企業會考慮利用數據分析和數據科學作為數字化轉型的一部分嗎?自動化、回歸基礎的方法，以及數據驅動的文化可能是關鍵因素。

數據分析是一個不斷變化的領域。隨著企業繼續大量投資于分析以支持數字化轉型，掌握最新趨勢對于確保企業在未來數月和數年內采用成功所需的分析策略至關重要。

[[266891]]

今年2月，研究機構Market Research Future公司預測，從今年到2023年，全球數據分析市場的復合年增長率將達到30.8%，2023年市場規模將達到776.4億美元。德勤公司中央創新團隊負責趨勢感知項目的總經理、德勤最近發布的“轉向數字成熟度報告”的合著者David Schatsky表示，數據分析投資不斷增加的核心是成為數字化企業的動力。

Schatsky說，“數字化企業是一個不斷發展的企業，總是尋求應用和最大化數字技術的價值，以重塑自己，重塑提供給市場的產品，如何將這些產品交付給市場，以及如何運營。數字化企業是我們認為通過有效利用數字技術和數據而不斷發展的企業。”

對于希望通過數據轉變業務的組織而言，在未來幾個月需要關注以下四種分析趨勢。

1.數據公民的崛起

隨著組織向數據驅動的轉變，大多數專家和行業觀察者都認為，采用這項技術雖然不容易，但卻是最簡單的元素。圍繞數據改變文化和組織思維方式及其有效使用通常最具挑戰性。

“數據中最重要的部分是人。”咨詢機構Carruthers and Jackson公司的主管Caroline Carruthers說。他曾擔任Network Rail公司首席數據官，也是《如何顛覆、創新并領先于競爭對手》這篇闡述數據驅動業務轉型的文章的共同作者。他說，“組織需要了解對數據和信息做些什么，并且在數字化轉型達成一致意見。”

Gartner公司業務分析團隊的研究副總裁Rita Sallam對此表示贊同。

Sallam說，“文化對任何企業來說都是一個巨大的挑戰：變革管理、文化素養。企業是否有足夠擁有文化的勞動力，能夠通過這些新技術獲得現在提供給他們的見解，并能夠采取行動。”

德勤公司的Schatsky補充說，為了掌握數據，組織必須在業務線中灌輸一種思維模式，無論何時企業面臨決策或采取行動，負責人都應考慮是否有數據可以幫助業務實現更智能或更好的目標。

Schatsky說，“這需要改變思維方式。為了使其普及，企業領導層必須集中精力，并在整個組織中發揮作用。”

因此，他們認為，企業將越來越關注于推動數據驅動的思維方式，以及在整個組織中對基本數據概念的流暢性。

然而，商業分析咨詢機構A4A Brown公司的總裁、Meta S. Brow警告說，企業的做法不要過猶不及。

Brown說：“我認為，在期望執行經理成為分析專家的程度有很大的限制。而他們熟悉術語可能是合理的。”

Brown以律師行業為例。預計律師管理團隊將了解他們必須遵守的最重要的法律，并且應該能夠了解合同，但他們不會就復雜的法律問題提供建議。她說，同樣的想法在分析方面也適用。

她說，“我認為在數據分析中增加高管的等級，或者為自己進行數據分析是不合理的。我認為，人們在學習數據分析方面對他們的期望非常低。作為分析專家，我們的工作就是通過整個流程更好地與他們合作，我們的責任是將他們所說的業務信息轉化為分析術語。”

2.回到分析的基礎

在過去幾年中，圍繞分析的對話越來越多地集中在尖端技術上，如機器學習、深度學習、神經網絡，以及其他人工智能元素。專家表示，雖然這些領域將在未來幾年繼續引起很多關注，但許多組織將重新回歸基礎，并從不太先進的分析中獲得更多的實用性。

Brown說：“我參加過很多行業大會，也閱讀了大量文章，發現人們談論的是他們可能想象得到的最復雜的數學，但他們卻還沒有真正充分利用簡單數學，這讓我非常震驚。如果美國的每一家企業都能徹底利用統計數字的數據，那么我們的經濟將會蓬勃發展。”

Carruthers對此表示認同。她說，“很多人對機器學習和人工智能的應用感到興奮，認為必須做所有這些事情，卻忘記了組織實際上從分析中獲得了大量價值。”

Carruthers認為，隨著組織將分析投入生產，并尋求真正從他們的分析工作中獲取價值，他們將再次更加重視通過更基本的分析和報告功能可以實現的目標。

3.自動化變得更加重要

然而，數據日益復雜以及處理和分析數據所需的東西意味著自動化在未來幾年將變得更加重要。

Sallam說：“從類型和成功所需的分析來看，越來越復雜的數據確實使當前人工方法不堪重負。因此，幾乎在數據管理和分析內容開發的每一個方面，從上到下，整個堆棧都在利用自身來自動化分析過程，自動化可以使我們從這些系統獲取信息，并以優化的方式進行操作。”

Schatsky對此表示贊同，并指出，實現自動化的主要原因在很大程度上是由于缺乏數據科學家、數據工程師和數據科學團隊的其他成員。

Schatsky說，“許多數據科學家表示，他們將大約80%的時間花在繁瑣和重復的任務上，如數據準備、功能工程、選擇算法。人們發現的很多事情都可以在某種程度上實現自動化。這并不意味著數據科學家將因為被機器取代而失去工作。這意味著工作效率可以提高五倍，這意味著一家擁有兩名數據科學家的企業如果實現自動化，就可以像擁有10名數據科學家那樣高效。”

4.組織將越來越多地利用第三方數據

Schatsky表示，擁有更高級分析程序的公司將在未來幾年內更多地利用第三方數據。

Schatsky說，“能夠有效地利用第三方數據將會清除數據集成、數據清理以及所有這些方面的正常技術障礙。它包括企業需要發展的更多面向市場的能力：不斷掃描環境以了解哪些數據源可用，促進評估這些數據源以生成數據的簡化過程，包括合同和法律問題以及風險審查。這是企業真正應該培養和投資的能力。”

Schatsky表示，以供應鏈管理為例，經營供應鏈的公司在過去可能通過跟蹤其供應商的行為來管理風險：他們交貨的時間，他們交付的產品達到或未達到質量標準的頻率等等。

“這是一種低級供應鏈風險管理。”Schatsky說。更復雜的組織可能已經采用了上一代第三方數據，如信用評級信息，以幫助確定與供應商或客戶合作的風險。

他表示，如今，擁有更復雜分析功能的組織正在尋求包括第三方數據(如天氣預報)來完善其風險評估：例如該組織在易受天氣影響的地區是否有供應商?或者他們可能會將社交媒體的數據包括進來，以幫助他們找到需求變化模式的線索。如果社交媒體的指標顯示某一產品的需求正在飆升，那么該組織是否應該增加對這些產品原材料的采購?

他說：“這是企業致力追求的卓越水平。”