强大的数据分析技术是数字化企业的当务之急，而这一切都始于数据治理、合适的策略以及重视关注数据的企业文化。
据CIO.com的《2020年CIO行情》调查报告显示，数据和分析仍然是数字化时代企业组织的重中之重，37%的IT领导者表示数据分析在其IT投入中占有最大的比例，超过安全和风险管理。
鉴于这么大比例的支出用于分析，拿出成效的压力可想而知。不过这个领域的专家表示，CIO及企业其他高管的表现不尽如人意。毕马威合伙人兼主管数据和分析的美国负责人Brad Fisher表示：“要使这些计划达到目标面临着重重挑战。”
以下是阻碍数据分析计划成功的四大方面：
1. 糟糕的数据基础
Gartner的统计数据证实，大多数企业组织都认为数据至关重要，近80%的高管在2019年的一份调查中表示，如果未有效使用数据，他们的企业将失去竞争优势。不过Gartner还发现，超过一半的企业组织并没有正式的数据治理框架和专门的预算。
缺乏此类基本要素会阻碍企业组织实现目标。
Roy Singh是贝恩公司(Bain & Co.)的合伙人，也是该公司高级分析和企业技术业务团队的成员。他说：“你需要非常用心。如果不用心，就可能看不到价值。”
如果没有全面实施的数据治理计划，企业组织别指望可以落实稳健的数据健康做法。它们无法访问或集成所拥有的数据，因为这些数据仍然在部门孤岛中搁置着。这些部门甚至不知道需要什么数据才能确保卓有成效。
Edward Matthews是波士顿大学大都会学院的一名讲师，还是Partners HealthCare的一名高级IT安全工程师。他说：“企业存在很多信息孤岛，一些部门在做一些同样类型的事情。其他企业之所以未成功，是由于它们拥有脏数据，或者选错了数据集，或者将数据集错误地馈送到仪表板。这些企业自认为有良好的计划，直到查看框架后才意识到并非如此。”
Matthews表示，此外，许多企业组织没有合适的基础技术来实现其目标，因为它们追求的工具可能会带来丰厚的回报，但并不适合自己的要求。或者反过来，它们坚持使用无法实现增长的工具，因为它们一开始就没有制定可靠的策略。
如果IT领导者为数据计划制定一项策略(或更好的是，设立一个卓越中心)，可以做好成功所需的基础工作，包括数据治理、责任制、数据计划各部分的所有权、所需的基础架构、培训要求、战略目标和领导力。
Matthews提到他曾工作过的一家慈善机构采取的做法就是个典型案例。那家机构致力于为分析计划提供适当的资金，成立了分析团队，并任命一名高级副总裁来领导。
Matthews说：“他们处于领先位置，不断研究外部有哪些能力，向公司提供信息，这证明了分析团队的价值。该团队发展壮大、灵活应变;他们并没有锁住特定的数据集，忽略其他数据，而是不断思考核查数据的新方法，他们一直在考虑新技术。就这个例子而言，CIO有先见之明，设立团队，聘请合适的人来领导团队。”
2. 错误的策略
另一方面，企业组织也不应将分析视为一项孤立的任务。经验丰富的分析领导者表示，他们看到CIO想一步到位——比如建立数据湖和实施价格昂贵的基础架构，以快速启动分析项目。他们交付了项目，随后却发现技术未充分利用起来或被人忽略。
与其他任何技术型项目一样，最好实施针对性的解决方案，可以向用户表明价值。
塔塔咨询服务公司副总裁兼业务流程服务和分析部门全球负责人Dinanath(Dina)Kholkar说，在开始踏上数据之旅时，可先针对数据项目有望带来价值的某个方面，随后实施分析技术。这种做法使团队可以清楚地定义目标，并确定实现目标所需的数据和工具。换句话说，这种做法确立了易于管理和实现的目标，能够带来可衡量的价值。Kholkar说：“然后便可以向企业其余部门表明数据分析的价值所在。”
他补充说：“业务部门想看到结果。他们没有耐心等待大型的转型项目。就算未能获得100%的成效，他们觉得也没问题。如果一开始能获得60~70%的成效，他们觉得就行，随后可以在此基础上得到逐步的改进。因为如果你拿出了成效，就比较容易获得下一批资金。牢记这一点非常重要。”
同样，专家建议CIO应对分析计划采取一种迭代式方法，而不是追求一蹴而就的技术项目。
Singh说：“这需要一种互动性和试验性的做法，IT、业务和数据团队都以一种敏捷模式协同工作，这3个部门之间密切互动，能够进行试验、检验假设。”
Forrester的副总裁兼首席分析师Brian Hopkins提到，一家零售商制定了一项为期三年的数据策略，每年增加投入，而不是一次性前期投入来实施计划——这种方法认识到需要不断地添加和改进。
Hopkins补充道：“该公司发现，与数字计划一样，一旦你开始了分析计划，就不应停下来。每年都要增加投入以推动数据策略。”
此外，决定这些迭代式投入的是不断发展的业务需求，而不是出现在市面上的新技术能力。企业组织应根据具体的业务方案打造分析能力，采用更先进的工具逐步扩展数据计划，并使更多用户能够解决日益复杂的问题。
Matthews说：“CIO需要考虑迭代，实际上可能需要多次迭代。他们要根据市场形势和企业要完成的目标，不断核查数据计划，同时要试用新工具，与旧工具比较一下优劣，如果发现新工具可以提供新信息，那就积极采用新工具。”
3. 无法兼顾自由与控制
高管们表示，尽管在分析计划上作了大量投入，但仍未获得理想的效果。
NewVantage Partners在其《2020年大数据和人工智能高管调查》中发现，接受调查的70家公司中，74%的受访者将公司采用大数据视为老大难问题。
Singh称，未能认识到并尊重不同的用户需求是导致该比例高启的一个因素。他看到，一些数据领导者允许本企业的每个业务部门实施各自的数据策略，却没有制定整个企业适用的统一标准，这种做法导致效率低下，并使许多用户群体因未得到任何支持而陷入困境。
Singh表示，其他企业组织则走了另一个极端：集中一切，这使得精明的业务用户无法迅速扩展规模，还使得整个企业无法充分发挥整个计划的潜力。
Singh解释说，如果IT领导者认识到需要在这两个极端之间制订某种平衡兼顾的分析计划，并且能适应本企业内用户的不同需求，则最有希望取得成功。
他补充说：“你需要既完全集中又完全分散，两者之间的平衡会逐渐变化，也许一开始会倾向于集中。”
Singh提到了一家公用事业公司采取的做法。其领导者致力于打造分析能力时，意识到这家能源贸易集团在数据科学方面有丰富的经验，于是他们构建了一个自助服务平台，该平台符合该公司的数据治理标准和技术要求。但是他们还意识到其安全部门在分析方面经验不足，于是又为享有集中式支持的那些用户制定了一项策略。
4. 疏忽改变文化的要求
不过，高管们需要设计的不仅仅是与战略目标相一致的整体数据计划。他们还需要改变企业文化，以便用户积极使用实时的数据驱动型洞察力，并将与数据互动视为常态。塔塔咨询服务公司的Kholkar说：“这是整个业务范式的转变，企业组织需要为这一变化做好计划。”
大多数企业组织没有这么做。据NewVantage Partners的报告显示，接受调查的公司中只有38%已打造了数据驱动型组织，只有27%认为已在公司内部打造了数据文化。
此外，91%的公司表示，人员和流程方面的挑战是成为数据驱动型组织的最大障碍。
托马斯·杰斐逊大学和费城杰斐逊健康公司的执行副总裁兼CIO Nassar Nizami一直在使其组织的数据计划日趋成熟，他采取的方法是满足技术需求，比如采用统一的数据和分析工具、管理数据仓库，以及使数据计划的优先事项与组织的整体战略相一致。
不过他并不满足于此，推出了一项名为杰斐逊分析社区(JAC)的培训计划，推动所需的文化转变。打出的口号是：“难以获取数据?不妨了解一下JAC。”
Nizami说：“推出JAC时，我们的愿景是设立一种联合模式，精心治理的自助服务分析由运营负责人来决定。”他补充说，目标是促进用户采用分析工具，从“数据丰富”的组织向数据驱动的组织转变，并推广自助服务数据，旨在提高生产力，并缩短周转时间。
Fisher表示，其他CIO及高管合作伙伴也需要亦步亦趋，将分析计划从“获取洞察力的独立计划”变成融合到业务流程中的计划，以便用户将其视为常态。
Fisher说：“用户不知道也不在乎所有数据源有哪些，或者数据科学有多新潮。他们需要一走进办公室或掏出手机，就能获得完成工作所需的信息。因此，信息需要看起来像是应用，而这正是CIO熟悉的方面。”
