的意见

的意见

• 数据挖掘中的治理、遵从性和伦理:独立但平等

  在对数据的伦理挖掘和分析中，错误地将治理、合规和伦理混为一谈。数据管理人员需要了解关键的差异。继续阅读

• 假设商业计划模拟在它的预测最好

  模拟及时和准确的业务场景是预测战略计划的性能、陷阱和好处的一个必要的竞争武器。继续阅读

• 增强分析揭示了事物隐藏的一面

  增强分析技术的兴起使企业能够在数据中找到相关性，这些相关性很可能是运营效率和成本节约的关键差异。继续阅读

• 人力资源指标和分析使员工更有价值

  利用指标和分析来改善物流、运营和预测是很好的第一步，但还不够。你的员工是需要优化的最重要的资源。继续阅读

• 商业智能和人工智能是天作之合

  尽管目前人们认为商业智能和人工智能是两个独立的学科，但人工智能驱动的智能是一个应该得到更多关注的想法。继续阅读

• IBM的沃森分析(Watson Analytics)取得了长足进步，但却给人一种不好的感觉

  沃森分析是一个强大的领域，包括谷歌和Adobe。它的性能确实如广告所示，但IBM的人工智能驱动的分析技术还有很多不足之处。继续阅读

• 流数据分析给项目团队带来实时压力

  一个能够支持流分析应用程序的实时数据架构是一个诱人的，但又令人生畏的前景，组织希望快速采取行动的信息。继续阅读

• 说明性模型将分析更进一步

  描述性分析是强大的。预测分析,华丽。规范的分析?也许很无聊，但对改善企业运营同样重要。继续阅读

• 预测分析工具依赖于良好的数据和业务专长

  预测分析帮助企业保持竞争优势，但只有在正确的数据。即便如此，最先进的分析工具也无法取代专业知识。继续阅读

• 不要让数据驱动的方法从分析方程中做出判断

  数据分析可以帮助改善组织的决策。但是人类的直觉和判断需要成为这幅图景的一部分，以防止预测模型和分析算法出错。继续阅读

• 机器学习模型接管了软件行业

  就像几年前软件占领了更广泛的技术行业一样，我们开始看到机器学习算法主导软件。出现这种趋势是有充分理由的。继续阅读

• 新兴分析工具挑战主导的大数据理念

  物联网和认知计算等分析技术意味着我们不可能掌握某一特定主题的所有数据。那么，这对大数据意味着什么呢?继续阅读

• 体育数据分析并不总是很有把握

  体育分析的发展趋势引起了很多争论，即使数据驱动的决策可以提供一些好处，但它们并不适用于所有场合。继续阅读

• 向你的CEO推销商业智能软件工具

  说服高管和其他员工采用商业智能软件仍然是一件非常困难的事情。如果你没有在内部销售BI的好处，这可能是原因之一。继续阅读

• 不要只是购买新的BI工具中的数据连接器

  数据分析工具层出不穷，可以轻松连接到各种数据源。虽然这些技术很有前景，但用户需要谨慎地使用它们。继续阅读

• 数据分析工具不会创造数据驱动的文化

  企业希望更多地受数据驱动，供应商也在利用这一需求，提供时髦的、自助的工具。但是，是文化，而不是工具，创造了一个数据驱动的组织。继续阅读

• 客户数据分析团队呈现出更律师化的面貌

  在一些组织中，公司律师的任务是保护数据不被分析滥用。但他们需要避免束缚数据科学家的手脚。继续阅读

• 数据科学方面的工作并不像所有炒作所显示的那样多

  这些天，似乎每个人都在谈论数据科学家。人们对这一职位的普遍兴趣在持续增长，但这并不会导致雇主的就业机会相应增加。继续阅读

• 将数据分析方法普及到大众

  许多普通大众，包括企业高管，并不真正理解分析是什么。应该由数据科学家来教育他们。继续阅读

• 对于网络安全分析，企业已经没有借口了

  尽管企业有安全分析工具可以阻止这一问题，但重大数据泄露事件仍在不断发生。继续阅读

• 谨慎、有目的地处理大数据项目

  IT观察家告诫组织不要为了数据而数据，而应把重点放在解决当前业务问题的最佳技术上。继续阅读

• 将你的数据分析技能提升到一个新的水平

  无论你在哪个行业工作，如果你缺乏基本的分析能力，你就有可能落在后面。采取积极主动的方式最终可能会节省你的时间，并为以后的工作省去麻烦。继续阅读

• 对大数据技术趋势的担忧是有根据的

  对大数据技术趋势的批评可能有些过火，但支持者不应忽视这些批评。继续阅读

• 云中的BI:找到你的幸福

  在办公场所外托管商业智能可能看起来很可怕，但很快它将成为企业生活中必不可少的和正常的一部分。最大的好处是了解地形。继续阅读

• 分析建模既是科学也是艺术

  模型是预测业务决策结果的关键。虽然数学可能会让他们做事，但也需要一定的眼睛和耳朵来判断什么是有效的。继续阅读