AG Visuell - Fotolia
克服前三名分析采用挑战
分析是许多企业的成长部分。专家谈论在实施新的分析策略时，企业可能面临的一些最紧迫的挑战。
分析是制作智能业务决策的关键，但并非每个分析采用项目都成功。项目更重要，障碍越大。
数据供应商Appen于6月23日发布的一项针对高级技术高管的调查显示，近75%的受访高管认为人工智能对他们的成功至关重要，但近一半的高管表示，他们的公司在这方面落后了艾旅程。
同样,IDC报告估计，所有AI和机器学习举措的近三分之一 - 28％失败。根据IDC的说法，这些项目失败的一个主要原因是由于数据不足。专家表示，另一个主要挑战是缺乏利益相关者买入。
数据，数据到处都不是分析的下降
史蒂夫斯特维斯史蒂夫斯史蒂夫斯（Insight）的高级管理顾问，正在使用大型美国制造公司在分析采用项目上，当他遇到一个大规模的数据问题时。
“这家公司必须拥有50到60个不同的源系统，每个系统都是运行像一个不同的国家,”他说。
一些系统具有出色的数据质量，而数据质量在其他系统中不存在。
“能够将所有东西拉到一起可能非常具有挑战性，”Strohl说。“我们为同一客户有150个不同的拼写 - 他们被视为系统的不同客户。我们无法将该客户连接到组织中的任何其他系统。”
该公司浪费了一年，距离截至五百万美元，最终不得不退后一步数据质量项目第一。Strohl说，公司最终所做的是创建一套一致的业务规则，为他们的数据创建一个坚实的框架，然后进行清理。
“分析只是你正在工作的源数据，”他说。
Venkatesan Sukumaran，Tata Consultancy Services的商业分析负责人，发现了一个类似的澳大利亚银行的问题。
“企业中的非结构化数据的水平已成为与之相关的数据源数量非组织性数据正在爆炸，“他说。
一些数据也来自外部合作伙伴。Sukumaran说，解决这一增加的复杂性和随之而来的成本需要改变思维方式。一旦银行开始寻找其他方法来解决这个问题，他们就决定转移数据和分析到云端，影响存储成本，加工的速度和成本以及市场的时间。
“所有三个方面都取得了有形的成果，”他说。
基于欧洲的另一家银行正在使用分析来确定金融产品或提供给哪些客户的服务。
“他们有很多产品，每一个坐在单独的系统上，不一定互相交谈，”Sukumaran说。“所以你在客户级别没有优化。”
例如，客户可以提供产品，但客户不符合银行的风险要求，或者为该客户提供不恰当的价格。银行能够解决这个问题立即数据挑战用机器学习项目创建一个统一的客户视图。
但要解决更大的问题 - 缺乏一致的企业范围的数据策略 - 该银行为首席数据官创造了一个新的职位。
“这有助于引入集中化治理和流程标准化，”Sukumaran说。它还帮助银行创建了一个更强大、更灵活的it环境，为处理快速增长的数据集做好了准备。
我们都在同一条赛道吗？
让高层领导就位有助于将业务单位引向同一个方向，但这只解决了将所有涉众集中在一个页面上的部分挑战。最关键的利益相关者群体之一是最终用户。
在灾难恢复公司Sungard Availability Services，一个团队每个月花三周的时间为公司领导层开发报告。该公司希望将团队转移到一个分析平台上Qlik Sense Bi。
“当我们第一次介绍该工具时，他们非常持怀疑态度，犹豫不决，”Sungard可用性服务的企业分析和应用程序股份总监Shreeni Srinivasan表示。“他们坚持要采购服务器和数据库，并聘请一个小型开发团队来自动化报告的数据提取物。”
我们花了几周的时间来解释这个分析工具的特性和功能。花在教育用户上的时间得到了回报，他说。
斯里尼瓦桑说:“一旦团队接受了这个工具，我们就能够实现并自动化创建160张幻灯片的报告。”过去手动操作需要三周时间，现在只需几个小时。
“在意识到该工具的价值后，该团队现在是该工具的最大用户，并向我们组织内的其他团队推荐它，”他说。
类似的教育努力改变了公司的人力资源团队分析。此前，该团队每个月要花几个小时创建员工数据的电子表格，并通过安全电子邮件将它们分发给经理们。
它努力说服团队尝试自助分析仪表板，并证明他们是安全且经济良好的。但现在，他说，经理可以使用自助商业智能工具在需要时立即立即获取最新信息。
最终用户教育核心研究的分析师Daniel Elman表示是Analytics Geation的最大挑战。
“大多数商业用户都没有接受过高级统计和数学培训，”他说。“这一步骤需要在结果中建立用户信任和在结果中的信任。”
公司还应该投资创建一个数据文化，Elman表示，在决策基础上基于数据和部门领导者创建基于数据的关键绩效指标。
缺少明确的目标
即使在手头和所有利益攸关方都有正确的数据，分析项目仍然可以在没有明确，可达的目标的情况下出错。
AI战略和Booz Allen Hamilton的AI战略和培训总监Kathleen Featheringham表示，一个问题可能是人们不了解技术，尤其是何时高级分析，机器学习和人工智能发挥作用。
“他们不明白当前的国家和能力，”她说。
Featheringham表示，人们对新技术的准确性具有不切实际的期望存在不切实际的期望。
“我们认为机器应该是99％100％准确,”她说。“无人驾驶汽车。我们希望他们是完美的，但你知道有谁开车的准确率能达到99%吗?”
业务分析也是如此。如果用户预期分析准确为100％，而且它们的准确性只有70％，它们可能会将该项目视为失败。
“但如果你今天的东西只有20％准确，那么这是一个很大的改善，”Featheringham说。
她说，类似地，许多平台使用得越多，就会变得越好。如果用户希望平台能够正常工作，他们可能会失望。
“模型需要训练，“她说。”没有期望它第一次工作。它现在可能是50％，但在某些时候它会高达80％。“
Srinivasan建议，对于需要新工具和流程的分析采用项目，它有助于如果所选项目提供清晰和显著的好处给用户。他说，模糊的期望或分析魔法决定长期业务问题的想法是分析采用项目失败的常见原因。
“令人惊讶的是，”他说，“许多分析项目一开始就没有明确的目标。”
