數據分析，根本沒有你想的那么高級！
在數字化轉型工作中，十分強調通過數據科學技術來發揮數據的價值，例如通過數據分析方法，從數據中提取出有價值的業務信息，以此來提供有效的業務應用或業務決策。在數字經濟大趨勢下，數據分析這件事，突然之間地位得到了前所未有的提升。
當前，為了迎合數字化的迫切需求，數據分析似乎成為一種非常有潛力的技術能力。如果一個業務人員懂得如何做好數據分析，或者說，掌握更豐富的數據分析方法和經驗，那么他似乎也更具職場優勢。
然而，事實確實是這樣嗎?
在開始從事數字化轉型，或者，牽頭數字化項目時，經常會覺得數據分析技術能力很重要，然而，隨著實踐經驗不斷積累，接觸的項目多了，逐漸發現，數據分析這件事變得有點“雞肋”。
尤其是在技術層面，總覺得被一些外在的因素“卡脖子”，由于這些因素的存在，縱然有很多“絕世武功”可以拿出來過招，但似乎很少有機會真正發揮出這些技術方面的優勢。
因此，最終得到結論——在數字化轉型工作中，數據分析或許并沒有想象的那么高級。
一般來說，數據分析有兩種典型的應用場景。一是了解現狀，二是發現未知。
而各種復雜的數據分析技術，以及相應的數據建模方法，基本上都是為了解決第二類需求，即發現未知，無論是未知的業務知識、規律，還是未知的猜測場景，或未來趨勢。
比較尷尬的事實是，在企業數字化實踐中，我們經常發現，大多數的數據是用來解決第一類需求，即了解現狀。
在數字化應用中，往往不需要過多“花哨”的技術手段，如果你問業務人員需要什么，或者問領導想從數據中看到什么，大多數的回答基本上都是——某某數據統計結果能夠及時、準確地反饋就好了。最多再來個可視化。
不需要建模么?不需要預測未知么?僅此而已?
當然需要，但是這些更高級的需求，其實業務部門對“數字化”的期待并不高。
除了在工業自動化相關領域，如智能制造或智慧城市中的全機器驅動場景，大多數企業在從數據資源中推斷、判斷業務情況，以及進行決策活動，還仍然遵循著傳統的人工方式。
在數字化建設中，除了“取數”、“統計”，對于業務人員來說，其他需求似乎都不那么迫切。
在進行業務判斷和決策時，采用機器建模的方式，被認為不那么可靠。
當然，導致這種結果的原因一方面可能是數據科學家并不那么了解業務，總是構建出華而不實的數據模型;另一方面可能對于一些綜合的、“非線性”的業務問題，需要考慮的因素和關系也確實太復雜，即便是業務人員自己，對問題的結構化難度以及建模難度很大。
最終，業務人員選擇出靠譜、順手的一種數字化應用模式就是：機器來取數，整合信息，人(靠經驗)來進行分析。這時，數字化應用從外表看是在做數據分析，而這種分析只是非常淺層的分析，或者說，最多只能算是數據查詢、數據統計。
最終，數字化應用需求，大多數都退化為，以“取數”為中心的數字化能力建設。這類需求，在算法上沒什么難度，技術創新空間不大，而為了保證“取數”的質量，技術人員又要花費大量的精力對平臺進行性能上的優化，這屬于“純粹”工程上的事情，再不然，就是投入更多的人力來進行數據治理，保證“取”到的數據結果可靠。
數據分析，沒有什么算法，也沒有什么模型。即使有，也只是一些在業務上預定義的函數、規則、指標。
單純數據驅動的方式得到有價值的結論，這看似是經典的案例場景，但其實卻是數字化的未來理想狀態，目前在大多數行業的數字產業實踐中，并不太普及，也不太適用。
未來，數字化應用需要逐漸從以人工分析為主，過渡到以數據分析為主的形態，不斷加大自動化、智能化要素比例。很多數據分析技術，在數據科學理論上都具有很優質的應用性能基礎，因此要創造更有利的條件來促進產業中的深度數據分析活動實踐，具體包括：
- 推動業務知識的數字化編碼，加大數據庫、知識庫、案例庫的數字化建設;
- 以有經驗的業務人員牽頭，進行產業數據模型的研究和開發;
- 加強數據治理工作，逐步提高數據資源的可用性;
- 研究具有可解釋性的、更加“魯棒”的數據模型，提高數據模型的適應性、可調節性;
- 推動數據部門和業務部門的工作協同，推動跨領域之間的數據共享和數據融合;
- 推動數據平臺建設，低代碼平臺建設，降低業務人員主動參與數據建模與分析的技術門檻。
