市值200亿美元的全球制造商创建了一个“数字分析办公室”(Digital Analytics Office)，以加快获取洞察力的速度和扩大运营规模。
你已经听过这样的大肆宣传：数据是“新石油”，将推动下一代业务模型的发展，并提高很多工作的效率。对于某些公司而言，这一愿景只在PowerPoint幻灯片中才能实现。而在西部数据公司，这已成为现实。在首席信息官兼数字分析办公室(DAO)主管史蒂夫·菲尔波特(Steve Philpott)的领导下，西部数据正在通过一个灵活的平台使其数据和分析功能可以面向未来，该平台可以收集和处理数据，使不同利益相关者实现业务价值。
作为计算机硬盘驱动器(HDD)的制造商和数据存储公司，西部数据已经拥有精通技术的利益相关者，他们对利用数据来推动产品开发、制造和全球物流方面的改进有着无限的渴望。公司产品的性质就要求工程师为新数据存储设备设计出最高效的方案，同时还要在竞争激烈的市场压力下保持利润率。
在过去的几年中，由于西部数据公司将三家公司合并为一家，这就需要保证数据的质量和互操作性，因此史蒂夫及其团队采取了一个重要的行动，以制定一个能够实现以下目标的数据策略：
- 缩短决策时间
- 提升运营效率，降低成本
- 启动自助服务以增强人员能力
- 以灵活的方式扩大技术规模，但又不影响将来业务的敏捷性
为了实现这些业务目标，西部数据公司团队专注于以下方面：
- 推动企业文化变革的管理和培养
- 取得一系列的速效成果，以实现价值和建立信誉
- 获取数据科学技能和建立人才管道
- 设计一个具有联合运营模式的分析办公室以扩展其职能，可作出明智的抉择，并侧重于“单项工作而非所有工作”以保持工作势头
- 在云端和边缘技术方面进行设计，并开发面向未来的技术，同时保持数据的管理和质量
通过让企业能够改善协作能力，提升客户满意度，缩短获取洞察力的时间，提高制造产量，并最终节省成本，该分析工作的进程已显现出重大回报。
推动文化变革管理和培养
高效的首席信息官必须利用组织内的热情去发现可能性，同时还要管理期望值，并灌输一种信心，让人们认识到首席信息官所推荐的是一条最佳行动路线。对于任何技术趋势，其成熟度周期的顶峰都会带来革命性变革的希望，但许多组织的实践过程在本质上则更具渐进性。“并不是所有东西都是机器学习用例，”史蒂夫说。他首先是查找公司要解决的一些问题，然后才开始专注于解决方案。
然后，史蒂夫和他的团队进行了宣传工作，以分享公司目前的数据和分析能力以及未来的机遇。其团队向具有不同技术能力的听众进行讲述，以解释公司如何可以更有效地利用数据和分析。
史蒂夫认识到，尽管战略性地利用数据的愿望非常强烈，但内部数据科学家根本不足以实现公司的目标。而在各个职能部门中各个孤立的分析能力团队间的竞争也带来了额外的挑战。史蒂夫的团队会问道，“我们是否能像职能分析团队那样快速做出响应?”
为了成功地对西部数据公司的分析能力进行转变，史蒂夫必须建立一个合作伙伴生态系统，构建并启用一些所需的技能，并提供一些可扩展的工具来释放平民数据科学家的能力。他还必须向精通技术的业务合作伙伴表明，他可以提高业务部门的价值，而不会成为官僚主义和瓶颈。史蒂夫指出，通过实施以下措施，“我们证明了，我们通常比职能分析团队能更快地做出响应，因为我们可以利用分析功能构建模块更灵活地来组合不同解决方案。”
通过递增价值实现速效成果，同时推动解决方案进行规模化
史蒂夫和他的团队信奉的口号是“成功孕育机遇”。这个被称为“高效能计算”小组的IT团队，并非去要求数千万美元的预算和夸大期望值，而是追求快速取得成果以建立信誉。在找到了数百个数据源之后，该团队根据用例是否为可解决的最有效点，同时又能清楚地展现增量价值，而对各种用例进行了优先排序。
例如，该团队开发了一个名为DefectNet的机器学习应用程序，以找出硬盘介质表面的测试失败模式。初步测试结果表明，有望通过介质表面的空间分布对图像进行检测和分类。然后，过程工程师可以跟踪与制造工厂内中上游设备相关的模式。从最初的构思原型开始，该解决方案就逐渐发展形成规模化，然后扩展到计量异常检测中的用例。现在，生产中的每个介质表面都要经过该应用程序进行分类，而且该解决方案可作为一个平台，被多个工厂用作图像分类应用程序。
在开发用于模拟工厂中物料移动和配送的数字化双胞胎时，也采用了类似的测量方法。最初的解决方案侧重于在西部数据公司晶圆制造业务中模拟物料的移动。通过智能配送而实现的递增价值提供了支持和动力，从而可以通过一系列学习周期来发展该解决方案。一个适用范围狭小的原型再一次成为了一个平台解决方案，目前可为多个工厂提供支持。这种方法的一个优点是：在新工厂的部署工作会重复使用80%的原有已开发的资产，而仅剩下20%需要根据具体现场情况进行定制。
开发“数字分析办公室”混合运作模式
在其团队赢得可以为组织带来帮助的声誉后，史蒂夫成立了数字分析办公室，其使命是“大规模加快分析工作，以更快地创造价值。”由数据科学家、数据工程师、业务分析师和学科专家组成，该团队旨在为企业提供联合分析能力。数字分析办公室与也拥有自己的数据科学家的业务团队进行合作，解决具体的难题，这通常涉及将分析能力投入生产中，将这些能力规模化，以及确保其具有可持续性。
数字分析办公室会跨多个职能部门开展工作，以找到哪些部门在为相同的目标开发不同的解决方案，同时会使用不同的方法，获得不同的结果。在企业支持的方法和机器学习平台上进行标准化，可使业务团队更快地获取洞察力，并会创造更高的价值。
为了赢得更多关注，数字分析办公室组织了一次黑客马拉松活动，将90名工程师分成23个团队，他们花了三天的时间为一个具体用例来制定解决方案。然后，一个评审小组对方案陈述进行打分，对用例所获得的评分进行排名，然后为最有前途的项目给予资金支持。
除了利用黑客马拉松活动来产生新的需求外，业务合作伙伴还会为数字分析办公室带来新的想法。这些想法将提交给分析指导委员会，以确定其业务价值、优先级以及是否批准成为新举措。然后，一项新举措会在一系列冲刺过程的“快速学习周期”中进行迭代，以向指导委员会展示其价值，然后决定是否维持或扩大资金支持。这使西部数据公司可以明智地做出抉择，并侧重于“单项工作而非所有工作”以保持工作势头。
建立数据科学技能
史蒂夫说：“要做好准备，但要提醒一下：数据科学家将是限制因素，而并非技术。”他在西部数据公司的数字化进程的早期就认识到，他需要在头脑中将培养技能的问题进行转变。
理想的数据科学家是受好奇心所驱使的，并会超出数据的单一维度或平面来提出“如果……会怎样”的问题。他们可以理解和构建算法，并具备业务流程中的课题专业知识，因此他们知道在哪里寻找获取洞察力的细微踪迹。史蒂夫发现，这些独角兽仅占公司中数据科学家的10%，而另外90%的数据科学家则必须与学科专家配对，以将理论知识与业务流程知识结合起来才能解决问题。
虽然将这些人配对在一起并非不可能，但是效率很低。作为回应，史蒂夫并没有问如何培训或雇佣更多的数据科学家，而是问：“我们如何构建自助服务机器学习功能，而它仅需要具备类似SQL的技能?”西部数据公司开始探索谷歌和亚马逊公司的自动机器学习功能，该机器学习功能可产生更多的机器学习功能。该愿景是为了抽象出在设计算法时所涉及的更复杂的技能，以便可以培训业务流程专家自己进行数据科学研究。
设计与面向未来的技术
许多组织都采取了错误的步骤，即仅就技术来制定数据策略。这种方法的局限性在于，企业会承担过度设计解决方案的风险，并且难以快速产生价值，而当产品上市时，该解决方案可能已过时。史蒂夫意识到了这种风险，然后指导他的团队开发一种技术架构，该架构可提供核心构建模块，而无需锁定某一单个工具。这种适用于特定用途的方法使西部数据公司能够通过一个灵活的平台让其数据和分析功能面向未来。此架构的三个核心构建模块是：
- 利用大数据平台收集数据
- 利用分析平台处理数据和管理数据
- 通过嵌入在业务功能中的数据加快创造价值
设计与面向未来的技术：收集数据
第一步是能够收集和存储数据，并定制成符合每个公司业务模型的方式来访问数据。例如，西部数据公司拥有重要的制造业务，这些业务需要亚秒级的延迟以在边缘进行本地数据处理，而其他业务功能则可以为核心业务提供云端存储。在这两类业务工作中，西部数据公司每天在其分析环境中使用80-100万亿个数据点，而更多的分析计算能力会推向边缘。该公司还会基于必须要进行分析的数据的频率，优化数据的存储位置，将数据和技术堆栈脱离。如果该数据一年仅需要几次，那么最好的低成本选择是将其存储在云端。西部数据公司的公用数据存储库会跨越所有生产环境中的流程，并且其结构可通过各种类型的处理功能来进行访问。
此外，随着西部数据公司的用例越来越多地依赖于低延迟，显而易见，他们需要将基于云端的大数据功能更靠近于产生数据的位置。西部数据公司希望通过提供自助服务架构来为用户群体提供支持。为此，该团队开发并部署了一个称为大数据平台边缘架构的PaaS(平台即服务)，该架构使用西部数据工厂中的云原生技术和DevOps最佳实践。
面向未来的技术：处理与管理数据
利用要进行分析的数据，西部数据公司提供了一套工具，该工具允许其组织提取、管理和维护主数据。从开源的Hadoop到多并行处理、NoSQL和TensorFlow，数据处理功能是基于用例的复杂性以及数据的数量、速度和种类而量身定制的。
尽管这些技术会随着时间的推移而发展，但西部数据公司将继续进行数据管理和保持数据质量。在西部数据公司，每个人都要对数据质量负责。为了培育这种文化，IT团队组建了一个数据管理小组，该小组会在进行数据质量交付过程中查找、训练和指导数据管理员。由于有了明确的数据资产所有权，对数据集的信任度和其价值就可以提高。
除了保证数据质量具有所有权之外，数据管理小组还负责平台决策，例如如何构建数据仓库，以便使多个利益相关者可以正常工作。
面向未来的技术：实现价值
在具体场景中所应用的数据会将数字和字符转换为信息、知识、洞察力，并最终产生行动。为了在业务流程(无论是查看过去数据，查看实时数据，预测未来数据)中实现数据的价值，西部数据公司开发了逐步升级的四层功能：
- 可视化
- 临时查询和预测性分析
- 人工智能驱动的商业智能
- 人工智能驱动的学习
通过以这种方式设置分析服务产品，业务合作伙伴可以使用正确的工具来完成相应的工作。数字分析办公室并没有明确地告诉人们该使用哪种工具，而是侧重于在该指导原则下使用适合于特定用途的工具集：所构建的任何东西都应具有一个清晰、安全和可扩展的路径来启动，并具有重复使用的可能性。
该平台的重用能力大大地缩短了规模化扩展和业务提升的时间。
在整个转型过程中，针对公司如何利用数据分析作为竞争优势的来源，史蒂夫·菲尔波特和数字分析办公室已帮助西部数据公司提升了思维方式。联合运营模式、新的数据科学工具以及致力于数据质量和数据管理使公司能够打造自己的未来，同时专注于解决核心业务问题，而不管技术潮流如何变化。
