数据分析已经成为企业最重要的业务和技术优势之一，让企业能够深入了解自己在运营层面的所有情况，从而在竞争中获得优势。
研究公司Gartner在今年早些时候预测，2017年将是数据和分析成为主流的一年，该技术已经开始为转型的企业创造价值。Gartner同时还指出，数据分析的方法正在变得更加整体化，开始涵盖企业的所有业务和流程。Gartner的研究报告显示，数据分析将推动现代的商业运作，而不是仅仅反映绩效。企业将创建端到端的IT架构，实现企业从核心到边缘的数据管理和分析;高管们将数据和分析作为业务战略的一部分，让数据挖掘和分析的专业人员承担新的角色并创造业务增长。
公司也正在为分析工具投入大量资金。国际数据公司(International Data Corp.)在2017年3月的一份报告中预测，今年全球大数据和业务分析的收入将达到1508亿美元，比2016年增长12%，该公司预计这种增长趋势将会持续到2020年，届时收入将超过2100亿美元。
然而，虽然所有企业都加强数据分析应用，但许多企业却陷入了危害或浪费分析真正价值的陷阱之中。根据IT领导者和行业专家的观点，以下七种错误的数据分析方式会导致企业的失败。
1. 不知道自己在找什么
如果不知道在数据中需要获得哪些具体的趋势或信息，那么CIO怎么能期望从中获得真正的价值呢?
“分析过程中最大的问题是不知道你在找什么数据，”德勤分析公司的高级顾问汤姆·达文波特(Tom Davenport)说，他也是《竞争分析：竞争的新科学》一书的作者。达文波特说：“数据挖掘背后的理念，是让系统找出数据中的有趣之处，但许多公司正在误入歧途。哪怕简单的使用机器学习，从数据关系的角度来了解你正在寻找的东西也是很有帮助的。”
Weather.com质量保证经理Todd Eaton说：“Weather.com强调寻找‘知道如何查询数据的人’，并告诉公司一个完整准确的数据说明。合适的人对使用数据来回答问题充满激情，然后愿意不断质疑自己的发现，确保数据不仅适合叙述，而且能够清晰的解释我们所看到的，并帮助我们预测未来发展的方向。最重要的是，每个员工都知道我们正在试图找到数据和我们的总体目标，从而收集一致的测量数据。”
启动分析工作时，没有成功秘诀。不过通用电气公司首席数据官克里斯蒂娜·克拉克(Christina Clark)表示：“数据团队把重点放在优先级是最正确的，许多团队往往会失败，是因为他们希望一次解决太多的业务需求，最终顾此失彼，没有产生有意义的影响，从而失去了高层的支持兴趣或资金。”
2. 建立(维护)自己的数据基础设施
建立和维护自己的大数据基础设施可能是一个巨大的诱惑，但这可能会危及你的分析工作。网络安全公司Vectra的首席技术官Oliver Tavakoli表示：“除了实际开发更好的分析环境以外，这通常浪费了大量数据科学家的时间。过去我们知道企业需要大量的数据来进行分析，IT必须能够实现其它业务需求。因此我们买了一堆有大量磁盘容量的服务器，把它们放在我们的合作工厂，我们用Apache Spark创建了自己的Hadoop集群，并让我们的数据科学家编写Scala代码与集群进行交互。有时由于硬件故障，群集会中断，更多的时候是由于软件故障。软件包将会过时，这会导致在数小时内集群不可用。”
Tavakoli补充说：“最后我们终于有了足够的资源，决定将这部分问题外包出去。Vectra与外部供应商合作，之后花费的时间很少。现在我们几乎把所有的时间都致力于将数据提供给系统并分析其中的数据。”
3. 分离数据，而没有统一数据
长期以来，企业一直在努力解决“数据孤岛”问题，实现各部门的信息共享，从而使整个公司受益，而同样的挑战也存在于数据分析领域中。
营销公司Zeta Global的首席信息官Jeffry Nimeroff说，一个最佳实践就是统一不同的数据。
Nimeroff表示：“每一个数据仓库都会在彼此之间产生障碍，但这里可以产生价值。比如，想一想丰富的用户配置文件，或是连接或断开网站的活动数据，这些可以相互连接的数据越多越好，因为从这些联系中可以获取更多的预测机遇。但这并不意味着必须将所有数据从原始系统移动到一个整体。相反，我们使用现代集成技术的某种功能来提供统一的数据视图，而这是在当前系统中进行的。”
4. 没有良好的数据管理
如果您正在分析的数据不准确、不是最新的，而且没有条理，则数据分析的价值可能会急剧下降。
Nimeroff说：“数据垃圾的进入与排出，是原始业务数据总量和范围扩大时常见的问题，最好的数据分析团队要能够质量渗透。因此，建立合理流程和利用技术来执行质量筛选是一个很好的方法。在流程方面，确保流程的可重复性以及对结果的可审计性是非常重要的。在技术方面，部署数据质量工具，包括分析、元数据管理、清理和采购等，有助于确保更好的数据质量。”
Tavakoli说：“组织需要使用工具来‘清除碎片’，即不完整和损坏的数据。并且要从不同来源获取数据，使其更加兼容和易于理解，并尽可能简化分析。使数据结果更加直白简易，以便团队的所有成员都了解各种数据的意义。”
“高质量的数据是产生有用见解的关键因素”，技术服务公司Incedo首席执行官TP Miglani说，“你需要建立数据仓库和数据湖，把结构化和非结构化的数据汇集在一起，成功的IT组织会确保他们提高数据的质量，计算缺失值，准确地标记数据。”
良好的数据卫生也意味着尽可能的保持数据的更新。Nimeroff表示，：“数据新鲜要求数据师必须了解当前数据采集的及时性。显然，一个系统越实时，数据的新鲜度越好。企业也可以通过使用第三方服务来加强您现有的技术和流程。”
5. 高级主管的领导力不足
与其他类型的重大IT项目一样，没有数据分析项目的高级管理人员领导，分析项目也是一纸空谈。
Miglani说：“分析团队的目标，是将数据与公司的战术和战略决策相结合来产生洞察力。 一个失败的例子，就是如果一个数据科学团队做了大量的数据分析，开发出了准确的预测模型，但是却并没有被实施，因为它需要符合企业和文化的变化。
克拉克也表示：“构建数据管理的基础需要持续多年的努力。数据和分析团队需要推动的一些工作，不会马上就产生立竿见影的效果，这可能与业务合作伙伴的预期不一致。因此数据分析成功需要IT主管的领导力，并努力教育业务合作伙伴，以实现更多数据驱动的愿景。”
6. 忽略中层和低层管理
如果离开了数据科学家和其他专家，数据分析就可能不会那么成功。
Astea International的首席运营官David Giannetto表示：“如果没有中低层管理人员的积极参与，分析团队提供的信息往往不能真正帮助管理团队更好地完成工作，以及管理软件。Giannetto说：“信息将是定向的，指出更多的流程缺陷和可以改进的领域，而大多数管理者从来没有多余的时间。只有当团队由真正了解业务的人，与业务实际上每天需要访问的信息相结合时，交付的信息就足以对业务产生积极的影响。“
Giannetto指出，如果数据分析结果能够告诉用户真正的问题在哪里，哪些地方可能会出现问题，那么他们就有足够的时间来阻止问题发生，他们每天都会使用这些信息，也取得了巨大的成功。
7. 缺乏支持良好数据分析的文化和技能
对于企业来说，这是一个普遍的问题，很大程度上是因为数据科学这样的技术很难实现。但是，如果数据素养不成为公司文化的核心，那数据分析失败的可能性更大。
“对于不熟悉分析的人来说，数据科学被认为是解决问题的一种神奇的方式，”Miglani说， “预测和自学的概念很难让人理解，CIO很难说服你的商业伙伴对不可预知的算法长期给予支持，因此你需要先教育他们。”
而且IT机构也一直努力寻找具有分析技能的数据科学家和其他专业人员。Miglani说：“培养这种能力的最好方法之一是培养这种才能，而不是在组织外寻找行业大咖。因为许多项目的失败或者推迟，是因为公司无法按时聘请分析人员，或者失去了高级人才。”
原文链接：https://www.cio.com/article/3235959/analytics/7-sure-fire-ways-to-fail-at-data-analytics.html
