摘要：数据分析对于组织运营十分重要，而在任何市场中获得成功都需要有效地使用数据。那么会遇到什么问题?随着应用程序和市场发展变得越来越复杂，数据分析行业也越来越复杂。

三位行业思想领袖对数据分析行业的未来发展进行了预测，并就如何更有效地利用数据提供了建议。
　　
　　数据分析对于组织运营十分重要，而在任何市场中获得成功都需要有效地使用数据。那么会遇到什么问题?随着应用程序和市场发展变得越来越复杂，数据分析行业也越来越复杂。
　　
　　为了深入了解如何在2021年及以后的时间里从数据中获取更多信息，Splunk公司首席技术官Andi Mann、德勤咨询公司总经理Mike Kavis、Edgevana公司首席执行官Mark Thiele对以下主题进行了阐述和分析：
　　
　　组织采用数据分析的现状是什么?组织在何种程度上成功实现了数据分析实践?
　　
　　Mann：数据分析适用于很多组织，尤其在零售行业中网上商店产品的动态定价等。
　　
　　很多组织使用数据分析来了解客户参与度以及针对问题或安全漏洞的异常检测，这是十分有效的。从业务层面和技术层面来看，有很多分析是有效的，但也有很多是无效的。
　　
　　我认为数据分析现在正处于变革阶段，可以从现实的角度和政治的角度来讨论这个问题，也可以从技术的角度来讨论这个问题。很多组织正在努力找出有效的方法，并进行尝试，某些事情取得成功，某些事情遭到失败。
　　
　　这很大程度上是不受控制的。我非常担心数据伦理以及将人们的偏见投入分析、机器学习和人工智能，我认为肯定会得出一些结果，但这一切都很不平衡。
　　
　　Kavis：我认为在产品层面，有时是成功的，因此某些服务或产品具有数据分析支持，而一些组织在内部部署设施处理信息，他们没有相关用例。
　　
　　随着云计算的应用更加广泛，处理和存储数据的成本更低，我认为产品和服务的使用成本也将降低，它们实际上是在利用这项技术作为产品的一部分。就像零售业和制药业可以充分利用数据分析并真正发挥作用。
　　
　　Thiele：大多数公司面临的关键问题之一是无法确定一个或两个指标，也无法确定他们认为对这些指标很重要的数据。
　　
　　因此，组织需要获得良好的指标，例如，可以获得有关客户与组织产品互动的信息的周转时间。但是，如果需要花费两周或两个月的时间来响应和处理这些数据，那么将失去价值。
　　
　　从成功的角度来看，零售行业就是一个很好的例子。沃尔玛公司多年来在数据分析方面一直很出色，即使在大数据和数据分析的初期。但是我真正看到的地方是在工厂车间和大型关键基础设施中。很多组织正在使用针对设备的分析，并就维修周期甚至卡车的加油时间表做出实时决策，从而提高了效率。并在总体上提高了性能或安全性。
　　
　　在2021年，数据分析在边缘计算的应用有多重要?
　　
　　Mann:我认为，数据分析无处不在。以风力发电运营商为例，为了防止风力涡轮机发生灾难性故障，是否需要将其关闭进行预防性维护?当风力涡轮机定期发送运行信号时，真的需要将这些信号传输到核心数据中心进行处理吗?因此，数据分析有必要在边缘计算设施进行处理。
　　
　　Thiele：边缘计算对于组织来说，是一个可以收集新数据并以新方式进行处理的机会。与我们公司合作的大多数客户的负载都在边缘工作，而事实表明，在边缘处理的数据量往往比人们预期的要大得多。
　　
　　简而言之，在大多数情况下将数据发送到其他地方没有任何意义。从投资回报率的角度来看，在许多情况下，将数据发送到核心数据中心进行处理在经济上是不可行的。
　　
　　在许多情况下，降低延迟为了从数据中获得价值并以尽可能低的成本实现价值，组织希望在任何地方对它进行分析。
　　
　　Kavis:我们仍以风力涡轮机为例。风力涡轮机通常安装大量传感器，并装有执行器。执行器根据指令改变叶片的角度，以最大程度地提高发电量。
　　
　　风力发电商通常会设置智能信息：“如果风力变化很大，需要调整叶片转动的速度。”因此在那种情况下，就不需要采用实时人工智能技术，因为已经设置了指令。组织要做的是将不相关的数据流回数据中心，以找出原因和方式，然后返回边缘计算设施并更改指令集。因此在这种情况下是一个非常静态的环境。
　　
　　现在将了解智能流量。组织必须查看正在发生的事情并做出决策，随着时间的推移，机器学习的算法会变得更加智能。当然，组织需要进行一些分析，但是实际上一切都必须在边缘计算设施中进行。
　　
　　实时解决方案对于架构师来说是一个挑战。他们必须了解每件事，查看有意义的内容以及具有足够的预算，因为无论采取哪种方式都涉及到成本支出。
　　
　　对在未来一年希望更好地使用数据分析的管理人员有什么建议?
　　
　　Kavi：我通常更关注商业价值。因为组织希望通过实施用例并最终获得期望的结果，这样可以制定决策并采取行动。因此出于技术考虑，有些项目花费大量费用却得不到很好的结果。但是利用数据分析来获得业务成果，可以改变业务模型或大幅度提高生产率，这些都是我所关注的事项。
　　
　　Mann:我们发现，组织收集的数据越多，对数据的操作越多，则共享的数据就越多，实际上会获得更好的结果，例如增加收入、降低成本、技术创新、提高速度，获得敏捷性。
　　
　　这实际上是有道理的：收集和分析的数据越多，做出决定的速度就越快，尤其是在拥有良好的分析工具集的情况下。所以我会说需要收集更多的数据。
　　
　　另一方面，数据分析减少了人们的偏见。组织拥有的数据越多，就越有可能减少个人观点和偏见。因此，收集并共享更多数据，以便更快、更有效地做出更好的决策，将会减少偏差。
　　
　　Thiele：数据是至关重要的，但是很多人认为收集更多数据就会得到更好的结果。实际上，最重要的一点是知道组织要查找的内容并能够提出正确的问题，然后向数据库中添加更多的数据，这有助于降低产生偏见的风险，并可能给出更准确的答案。
　　
　　根据过去的15年的发展趋势，在大多数情况下，失败和成功的比例为7：3或4：1。也就是说，在组织的业务获得成功之前，在数据湖和数据分析等各个层面上都可能失败。
　　
　　在实施数字化转型过程中，大多数组织都着眼于数据分析、客户和效率。但是，一些开始数字化转型的组织认为，如果组织对要达到的目标没有清晰的愿景，那数字化转型将对其业务运营产生负面影响，这也适用于计划如何使用数据以及如何维护数据和验证数据的组织。
　　
　　编辑：Harris