知识和规划将数据分析从“黑科学”转变为主流商业工具。
尽管很少有人会公开承认，但对于许多 IT 领导者来说，数据分析仍然是一门黑暗科学，充满了神秘的方法和看似高深莫测的实践。 然而，尽管它的名声有些神秘，但分析一再证明它是一门经过验证的科学，是一种强大的工具，通常可以显着提高生产力、效率、销售额、利润和其他关键业务指标和目标。
田纳西大学商业分析助理教授 Michel Ballings 观察到，今天的分析革命让许多高级 IT 领导措手不及。 “直到最近，计算才变得强大到足以执行高级数据分析，”他说。 “[大多数] 高级 IT 领导者在数据分析革命之前就毕业了。”
技术咨询公司 ThoughtWorks 的首席数据科学家 David Johnston 指出，高级分析本质上是一种研究技能，大多数 IT 领导者和高管从来都不是专业研究人员。 “这些技能在学术界最为普遍，因此，大多数成功的数据科学家和分析经理都曾是学者。” 因此，许多老派的 IT 领导者对新兴的分析计划感到困惑和恐惧。
拥抱未知
企业 IT 领导者需要认识到，分析将对其稳定且结构良好的部门提出挑战。 埃森哲数字技术咨询服务董事总经理贾斯汀霍纳曼说：“大型组织内部需要的技能组合正在发生转变，以推动数据和分析支持的解决方案。” “许多传统的 IT 技能组合无法与市场上快速发展的新分析引擎、代码库和数据管理结构配合使用，这推动了对新人才的需求。”
直销公司 HackerAgency 的营销科学执行总监 Seth Garske 指出，许多 IT 主管可能发现自己不确定处理分析的最佳方式，尤其是考虑到分析与其他部门的重叠。 “虽然分析在本质上往往是技术性的，但它实际上更像是一种业务功能，类似于财务或会计，”他解释道。 “这种误解在一些组织中造成了一些非常丑陋的地盘争夺战。”
商业和技术咨询公司 West Monroe Partners 的高级分析高级经理 Dan Magestro 认为，如果 IT 领导者投入更多时间学习分析的工作原理，以及分析过程可用于帮助其组织的方式，那么 增加采用率并化解内部对角色和责任的争论。
更深入的分析知识还可以帮助 IT 领导者理解为什么这种方法常常看起来如此神秘。 “最佳形式的数据科学是一项极具创造性的努力，”约翰斯顿说。 “管理人员不一定需要了解每个分析的内部结构，就像软件项目的所有者不需要了解底层技术内部结构一样。” 约翰斯顿说，最重要的是看到创造的价值。
与解决方案通常显而易见并被全球企业广泛采用的 IT 不同，分析流程通常是独特且个性化的。 “选择最好的分析方法有时很简单，有时很艺术，”Magestro 说。 “例如，在数据中寻找因果关系通常意味着某种回归，而在大型客户数据集中寻找相似特征可能涉及聚类算法。” 在优化营销预算时，分析专家可以从无数可以达到目的的方法中进行选择。 “在这种情况下，正确使用一种方法并根据良好的假设通常比它是否是‘最佳’方法更为重要，”Magestro 说。
设定方向
对于企业分析计划是否应该集中在 IT 或独立的分析部门内，或者分散在各个业务部门，专家们意见不一。 许多人认为，IT 最适合充当分析倡导者和技术支持者，而不是作为所有企业分析计划的基础。 “没有理由将数据分析孤立在一个部门内，”约翰斯顿说。 “相反，这是一套应该鼓励在整个企业中发展的技能。”
Johnston 声称，由于数据科学是一个快速发展的领域，因此让多个团队相互协作和相互学习具有相当大的优势，即使他们之间存在一些友好的竞争。 “不同的团队会以不同的方式做事，从而更快地探索整个领域，以便更好地发现最适合自己业务环境的方法，”他指出。 “通过让人们进出不同的团队，可以进一步鼓励这种思想的交叉授粉。”
Honaman 指出，分析卓越中心 (COE) 模型——一个领导和协调整个企业分析计划的小组或团队——已被讨论多年，但与在业务部门内嵌入分析人才相比，几乎没有得到支持。 “在传统 IT 中，通常有一个集中式模型用于整合和管理运营数据，同时为企业内的分析资源提供对该数据的访问。” 然而，除了少数例外，这种方法并不能很好地满足各个业务部门独特而专业的分析需求。
Magestro 表示，集中分析的案例在两种情况下最为有力：当数据或技能协同作用广泛分布于不同的业务职能时，或者当不太成熟的业务职能可以从中央团队提供的专业知识中受益时。 “我们看到一些案例，中央分析团队可以成为功能分析增长的临时催化剂，在这种情况下，中央团队可能最适合高度专业化的需求，例如机器学习或人工智能，”他说。
发挥领导作用
无论它们在企业中的起源方式或来源如何，所有分析项目都需要强大且知识渊博的领导。 “关键是要有一位优秀的船长掌舵，”俄亥俄大学公共管理在线硕士项目领导力和公共事务教授阿尼鲁德·鲁希尔 (Anirudh Ruhil) 说。 “你还希望团队领导者拥有丰富的可靠经验，因为这最终是衡量一名优秀分析师的标准。”
究竟由谁来领导分析项目取决于企业的分析成熟度、行业和传统、领导力以及推动其战略和增长的特定业务领域，Magestro 说。 “在一些销售驱动的企业中，营销分析的高级领导者可能比任何其他领域做出更多数据驱动的决策，”他指出。 “在具有强大中央数据管理功能的公司中，IT 领导者可能最适合提升分析能力。”
对分析人才的竞争非常激烈。 “大多数公司明智地放弃了聘请拥有三位博士学位的热门数据科学家来施展魔法的想法，而是建立了由更多初级但有能力的人组成的团队，”约翰斯顿说。 他认为，如果遵循某些原则，这种战略几乎可以在任何地方取得成功。 “你必须赋予他们成功的权力，”约翰斯顿说。 “为他们提供数据、云计算和他们需要的任何工具。”
约翰斯顿还建议管理层应该对分析团队保持宽松的控制。 “一个以高效率交付的有效团队不需要一小群人对任何其他人行使权威，”他说。 “自然地，任职时间越长的人会承担稍微高一点的责任，这仅仅是因为他们更有经验，并且可能更了解如何完成手头的任务。”
管理咨询公司 Navigate 的经理 Phil Schmoyer 表示，业务部门代表应该从一开始就参与分析项目规划，从确定要跟踪的指标到审查数据可视化仪表板。 另一方面，培训业务经理和员工解释数据不应该是一个主要问题。 “如果一个分析团队表现最佳，就不需要培训人员来解释结果，”他说。 “[工具] 的设计应该让业务部门能够直观地消化信息。”
解开谜团
Honaman 建议 IT 领导者抛开他们对分析的恐惧和怀疑，转而专注于手头的挑战：让决策者掌握可操作的见解。 “营销人员、供应链从业者、财务负责人和运营主管都对分析有兴趣和投资，这在与空间相关时创造了新的复杂性和政治，”他说。 IT 的作用是以任何可能的方式帮助创建干净、可用的数据和洞察力，以推动和推动业务决策。
IT 领导者不应将分析视为难以理解的谜团，而应努力帮助数据专家获得成功所需的数据和工具。 Johnston 说：“我们经常看到，由于强加给数据科学团队的官僚限制而不是缺乏人才，导致缺乏成功。” 他指出，例如，看到组织使数据访问过于痛苦以至于不值得追求并对可用工具施加严格限制的情况并不少见。 “这些限制很容易将生产率降低三倍或更多，”约翰斯顿说。 “你想要留住的那种雄心勃勃的人不会在这样的环境中待太久，自然选择会给你留下一个由温顺和缺乏创造力的人组成的分析团队，这些人不会提供他们所期望的价值。”
