- 产品
- 产品解决方案
- 行业解决方案
- 案例
- 数据资产入表
- 赋能中心
- 伙伴
- 关于
时间:2018-12-19来源:数据治理浏览数:431次
数据是数字化转型的基础组成部分。然而,很少有组织投资于将信息转化为洞察所需的专门人才,平台和流程。为了实现数据的全部潜力,一些企业正在采用新的治理方法,多层数据使用和管理模型以及创新的交付方法,以实现可重复的结果和扩展。实际上,他们将数据分析视为战略规则并投资于工业级分析。
OVER 过去10年中,数据已经从操作副产品上升到了战略董事会的关注。利用分析技术促成了客户参与的新方法; 1扩大员工技能和智力的能力; 2个新产品,服务和产品; 甚至有机会探索新的商业模式。在人才奇缺的时代,数据科学家仍然特别珍贵,即使在今天,超过2012年,当哈佛商业评论中声明的数据科学家的角色“最性感的21世纪。”
分析现在主导着IT议程和支出。在德勤2015年全球首席信息官调查中,调查对1200名IT主管进行了调查,受访者认为分析既是最重要的投资优先事项,也是可以带来最大业务影响的IT投资。在对更广泛的执行受众进行的类似调查中,59%的参与者将数据和分析纳入前五个问题,或者认为这是获得竞争优势的最重要方式。4分布式数据架构,内存处理,机器学习,可视化,自然语言处理和认知分析方面的进步已经释放出强大的工具,可以回答问题并找出几年前似乎无法想象的有价值的模式和见解。也许技术风险投资公司Hummer-Winblad的高级合伙人安·温布拉德(Ann Winblad)表示最好:“数据是新的石油。”
在这种背景下,似乎几乎不合逻辑的是,目前很少有公司正在进行大规模利用数据和分析所需的投资。在我们应该看到系统能力,持续计划和重点创新努力的地方,我们会看到一次性研究,水上项目和探索性投资。虽然它们可以作为起点,但这些限制性的努力可能无法帮助公司有效地应对主数据,管理和治理方面的严峻挑战。
现在是采用新方法处理数据的时候了,其中CIO和业务负责人部署了人才,数据使用和管理模型以及实现可重复结果和扩展所需的基础架构。通过这样的“工业化”分析,企业终于可以奠定一个洞察驱动的组织基础6具有远见,基础技术能力,和必要的经营规模,以充分利用数据的全部潜力。
除了实现结果的规模和可预测性之外,工业化分析还可以帮助公司更好地理解数据的可能性以及如何实现它们。许多数据工作本质上都是描述性和诊断性的,主要关注发生的事情以及事情发生的原因。这些都是重点,但它们只能说明故事的一部分。预测分析通过回答下一个明显的问题 - “ 将要发生什么”来拓宽方法“同样,规范性分析更进一步,帮助决策者回答最终的战略问题:”我该怎么做?“业务主管已接受培训,将他们的期望限制在”描述性“分析领域。教育和参与可能有助于激励这些领导者更加大胆地思考数据及其潜力。它可以使他们拥抱他们需要的高级可视化工具和认知技术,以识别数据中的有用模式,关系和洞察力。最重要的是,它可以帮助他们确定如何利用这些见解来推动影响和实际业务成果。
任何将分析工业化的努力都应该提出数据议程并描述其战略愿望。该议程有助于确定公司对数据使用和治理的愿景,并围绕对业务至关重要的关键绩效指标进行锚定。此外,它可以通过清楚地描述总体分析策略如何使企业内的各个团体受益,帮助排列利益相关者支持。演示分析,仪表板和高级数据分析技术如何有助于推动战略和沟通意图的概念演示和证明在这里尤其强大。
除了更加大胆地思考分析和数据的潜力之外,公司还应重新考虑他们当前部署和管理分析的方法。许多数据工作遵循一条陈旧的路径:确定您想要了解的内容。构建数据模型。将数据放入数据仓库。清理,规范化,然后最后分析数据。这种方法长期以来足以从公司拥有的,结构化的交易数据的批量驱动源生成被动历史报告。
今天,分析来自整个价值链的大量非结构化数据需要采用不同的方法和不同的架构。企业应该在当今数据丰富的世界中运营的方式是首先获取数据,然后弄清楚它们可以用它做什么。以这种方式重新排序过程可以产生新的数据存储和获取方法,包括分布式数据解决方案,非结构化数据存储库和数据湖。它还有助于应用先进的可视化,机器学习和认知技术来挖掘隐藏的模式和关系。或者,在极端情况下,它可以在没有人为干预的情况下做出决策和采取行动 - 甚至无需人工理解。
这并不意味着传统的“提取,转换,加载”技术不再有效。数据仓库,商业智能和绩效管理工具仍然可以发挥作用。只有现在,它们在补充新功能时才能更有效,并着眼于创建具有高潜在重用性的可重复企业平台。
特别重要的是几个长期存在的“最佳实践”概念已成为强制性要求。主数据管理 - 为客户,产品和其他重要领域建立通用语言作为分析工作的基础 - 比以往任何时候都更加重要。同样,由于“无政府状态无法扩展”, 指导一致性和采用演进平台,运营模式和愿景的数据治理控制仍然至关重要。最后,数据安全和隐私考虑变得比以往任何时候都更加重要,因为公司不仅跨组织边界共享和公开信息,还与客户和业务合作伙伴共享和公开信息。
公司围绕分析组织和执行的方式是工业化分析之旅的重要组成部分。随着分析业务视图的成熟和洞察力的增长,分析功能的规模,规模和影响力将随着时间的推移而发展。考虑以下运营模式如何适应行业,公司和个人执行动态,可以支持您的分析计划:
无论组织结构如何,明确的人才和发展模式都是必不可少的。希望重新调整您现有的员工队伍。围绕R编程和机器学习例程的现代技能需要脚本和Java开发专业知识。从业务部门招募倡导者,提供急需的操作和宏观见解,并培训他们使用工具进行汇总,探索和分析。
开发创新的采购方法有助于短期技能短缺。例如,成熟和初创供应商可能愿意提供人才作为合作安排的一部分。这可能包括分享概念证明,支持业务案例和规划计划,甚至投入人才来帮助启动计划。此外,看看众包平台,以吸引专家或崭露头角的学徒,他们愿意在您的路线图中挖掘真正的问题。这种方法不仅可以产生新观点,而且可能带来突破性思维,但也可以帮助建立可靠的人才管道。数据科学平台Kaggle在其网络中拥有超过40万名数据科学家。
最后一个难题涉及部署人才和新的组织模型。领先的公司正在采用六西格玛和敏捷原则来指导他们的分析目标。他们的目标是在可重复但灵活的过程中快速识别,审查和试验机会,以最大限度地减少正在进行的工作并促进持续改进。这种策略有助于创建维持工业化分析所需的组织记忆力,可以扩展和发展,同时推动可预测的,可重复的结果。
苏黎世保险集团的全球企业数据,分析和建筑主管亚当布拉夫描述了他所在行业的分析能力的变化,引用了谦虚的招潮蟹的形象,这是一种半雄性的海洋生物,其雄性版本有一个超大的爪子。“每个行业都有一个成熟的,肌肉发达的肢体,通知组织使用分析的主导方式。在保险方面,分析传统上一直是关于定价,承保及其潜在的精算模型,“他说。
由于他的行业拥有这个成熟的分析部门,Braff认为有机会寻找欠发达的分析空间,包括间接渠道,客户生命周期评估和卓越运营等领域。在后者中,“挑战在于识别异常值并采取行动,”布拉夫说。“一旦你将数据放在一起并确定用例的优先级,那就是你可以找到成功的地方。”
苏黎世正在寻找识别分析机会的旅程,然后将数据资源,系统和技能集合用于实现这些机会。第一步是“倾听之旅” - 让业务方面的领导者了解他们所面临的挑战,并探索分析可以解决这些挑战的方法。然后,专门的“进攻”团队将这些需求转化为快速的数据和分析冲刺,从小规模开始,证明解决方案的价值,并在不久之后进行扩展。
与此同时,“防御”方面侧重于数据质量等基础要素。如今,苏黎世已经分散了分析组织和数据存储。通过执行全面的数据成熟度评估,公司正在更好地了解其数据资产的质量和潜在用途。与此同时,苏黎世正在评估不同群体如何有效地利用数据创造价值。它还将提高所有数据采集渠道的数据质量测量和问责制,因此下游使用的数据始终具有高质量。
第三个主要步骤涉及发展工业化分析所需的组织和人才。在这种环境中,IT工作者需要三件事:充分的商业意识来提出正确的问题; 分析技术和统计建模的背景,以指导方法并审查结论的有效性; 以及自己构建解决方案的技术知识,而不是简单地规定其他人构建的要求。“与业务部门合作开发这些解决方案并获取他们的反馈是学习如何将分析应用于业务问题的好方法,”Braff说。“这个迭代过程可以真正帮助人们建立自己的技能 - 以及公司的分析能力。”
在使用分析来构建更加数字化的文化时,重要的是要记住糟糕的数据会产生糟糕的见解。提高工作实际发生的数据质量要求领导者在员工思考和使用数据的方式以及他们如何对数据负责方面推动全面的文化转变。公司经常通过花费大量资金来清理系统中的混乱数据,从而解决数据质量的挑战。如果您不必这样做怎么办?如果您可以将自己的数据文化转换为奖励质量,整洁和规范数据管理方法的文化,该怎么办?这就是规则有用的地方; 他们可以支持获得奖励的结果。您可以聘请数据科学家来帮助您更好地理解您的数据,但是在开始使用数据之前清理数据可以减轻负担,这可能会产生很大的影响。然后,你可以加倍努力创造一种文化,奖励那些在数学上充满好奇和数学驱动的人,用数据而不是轶事来构建和满足他们的问题,并关心准确性从根本上,确保他们知道在哪里数据进入系统并完成工作。
随着公司创建工业化分析功能所需的治理,数据使用和管理模型,他们应该将网络安全和数据隐私考虑因素纳入规划和执行的每个方面。将这些问题放在首位,可以帮助提高公司对业务,技术基础架构和客户潜在风险的认识。
它还可以帮助组织继续关注整个威胁图景,包括外部和内部威胁。有效的网络警惕不仅仅是建立护城河以防止坏人; 在某些情况下,护城河内已经有坏人故意破坏安全并避免被发现。然后有大量无辜的玩家不小心点击一个未识别的链接,最终感染他们的计算机和公司的整个系统。网络分析在这些和其他方面发挥着重要作用。分析可以帮助组织在网络中建立“正常”基线,从而可以识别异常行为。
直到最近,公司还对统一的数据平台进行了分析。这些存在于物理数据存储库中,这些存储库将随着时间的推移而构建和维护。在新模型中,数据不再存在于这些存储库中,而是存在于提供内部和外部信息的虚拟化视图的海量数据湖中。
数据湖模型使组织及其数据科学家能够使用相当大的数据集进行更深入的分析。但是,它也可能引发一些新的网络和隐私考虑因素:
无法知道哪些信息分析程序最终会推断出来。因此,公司需要强大的数据治理政策来帮助管理其品牌和客户的负面风险。这些策略可以对数据的生命周期设置严格限制,以帮助防止从过时信息中收集的推断中的不准确性。他们还可能要求分析衍生数据的潜在风险,并标记要审查的任何可疑数据。正如组织可能需要可扩展且可重复的工业化分析解决方案一样,他们可能还需要在企业级别上运行的分析程序,该程序考虑了新的治理方法,多层数据使用和管理模型以及创新的交付方法。
数据和分析潜力的广泛扩展使它们成为一个具有挑战性的领域。机器遗留下来的遗留数据和操作以及一些利益相关者对数据在整个企业中的相对重要性的深刻信念存在很多。也许更具挑战性的是,高层管理人员和其他决策者可能对IT提供脆弱,可操作的业务洞察力的能力缺乏信心。但是,虽然平台可能看起来不成功,但尝试工业化分析的行为可以帮助解决这些问题,建立对简化交付和利用分析的全部潜力的支持。为了让球滚动,请考虑采取以下步骤:
“数据是我们每天获得更多资源的唯一资源,”美国财政部副助理部长Christina Ho最近表示。15 事实上,这种资源在数量和价值增长。如果管理得当,它可以提高竞争优势,将通过承诺遵守纪律,有意识的平台,治理和交付模式将分析作为良好意图集合的组织与将其工业化的组织分开。