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）
