要有成功的資料分析效果就必須要有好的工具、資料管理以及策略。現在有一些不錯的方法,可有助於企業面對大量成長的資料時,做出更好的決定。
文/Bob Violino 譯/潘得龍
毫無疑問地,資料分析能力肯定是提升企業競爭力的重要因素之一,絕對能夠有助於提升有關銷售以及市場佔有率的洞察力。但是最後企業能夠藉由分析資料獲得多少效益,還是必須根據企業有多少運用新科技的能力,以及如何預估未來進而因應未來發展做準備。
下面是一些強化資料分析的好方法,將有助於獲得更好的成效。
自助式分析及其優點
自助式分析(self-service analytics)可以讓企業的使用者,自行執行查詢並即刻產生報告,而不需要太多IT的支援,並且也不需要擁有高階的分析技巧。像是應用容易使用的商業智慧(BI)工具,只需要有基本的分析能力即可。
自助式分析的方法有助於填補缺乏專業資料分析訓練的空缺,並且可以直接讓使用者取得數據,然後根據自己的工作需求來使用。
企業使用者可以根據分析結果做出決策,而不需要等待資料科學家或是其他的分析專家產生報表。這對需要快速回應市場改變,或是配合客戶需求的公司,會帶來莫大的效益。
[CIO都在讀: 資料治理-資料資產管理的最佳實踐框架 ]
IT顧問公司 Computer Task Group 的資深解決方案設計師 John Walton 表示,建構自助式分析的第一個步驟,應該是要能充分了解使用者 ─ 這包含他們需要什麼樣的資料,以及他們所需要的工具。
Walton說:「資訊消費者以及高階管理人員,他們所需要分析工具套件與資料科學家差異很大,而除了配合人,工具也要能配合企業需求。此外,自助式分析高度依賴乾淨的資料,垃圾資料會使得分析失準。要是數位儀表板上面的顯示資訊受到了懷疑,未來就很難再次獲得信任。他們會說:「我不相信上面的東西,跟我實際看到的天南地北。」
藉由資料治理建立資訊的一致性,也是一個好方法。Walton表示:「當這個部份已經落實,你就可以使用維度資料架構(dimensional data architecture),作為自助式服務分析的管道。」
在這樣的架構下,儀表板上所顯示的重要的績效指標和衡量指標,已經先根據許可的企業原則被事先處理了,與適當的企業過濾器或是分析維度結合,然後儲存到資料庫中。Walton指出,分析工具的使用者,則不需要處理這些累人的工作。
具備機器學習能力
機器學習(Machine Learning, ML)可以在資料分析流程的強化上扮演很重要的角色,特別是需要處理大量資訊的組織。
但機器學習會需要熟悉不同的架構才能進行分析,Walton表示:「機器學習所需要的資料,通常不使用預先計算過的一些數值,因為這樣可能會將資料扭曲,而無法呈現有資料洞悉的價值。機器學習會比較想要能夠直接運用大量的細微資料,像是直接分析關聯式資料庫的資料,能夠達到最有效的能力。」
[CIO都在讀: 深入檢視五個成功運用機器學習的案例 ]
例如,在醫療保險的部分,公司可能必須處理大量申報資料集、病人背景資料,以及同時包含了結構性資料和非結構性資料的文字紀錄等。
機器學習的最佳實踐是將正確的資料層級用於正確的目的,Walton說:「最底層是攝取層,是來自不同來源的所有資料,最適合作為機器學習的原始數據。」
而中間層,或是「已整理」層的資料,是將來自各種不同來源的資料,根據已經制定好的資料治理規則,將資料轉化成統一的標準。Walton表示,比較理想的資料,是針對想要分析重點,將資料以資料集的方式組合起來。
資料點的管理
許多組織都致力於管理來自不同來源,大量而持續成長的資料,但這可能會增加資料分析的困難。採用一些科技協助管理整個企業的資料,會是一個可行的解決方案。
健康醫療資源公司,Paul Hartmann AG 採用了SAB的集中式管理平台,稱之為 Data Hub,可以在多個內部以及外部資料來源上,統一存取以集分析資料。其資訊長和資料中心主任 Sinanudi Omerhodzic 指出,我們的目標是要能最大化資料的潛能,以及獲得所需的洞見,以達成製造和供應鏈的最佳化。
[CIO都在讀: 導入即時分析方案的4個成功案例 ]
Omerthodzic說:「在應用這些發現之後,我們可以在任何的時間提供給客戶所需要的產品,而這能救助病人的生命。」
藉由應用 Data Hub 技術,Hartman能夠替客戶、供應商以及營運資料建立「事實的單一來源」,有助於更能夠了解客戶的挑戰。
公司現在嘗試要能更好的應用人工智慧(AI)、物聯網(IoT),以及預測分析,讓我們有可能使用新的資料來源掌握一些因素,像是天氣和疫情等,而更能預測醫院和藥局的需求,確保這些單位,在正確的時間有足夠的供應能力和供應量。
教育企業使用者有關整體的資料策略
需要應用到資料洞察能力的企業使用者,必須針對資料科學、人工智慧、機器學習以及整體的資料分析,瞭解公司的策略,這樣使用者才更能理解他們所觀察到的訊息。
HGS Digital 是一家數位轉型諮詢公司,協助組織使用資料提升他們的客戶服務經驗。公司的資料科學全球執行主管 Venu Gooty 表示:「進行探索討論會,這樣企業和營運主管才能瞭解人工智慧和機器學習的好處。」
[ 加入 CIO Taiwan 官方 LINE 與 FB ,與全球CIO同步獲取精華見解 ]
Gooty說:「這對第一次開始展開資料科學旅程的組織特別重要,HGS Digital 在建置人工智慧和機器學習上所面對的最大障礙,是教育企業使用者在導入資料科學專案之後所能獲得的成果,以及解釋我們如何提供資料科學的方式。」
組織需要已經有資料策略,才能解釋不同部門要如何合作。Gooty指出:「這是必要的,因為機器學習的啟動需要不同部門的共同合作,像是行銷、IT、營運以及其它相關部門等等。」
Gooty表示,機器學習牽涉到必須處理大量資料。例如:為了要讓經銷商能夠預測客戶的流失,必須使用到許多的資料集,像是客戶基本資料、購物歷程,以及客戶購買了什麼商品等等。
Gooty說:「這些資料集一般來自於不同的資料來源,而且可能沒有一個整合的來源取得資料。所以團隊必須與不同的部門合作,才能將各種所需的資料整合到一個共同平台。在組織中,會將資料策略和資料治理的方式定義好,這樣可以達到一個無縫接軌的流程,而超越那些沒有清楚資料策略的組織。」
在雲端進行分析
就如同在IT中的其它情況,雲端架構可以提供成本效益,並且會替資料分析帶來更高的效能。特別是對於需要分析大量資料,但是卻沒有內部能力可以處理這樣需求的組織,這能夠提供很好的解決方式。
Gooty表示,任何有計劃想在雲端執行分析的公司,首先應該先規劃清楚的移轉策略。他說:「對於大部分的組織而言,可能是第一次將資料轉移到雲端。最好是先小量資料開始,先學習一些經驗,然後根據需求進行改變。」
[ 下載 2020-21 CIO大調查報告,掌握最新IT採購趨勢 ]
此外,要根據安全政策,定義清楚的治理框架。Gooty說:「移轉到雲端的決定,就是表示轉移內部、外部資料以及使用者接取途徑到雲端。必須清楚定義安全性以及隱私政策,每個資料部門的擁有者,也必須清楚地規範。存取的全線,也必須針對不同的使用者做出正確的設定。」
另外一個好習慣,就是儘量做到自動化。Gooty說:「雲端的能力就是敏捷。手動或是零碎載入資料的需求很多的話,最好是能全部集結,然後一次性的執行,可以省去許多煩瑣的動作。」
建立分析中心或是卓越中心
組織中的卓越中心(Centers of Excellence, CoE)可以提供主導、分享最佳使用方式、開發研究,以及在特定的領域或是主題提供教育訓練等。針對目前的資料分析提供重要的策略角色,CoE可以專注在這類的努力上,並且獲得不少的效益。
IDC有份在2019年針對美國資訊長以及資深IT經理人做的調查,顯示有93%受訪者表示他們的組織使用某種型式的CoE推動AI和資料科學的發展計劃。IDC的IT執行計劃副總 Serge Findling 表示:「CoE讓組織同時擁有集中和分散式資源,能夠集中於整個企業的協調配合。」
全球諮詢公司Keyrus指出,要獲得最佳投資報酬以及資料的最大價值,組織應該建立分析CoE,因為CoE簡化了組織的所有分析工作。
該公司指出,「想像有高度能力的專家團隊,他們瞭解你的內部組織,同時也清楚資料來源。這個團隊所擁有的技術以及能力,就能夠根據你的需求應用資料,並且以正確的方向前進。」
Keyrus表示,資料分析中心CoE應該要能提供像是制定組織的分析願景、選擇所需要使用的工具,以及決定所需要的關鍵績效指標(KPIs)。此外還有建立技術藍圖、替如何分享原始資料的部份建立標準、管理計劃以及控制預算、強化使用者的技巧,以及組織領導方法學等。
公司表示,沒有兩個CoE會是完全一樣的,團隊是根據公司的規模、產業目標,以及其他的因素設計其結構,CoE應緊密配合組織的特定企業目標和組織的結構。
最終,成功部署5G,將會「顯著」改善各地員工和企業的數位能力。
(本文授權非營利轉載,請註明出處:CIO Taiwan)