帮你了解业务运转是否在正确的轨道上; 它与现代组织希望遵循的敏捷开发模式相适应; 它确保你不浪费时间在价值较小的想法上; 它帮助促进业务和技术团队之间的信任。

从英特尔的角度来讲,当客户希望投资基础设施,用于大数据分析和挖掘的时候,这是值得鼓励并且是值得的,因为客户的确能够从技术投资中获取价值。在今天复杂的市场环境中,正确的做法是,先证明投资的价值,再采取行动。

这就是我们为什么提倡在全力以赴实施具体分析战略之前进行概念验证演练(Proof of concept,简称POC)。概念验证不仅仅是测试想法,还把利益相关者更紧密地团结起来并产生信任。

决定分析战略就像走钢丝并且有很多可能的路线。提前确定优先任务,并通过概念验证进行测试,为医疗机构决策和数据分析战略做好最充分的准备。

对数据分析的六个常见误解

数据对于医院用户或者其他企业用户的重要性不言而喻,拥有卓越的数据分析能力就拥有更大竞争优势。然而很多用户的决策者对数据分析仍然有一些误解。

1、“为了部署像机器学习(ML)这样先进的分析技术,我们必须购入新硬件和大量投资专用基础设施。”

真相:部署高级的数据分析其实没你想象中那么遥远。 

比如,许多组织机构用户已经拥有大量高级分析基础设施,如工厂车间的大量传感器。但如果没有可用于分析的硬件,许多云服务提供商(CSP)也可提供现成的高级分析功能。利用这些资源运行一些试验项目,并由此制定有效的使用案例,然后可以制定一个长期发展的路线图,并清楚了解投入产出比。

2、“我们不需要像机器学习这样的高级分析工具。”

真相:无论医院或企业规模大小,每个用户都需要高级分析。

很多医院都在做数据分析,也不乏很多医院还在用excel或者简单的在线系统报告来做“数据分析”。真正的数据分析当然没有这么简单,但分析数据的第一步是要知道手中到底掌握什么数据,在分析之前就要组织好。

简单的在线系统报告已经过时,要了解数据实时趋势,使用当前数据来预测和影响明天,运用先进的机器学习和其他AI技术,更快速理解更多类型和更大量的数据。如AI技术可帮助企业在业务流程中自动处理文本和图像信息,助力高效决策。

3,“我们有很多数据,但分析不起作用。”

真相:分析数据当然有用,但是分析的必须是有效的数据。

在高级数据分析项目中,经常会遇到这样的抱怨:费功夫分析了这么大量的数据,最后得出的还是错误的结果?

这与数据的质量有关。在分析数据之前需要有效的方式来收集数据,并进行实时更新。AI和ML(机器学习)算法只能处理给定的数据,所以低质量的数据意味着低质量的结果。

4,“要做数据分析,我们需要聘请一批数据科学家!”

真相:远在天边,近在眼前。

不是每家医院或企业都需要数据科学家,而了解业务需求和掌握有效数据对决策者才至关重要。聘请数据科学家可能会非常困难,特别是有特定产品或对专业知识要求极高的行业,如医疗卫生行业,但并不一定只有数据科学家才能有效发挥作用。借助一些数据分析工具或者开展一些专业培训,在内部可能已经培养出了所需的专家。

另一种方法是让业务人员直接运用数据分析工具,借助基于云的服务可以处理企业数据,并提供出展示洞察的算法,这可使业务专家转变为数据专家。

5、“要去分析每一个数据”

真相:分析每一个数据是不可能的,也是不必要的。衡量什么是战略才是至关重要的。

当医院或企业用户开始收集和整合数据时往往会遇到一个很大的诱惑——使用它的一切。但是这种方法可能会付出很大代价,而且大量不相关信息会对结果产生不利影响。所以数据分析要基于业务需求,可以设定可衡量的目标,并基于此目标开展数据分析工作。

6,“高级数据分析意味着企业需要雇用额外的IT人员。”

真相:现有团队其实足以迎接挑战。

对于一个组织来说,如果有自己的IT团队,那么数据分析方面是有基础的,也可能已经取得一些进展。数据分析最初更多是充分利用现有数据,在有数据分析能力的情况下,有机会吸引才华横溢的IT专家。

另一种方法是盘点组织内部已有的数据分析能力,并与外部顾问(如行业分析师或供应商)合作,获取其建议并开展相关培训。如选择内部开发算法,可通过FaaS模型(Function as a Service,功能即服务,是一种无服务器计算,是IaaS演进的下一个阶段),将其提供给组织内的其他人,以最大限度地减少开发时间。

所以,无论医疗卫生机构用户或企业用户的规模是大是小,都应开展数据分析工作,数据分析也并非遥不可及,要激发自有IT团队的能力,充分释放数据价值,从而增强竞争力。


快乐分享
© 2020 ESENSOFT 北京亿信华辰软件有限责任公司| 版权所有:京ICP备07017321号 京公网安备11010802016281号|免责声明

联系
电话

您好,商务咨询请联系

咨询热线:400-0011-866转0

手机咨询:137-0121-6790

技术
支持

您好,技术支持请联系

QQ:400-0011-866

(工作日9:00-18:00)