10大特征幫你把脈數據分析3.0時代

不論是經營多年的公司還是創業公司，繼續使用舊有模式來支持商業分析，都前景黯淡。大數據已經有了長足的進步，但不要指望它能給你長期的競爭優勢。那些想要在新的數據經濟中獲得成功的公司，必須從根本上重新考慮如何利用數據分析為自己和客戶創造價值。

分析3.0是變革的方向，也是“分析競爭”的新模式。

每日日一獲

分析進化史數據分析3.0時代 分析1.0――商業智能時代

相較于更早的商業活動，我們所謂的分析1.0已經有了實質性的發展，能夠客觀分析和深入理解重要的商業現象，并且幫助管理者基于客觀事實決策，而不是僅憑直覺。

在商業實踐中，生產流程、銷售、客戶交互乃至更多的數據，第一次被存錄、整合和分析。新的計算技術是實現這些的關鍵因素。這就是企業級數據倉庫的時代，系統可以捕捉數據，然后利用軟件進行商業智能分析，最后可以進行數據查詢和結果交付。

分析2.0——大數據時代

2005年前后，谷歌，eBay等硅谷的互聯網公司和社交網絡開始大規模存儲和分析新類型信息。大數據明顯有別于系統內部產生的交易類“小”數據，它是來自公司外部、互聯網、傳感器、各種公開發布的數據（比如人類基因組計劃），還包括來源于音頻和視頻的數據。

當分析進入2.0時代，人們對于強大的新型分析工具的需求——以及通過提供工具來獲利的機會——很快就顯而易見了。所有公司都忙于發展新能力和爭取新客戶。第一個吃螃蟹的公司很容易占得先機，獲得令人印象深刻的宣傳效果，并且會快速地研發新產品。

許多創新技術已經被開發、收購和熟練掌握。比如，大數據很難在單個服務器上運行并進行快速分析，所以Hadoop平臺應運而生。新型數據庫NoSQL可以處理相關的非結構化數據。

分析2.0要求公司所具備的能力與分析1.0大不相同。新一代的數量分析師被稱為數據科學家，他們不僅要具備計算能力還要掌握分析能力。數據科學家已不再滿足于被藏在公司內部，他們希望接觸客戶以開發新產品，并為公司出謀劃策，甚至是創造新的商業形態。

分析3.0——富化數據的產品時代

在分析2.0時代，一些敏銳的觀察者已經洞見到即將來臨的下一個大時代。硅谷的大數據先驅公司開始投資面向客戶產品、服務和功能領域的數據分析。它們通過大數據分析吸引更多的訪客登錄它們的網站，這些辦法包括更佳的搜索算法、朋友和同事推薦產品、購買建議以及針對性極高的定向廣告等。

大公司的紛紛介入標志著分析3.0時代的來臨?，F在不僅僅是IT公司或者電子商務公司利用數據分析創造新產品和新服務，任何行業的任何公司都在這樣做。和前兩個時代類似，對于那些想在“分析競爭”中占有優勢的公司或者為此類公司提供數據和分析工具的供應商，

“分析競爭”不僅能夠解決公司的傳統問題，比如改善內部決策，也能為公司創造更有價值的產品和服務——這才是分析3.0的精髓?，F在，銀行業、工業制造業、醫療設備和產品的供應商、零售業――任何行業、任何公司，只要愿意去探索各種可能性，都能從他們的整合的數據中開發出有價值的產品和服務。

10大特征數據分析3.0時代

公司要用全新的視角看待“分析”的價值和作用，這意味著戰略重點的轉移。公司需要意識到這將是一系列挑戰——發展新能力、設置新崗位和重新設定業務的優先級。

1各種類型數據通常會混在一起

公司需要整合內部、外部、結構化、非結構化的大數據和小數據，利用規定性分析和預測性分析模型給出新見解，并能明確地指導一線工人有效完成工作。為監視油量、油箱位置和油箱容量和駕駛行為等部分關鍵的指標，施耐德物流公司（Schneider National）把傳感器的數據輸入物流優化算法。這樣做的結果是在改善物流網絡的同時，降低了燃油成本和事故率。

2新工具組合

在分析1.0時代，數據倉庫被視作分析的基礎。2.0時代，公司主要依靠Hadoop集群和NoSQL數據庫。如果問我今天的技術手段是什么，答案是“綜上所有”：數據倉庫、數據庫和大數據裝置，將傳統數據查詢手段與Hadoop結合的環境（亦稱為Hadoop 2.0），還包括垂直和圖表數據庫等等。

無論從數量還是復雜性的角度考慮，IT架構師面對數據管理設備的選擇難度極大，而且幾乎每個公司最終的選擇都是混合的數據環境。有些數據還以舊格式存在，但同時需要新的數據處理流程以滿足暫存、求值、搜索和生成應用之間的數據傳遞和數據分析。

3更快的分析方法和技術

2.0時代的大數據技術已經比1.0時代的數據管理和分析技術快了很多。為了滿足這一速度需求，3.0時代的新型“敏捷”分析方法和機器學習技術正在以更快的速度來提供分析結果。

和敏捷開發相似，敏捷分析法要求工程師高頻率地向項目利益相關人交付部分結果，讓最優秀的數據科學家一直在緊迫感中工作。3.0時代面臨的挑戰是如何讓企業在運營及產品發展、決策過程方面充分利用新技術和新方法的優勢。

4嵌入式分析

為了與日益提高的數據處理和分析速度相匹配，分析3.0的模塊通常是直接嵌入到運營系統和決策系統中，這顯著地提升了數據的運行速度和分析效果。

一些公司把評分算法和分析規則集成到全自動化的系統當中；另外一些公司則把分析植入以客戶為導向的產品和特性當中。不管是哪種情況，把分析植入系統和流程，不僅會帶來更快的運算速度，也使管理者無法繞過數據分析做決策――這通常是一件好事。

5數據發掘

為了開發以數據為基礎的產品和服務，公司通常需要一個強大的數據發掘平臺，還需要具備相應的技能和流程。

雖然最初設計公司數據倉庫的目的是數據發掘和分析，但不幸的是，很多公司已經把它變成了數據貯藏室——把數據堆在那里不做任何處理。如前文所述，把數據錄入到數據倉庫非常耗時耗力。如今，數據發掘環境使得不需要太多準備就能確定數據集的特質，并將其分別輸入數據倉庫。

6跨學科的數據團隊

在互聯網公司或者大數據創業公司中，數據科學家通常能掌控全局，或者至少有著很大的自主權。但是，在大型和相對傳統的公司中，他們必須和其他部門的同事通力協作，以確保大數據和業務所需的“大分析”相匹配。

在許多情況下中，這些公司中的“數據科學家”與傳統的數量分析師無異，他們不得不花更多的時間進行數據管理工作。公司現在也開始聘用擅長提取信息并將其結構化的數據黑客，并讓他們與擅長建模的分析師一起工作。

數據科學家和數據黑客團隊都必須與IT部門一同工作，IT負責提供大數據和用于數據分析的基礎架構，配置“沙盒”以供數據探索。（沙盒在這里是指IT部門有所有的數據，——譯者注），然后將探索性分析轉變為生產能力。這個聯合團隊將會竭盡所能地完成分析工作，他們角色上也經常會有所重疊。

7首席分析官

當分析已經變得如此重要，公司需要更高級別的管理者進行監管。已經有公司設置了“首席分析官”職位來培養和開發員工的分析能力。美國國際集團（American International Group）、匹茲堡大學醫療中心、奧巴馬競選團隊、富國銀行（Wells Fargo）和美國銀行（Bank of America）已經有C級的分析主管。毫無疑問，這個名單還會繼續增加。

8規定性分析

通常有三種類型的分析：描述性，用于報告過去；預測性，使用模型分析過往的數據來預測未來；規定性，使用數據模型來確定最優行動方式。雖然分析3.0包含以上三種類型的分析，但它強調的是最后一種。

規定性分析要求大量的測試和優化工作，然后把分析嵌入關鍵流程和員工行為中。這一方法能帶來很高的運營效益，但同時要求高水平的計劃案和高質量的執行力。比如，如果UPS ORION系統提供了錯誤的路線信息，管理者必須立即著手處理，不能讓這種情況持續太久。UPS高管們說，比起算法和系統開發，他們在管理上花費了更多的時間。

9用于實際業務的分析

相對于只將分析用于內部決策，分析3.0提供了把分析流程擴展到業務領域的機會。機器學習能創造更多模型，讓組織獲得更精細、更準確的預測。

以IBM為例，之前公司在“需求生成”流程中使用了150個數據模型，用來評估哪些客戶更值得銷售人員投入時間和精力。在與現代分析公司 （Modern Analytics）合作后，IBM啟動了“模型工廠”（Model Factory）和“數據流水線”（Data Assembly Line），IBM現在每年能開發和維護5000個數據模型，卻只需4個人來完成。

新系統能夠在無需人工干預的情況下建構95%的模型，而另外3%只需要分析師做些微調。這些新模型能高度準確地識別出產品、客戶和地理位置的差別。在泛亞洲市場進行的測試表明，相比沒有數據分析的細分市場，該模型使客戶反饋率翻倍。

10決策和管理的新方式

如果希望在公司里讓分析助力數據經濟，你就需要決策和管理方面的新方法。這些方法能夠讓你的決策更可靠。管理者們需要習慣數據驅動的實驗和測試。他們應該主動要求任何重要項目都必須進行小規模但系統的驗證實驗，并切記實驗的目的是為了嚴格控制高管的“雄心壯志”。

不得不提醒的是，一些由大數據應用所提示的改變并不一定會發生。大數據是持續動態變化的，以社交媒體數據為基礎分析品牌忠誠度就是很好的一例，你會發現各項指標不可避免地動態起落。這種“數據煙霧彈”，可被視作問題的早期預警，但是它們只是指示性的警告，而非證實的結果。管理者們需要制定規范來確定決策和行為的預警標準。

大數據先天就具有不確定的特質。通常大數據分析出的結果與因素之間的關系都是相關性，不是因果關系，也可能純屬巧合（從統計學的角度，數據量越大純屬巧合的情況越多）。大數據的這一本質可能會讓許多高管頭疼，究竟是信還是不信。解決的方法是，如果待定決策事關重大，那么決定之前必須進一步調查。

規定性分析會改變管理一線員工的方式。公司能觀察到員工的所有行為，這是前所未有的情況。毫無疑問，員工也能覺察到這樣的密切監控，過分詳盡的行為報告讓員工不自在，正如可以分析顧客購買行為的大數據會讓顧客有脊背發涼的感覺。在分析3.0的世界，有時我們需要學會適當地“無視”。

分析3.0是“分析競爭”的終極版么？也許不是；但是我有把握說，當有一天數據經濟成為主流時，你回望歷史會發現，“現在”就是最關鍵的時刻。