在IT業(yè)界中，炒作越多，誤解就越多，數(shù)據(jù)分析也不例外。作為當今IT技術最熱門的方向之一，數(shù)據(jù)分析可以帶來顯著的業(yè)務收益，但是帶來的誤解可能也會阻礙順利地、及時地交付可能讓業(yè)務用戶和最終客戶受益的分析能力。

隨著企業(yè)組織創(chuàng)建或者擴展其分析戰(zhàn)略，這里有十幾個需要揭穿的數(shù)據(jù)分析神話需要他們牢記在心。

神話1：數(shù)據(jù)分析需要大量投資

現(xiàn)在來看，幾乎每一項技術都必須經(jīng)過財務穩(wěn)健性的過濾。“這項技術成本多少?”這個問題是IT和業(yè)務經(jīng)理們在提出啟動新項目或者開發(fā)新工具的時候，會被問到的第一個問題。

有些人認為，數(shù)據(jù)分析的本質是一項成本高昂的工作，因此僅限于那些有著充足預算或者大量內(nèi)部資源的企業(yè)組織。但并非所有數(shù)據(jù)分析項目都需要大量投資，移動和在線房地產(chǎn)服務提供商Trulia副總裁Deep Varma這樣表示。

“現(xiàn)在市場上有這么多的開源工具和其他可用工具，可以幫助你開始展示數(shù)據(jù)分析的價值。你需要很好地了解你的內(nèi)部數(shù)據(jù)存儲和你試圖解決哪些問題。云也讓嘗試用分析來解決業(yè)務問題變得更輕松。”

現(xiàn)代分析“是基于云系統(tǒng)和大數(shù)據(jù)架構的，從定義上看其成本不如傳統(tǒng)數(shù)據(jù)倉庫系統(tǒng)那么高，”咨詢公司EY全球分析負責人Beatriz Sanz Saiz表示。

“而且，數(shù)據(jù)和分析通常用于實現(xiàn)三個結果：改善流程效率、收入增長和主動風險管理?？偠灾瑪?shù)據(jù)和分析的應用，給任何公司帶來了重要的成本收益。”

神話2：你需要大數(shù)據(jù)來執(zhí)行分析

對很多人來說，大數(shù)據(jù)和分析這兩個概念是齊頭并進的。這個想法是說，企業(yè)組織需要在執(zhí)行分析之前收集大量數(shù)據(jù)，以便產(chǎn)生業(yè)務洞察，改進決策等。

大數(shù)據(jù)分析的某些好處已經(jīng)很明確了，那些擁有資源的企業(yè)確實可以通過利用數(shù)據(jù)存儲作為分析的一部分來獲得顯著的競爭優(yōu)勢。但是，大數(shù)據(jù)是分析必不可少的想法是不正確的。

人力資源公司Allegis Global Solutions商業(yè)智能執(zhí)行總監(jiān)Tim Johnson表示：“人們經(jīng)常試圖獲取盡可能多的數(shù)據(jù)，他們聽到大數(shù)據(jù)就會興奮不已。有一個誤解就是，數(shù)據(jù)越多越好，機器會對所有這些數(shù)據(jù)進行篩選。”

但是，分析師們需要的是特定的數(shù)據(jù)，而不是更多的數(shù)據(jù)。Johnson表示：“有95%的用戶在尋求與他們工作相關的信息，來支持決策和改善業(yè)績。”但是企業(yè)組織必須考慮業(yè)務用戶來決定他們需要哪些數(shù)據(jù)，還有如何呈現(xiàn)這些，他們需要的不是數(shù)據(jù)越多越好。

Johnson說：“要能夠以各種方式訪問每一條信息，這有點不太可能，實際上也會阻礙信息的采用。相反，你要找出對他們最重要的信息、你如何以最簡單的形式向他們呈現(xiàn)這些信息。”

神話3：分析可以消除人為偏差

自動化系統(tǒng)執(zhí)行的方式不應該是有偏見的。但是技術是由人開發(fā)的，所以消除所有的偏差幾乎是不可能的。有人認為，分析和機器學習會消除人為偏差。

“遺憾的是，這根本不是真的。我們使用‘訓練數(shù)據(jù)’來優(yōu)化算法和分析，這會重新引發(fā)訓練數(shù)據(jù)所具有的特征。”

在某些情況下，這會給分析結果帶來偏差;有些情況下，則有更嚴重的偏差。Mason表示：“算法這么說，并不意味著回答是公平的或者有用的。”

神話4：最好的算法總是會勝出

事實上，有了足夠的數(shù)據(jù)，“有時候算法并不重要，”Mason表示。在他援引的一篇題為“數(shù)據(jù)的不合理有效性”的IEEE文章中，Google工程師認為，簡單的統(tǒng)計模型，加上非常大量的數(shù)據(jù)，可以比包含了大量特性和總結的“智能優(yōu)越”模型實現(xiàn)更好的結果。

“在某些情況下，僅僅處理大量數(shù)據(jù)就能實現(xiàn)最好的結果，”Mason說。

神話5：算法是安全的

從很大程度上看，人們固有信念中是信任統(tǒng)計模型和算法的，隨著企業(yè)組織建立他們的分析程序，他們越來越多地依賴復雜模型來支持決策。

“因為人們不了解模型、算法和其他先進的數(shù)據(jù)科學實踐，所以人們信任這些。用戶不覺得自己具有挑戰(zhàn)這些模型的知識，所以他們反過來覺得必須信任建立了這些模型的‘聰明人’。”

“在過去50到60年中，我們一直聽到有關于人工智能將在未來20年內(nèi)占主導的說法，我們還會繼續(xù)聽到有人這么說。在我們公然地相信機器學習及其結果之前，我們還有很多沒有涉足的領域。在那之前，我們需要向那些構建了算法和模型的人發(fā)起挑戰(zhàn)，解釋這些答案是怎么來的。這并不是說我們不能依靠結果，而是我們需要透明度讓我們可以信任分析、并對分析進行驗證。”

神話6：數(shù)據(jù)科學是一種神秘的“黑色藝術”

數(shù)據(jù)科學這個學科近些年來受到了很多關注，有時候會產(chǎn)生混淆，數(shù)據(jù)科學究竟是什么?基本上，數(shù)據(jù)科學涉及到使用算法來發(fā)現(xiàn)數(shù)據(jù)中的模式。

“數(shù)據(jù)科學似乎很神秘，因為這些算法能夠分析比人腦能理解的更多變量和更大的數(shù)據(jù)集，”數(shù)據(jù)存儲公司Micron首席信息官Trevor Schulze表示。

Schulze說：“近幾年隨著計算能力和內(nèi)存的擴大，我們現(xiàn)在能夠快速解決10年前技術解決不了的問題。數(shù)據(jù)科學是統(tǒng)計推斷技術的自然演變。一旦你了解了數(shù)學，數(shù)據(jù)科學就沒有什么神秘的地方了。”

神話7：要做更多的數(shù)據(jù)科學，你就需要更多的數(shù)據(jù)科學家

數(shù)據(jù)科學家是當今所有技術專業(yè)人員中最迫切的人才類型。如果企業(yè)組織重新定位數(shù)據(jù)科學家的工作內(nèi)容，那么用更少一點的數(shù)據(jù)科學家就可以做到同樣的事情。

“有很多數(shù)據(jù)科學家的時間是花在了非增值活動上，例如尋找數(shù)據(jù)集、把數(shù)據(jù)放在可以處理的地方、轉換和清理數(shù)據(jù)。鑒于聘請數(shù)據(jù)科學家是很困難的一件事，所以你肯定不是想讓數(shù)據(jù)科學家來做這些低價值的工作吧。”

“Uber的Michelangelo平臺讓數(shù)據(jù)科學家可以專注于功能設計、提取和分析，而不是對數(shù)據(jù)進行挖掘，這樣可以大大提高生產(chǎn)力。”

神話8：分析需要的時間太長

現(xiàn)在快速完成工作對于企業(yè)來說是一個巨大的競爭考量因素，不管這個工作是將產(chǎn)品或者服務推向市場，還是以接近實時的方式響應客戶詢問。分析聽起來像是需要花費很長時間，這與實現(xiàn)速度和靈活性的目標背道而馳。

“分析項目需要花費很長時間并且非常復雜——這個誤解仍然存在。最終，這是關于人才的問題。通過恰當?shù)募寄芙M合和敏捷方法的運用，大問題可以在幾天或者幾周內(nèi)得到解決，而不是幾個月的時間。”

神話9：技術是最難的部分

今天可用的技術越來越多，選擇部署和集成合適的工具組合來從分析團隊那里得到預期的結果，這不是像公園里散步這么簡單的事，咨詢公司ISG的IT外包和數(shù)字咨詢服務總監(jiān)James Burke表示。

真正難的部分是“把組織結構和運營模式結合到一起，把所有從人、流程、技術角度所需要的東西結合到一起。而且，你如何在現(xiàn)有企業(yè)組織內(nèi)部或者臨近的地方做這件事情，似乎對企業(yè)來說是最難的部分。”

不要以為分析工具會完成所有工作，這一點也很重要。咨詢公司W(wǎng)est Monroe的技術實踐高級總監(jiān)Greg Layok表示：“技術本身并不會解決任何業(yè)務問題。如果企業(yè)組織急于創(chuàng)建數(shù)據(jù)湖的話，最終會陷入沼澤，一個其他任何人都無法了解的信息沼澤中。”

技術并不解決分析問題，Layok表示。“首先，發(fā)現(xiàn)一個業(yè)務問題，然后問‘我需要哪些數(shù)據(jù)來解決這個問題?’這將幫助你發(fā)現(xiàn)企業(yè)組織內(nèi)的數(shù)據(jù)鴻溝。”

神話10：數(shù)據(jù)分析應該是一個單獨的部門

在有些企業(yè)組織內(nèi)，數(shù)據(jù)分析是作為一個單獨的部門運作的，還有一些是被嵌入到了一個跨職能部門中，咨詢和數(shù)據(jù)收集公司Delvinia總裁兼首席創(chuàng)新關Steven Mast這樣說。

“不過，隨著數(shù)據(jù)擴展到所有業(yè)務領域，以及這一變化的快速發(fā)生，部門模式已經(jīng)不起作用了。隨著企業(yè)組織變得更加以客戶為中心，數(shù)據(jù)驅動的分析專家應該成為業(yè)務部門的核心，而不是作為一個你打電話許尋求支持的部門來運作。”

今天企業(yè)組織面臨的很多復雜問題都是發(fā)生在業(yè)務部門的，這些問題的很多解決方案卻隱藏在數(shù)據(jù)中心。Mast表示：“數(shù)據(jù)科學家和數(shù)據(jù)專家正在與這些部門緊密合作，使用大型數(shù)據(jù)集和人工智能，這將成為培育下一代產(chǎn)品、服務和客戶體驗的關鍵。”

神話11：分析僅限于有博士學位的人

在分析團隊中有很多受過良好教育的人才是很棒的，但并不是成功的要求條件。

Saiz說：“企業(yè)往往認為，團隊中沒有博士的話他們就無法實現(xiàn)最佳的分析?，F(xiàn)代分析需要融合的技能——那些精通新興技術和開源軟件的人。用擁有不同技能的人才來打造團隊，包括大數(shù)據(jù)架構師、數(shù)據(jù)工程師、數(shù)據(jù)科學家、數(shù)據(jù)可視化專家，這才能體現(xiàn)差異。”

神話12：人工智能會毀掉人類的工作、破壞經(jīng)濟

從歷史上看，新技術的引入顛覆了就業(yè)和行業(yè)，人們擔心人工智能會消除人類執(zhí)行某些任務的需求。

“人工智能解決方案在解決特定問題方面要比人類好得多，人工智能讀得更快、記得更多、計算復雜數(shù)據(jù)關系比任何人類都好。但是，人工智能不能處理新出現(xiàn)的情況，這是人類擅長的地方。”

可以肯定的是，人工智能的發(fā)展已經(jīng)讓很多工作消失或者減少，接下來也還會有很多工作如此，“但是，我們?nèi)祟惱斫夂蛻獙ν耆豢深A見的環(huán)境方面不會被現(xiàn)有任何已知的人工智能技術所取代。對于可預見的未來，最有效的方法就是利用人工智能系統(tǒng)來增強人類能力，讓人工智能執(zhí)行某些‘繁重任務’，這方面算法的表現(xiàn)是好于人類的。盡管很多工作會因人工智能而妨礙變，但是人類仍然是這個商業(yè)生態(tài)系統(tǒng)中的重要組成部分。”