大数据分析原地踏步 原来是分析工具面临信任问题

日期:2016-12-6作者:Jack Vaughan

【TechTarget中国原创】

有时候大数据分析似乎总是在原地踏步,似乎数据信任的问题阻碍了数据分析的进一步应用。业务领导们理解新数据分析是必须经历的转型,但是他们不确定这种转变是否值得信赖。最近,来自咨询专业服务公司KPMG(毕马威会计事务所)的一份调查报告对这种进退两难的处境给出了一些看法。

Forrester研究公司在2016年7月发起了一份调查报告,针对KPMG(毕马威会计事务所)管理的2165位数据和分析决策制造商进行调查。报告显示,数据和分析工具已被广泛用于分析现有客户(50%)和发现新客户(48%)。然而,只有大约34%的业务负责人“非常信任”工具分析业务运营数据得到的结论。

有迹象表明,在数据和分析工具方面的投入在增加。因此,数据分析领域的专家Bill Nowacki认为,分析结果的受信任程度理所当然也在变好。在SearchDataManagement组织的一次采访中,Nowacki表示分析工具需要更透明。也就是说,分析工具应该给管理层展示推荐观点背后的逻辑,展示分析工具给出结论的依据。

研究结果似乎把焦点集中在了数据信任的空白。未来大家对数据质量持有信心的趋势如何呢?

Bill Nowacki表示,目前大家对于“分析是必不可少的”这一核心理念已经基本认同了。不过,与此同时我们对管理层的培训还不够,业界普遍应该对此采取一定措施。

我们一直都在努力坚持原创.......请不要一声不吭,就悄悄拿走。

我原创,你原创,我们的内容世界才会更加精彩!

【所有原创内容版权均属TechTarget,欢迎大家转发分享。但未经授权,严禁任何媒体(平面媒体、网络媒体、自媒体等)以及微信公众号复制、转载、摘编或以其他方式进行使用。】

微信公众号

TechTarget微信公众号二维码

TechTarget

官方微博

TechTarget中国官方微博二维码

TechTarget中国

评论
查看更多评论

敬请读者发表评论,本站保留删除与本文无关和不雅评论的权力。

作者>更多

Jack Vaughan
Jack Vaughan

TechTarget新闻记者和网站编辑,主要关注数据管理领域的技术趋势和动态。

大数据分析>更多

相关推荐

技术手册>更多

  • 企业数据集成实践手册

    我们今天谈到的数据集成早已不是几年前或十几年前数据集成的概念,它现在与商务智能(BI)相结合、与“大数据”密不可分,因此,我们需要重新认识并操控它。

  • Oracle Data Integrator系统架构介绍

    Oracle公司的数据加载工具ODI(Oracle Data Integrator)提出了一种“ELT”的架构,也是数据整合的一个开发平台,,在不同信息系统或者数据库之间做数据传输、转换。

  • Report Builder 3.0实用手册

    Report Builder 3.0 是一种可以用于设计和发布自己的报表的报表创作工具,它同微软最新的SQL Server 2008 R2可以很好地协作,从而给用户带来更加强大的商业智能功能。

  • 新兴大数据分析工具实用手册

    TechTarget中国商务智能网站将众多新兴大数据分析工具打包奉送,包括Amazon Elastic MapReduce、Splunk、Yarn、SharePoint、Teradata QueryGrid和Facebook图谱搜索。

TechTarget

最新资源
  • 安全
  • CIO
  • SOA
  • 数据库
  • 网络
  • 云计算
【TechTarget中国原创】

有时候大数据分析总是在原地踏步,似乎数据信任的问题阻碍了数据分析的进一步发展。业务领导们理解新数据分析是必须经历的转型,但是他们不确定这种转变是否值得信赖。最近,咨询专业服务公司KPMG(毕马威会计事务所)的一份调查报告对这种进退两难的处境提供了一些分析。

Forrester研究公司在2016年7月发起了一份调查报告,针对KPMG(毕马威会计事务所)管理的2165位数据和分析决策制造商进行调查。报告显示,数据和分析工具已被广泛用于分析现有客户(50%)和发现新客户(48%)。然而,只有大约34%的业务负责人“非常信任”工具分析业务运营数据得到的结论。

调查结果表明,企业在数据和分析工具方面的投入逐渐增加。因此,数据分析领域的专家Bill Nowacki认为,分析结果的受信任程度理所当然也在变好。在TechTarget组织的一次采访中,Nowacki表示分析工具需要更加透明。也就是说,分析工具应该给管理层展示推荐观点背后的逻辑,展示分析工具给出结论的依据。

Bill Nowacki表示,目前大家对于“分析是必不可少的”这一核心理念已经基本认同了。不过,企业对管理层的培训还不够,业界普遍应该对此采取一定措施。

调查报告的统计图表显示,企业对分析的整体接受度呈现U形走势。回想前几年,大家都在构建各种分析模型,没有充分的比较分析就很快直接购买。这些工具都被纳入常规决策,这种状态持续了较长一段时间。

后来,我们看到某些决策并没有预期的那么准确。模型的真实可信度就面临着很大的挑战。现在,我们处在U形趋势的底部,是时候以更加严肃的态度来看待它了。我们要考虑使用哪些数据,数据来自哪里,数据是否足够正确等等。

业界已经开始使用一些预测模型了,尤其是在市场营销和定价方面。人们用模型做优化或者资产管理。我们看到许多类似的案例。但是,如果涉及到公司的关键业务,就要确保业务稳定更加慎重考虑了。

如果回顾一下FICO公司(全球预测分析和决策管理公司)的发展历程,就会发现在20世纪80年代到90年代,他们已经使用神经网络实现了较好的高度可预测的信用评分。不过,缺失的仍然是解释能力。

监管人员表示,“如果你想让大家都相信,你必须能解释为什么。”大家都需要更好的透明度,需要理解引擎为什么会给出这些观点,并理解这些观点代表什么。

如果工具都是“黑盒子”,大家很难信任它。因此,在设计阶段做选择时应考虑提高透明度,这样可以逐渐培养一些信任。

今天我们看到的是更加深思熟虑的设计,也需要花时间思考怎样才可以达到更好的效果,这样才会获得长足发展。例如,人们会检查他们的零售店投资组合,利用所有签名或登记信息发现所有店铺里真正优质的客户群。如果能拿到的是所有的真实样本,可以在这个群体中设定目标价格,看是否能得到预期结果。一旦确认价格调整在小范围客户群中有效,就可以一点一点实施到更大范围的群体中。这种小步变革的方式很容易实现逐步推广。

高管们已经逐渐接受针对各种业务进行分析,但是没有什么比成功案例更有说服力的了。我们应该慎重地看待市场,看看我们设定的试验目标并验证之前利用大数据对市场的预测,这样也可以帮助增加对数据分析工具的信任。