看Gartner著名分析师Mike滚动副总裁讨论现代d和a的基础策略和地址最佳实践应该利用在创建虚拟数据驱动的商业策略Gartner数据和分析2021年峰会。整个会话,点击在这里。
数据和分析(d和a)指的是方法数据管理支持所有使用的数据,分析的数据推动改善决策,业务流程和结果,如发现新业务风险、挑战和机遇。
数据和分析现代企业尤其重要,因为它可以提高决策的结果为所有类型的决策(宏观、微观、实时、周期性、战略、战术和操作)。同时,d和a可以发掘新的问题和创新的解决方案,和机遇,商业领袖甚至没有考虑。
进步组织使用数据在许多方面和必须经常依靠数据以外的边界控制智能业务决策。
数据和分析也是一个数字战略的催化剂和转换,因为它可以更快、更准确和更相关的决策在复杂和快速变化的业务环境。
决策是由个人(例如,当一个销售前景正在考虑是否购买产品或服务)和组织团队(例如,在确定如何最好地服务客户端或公民)。数字策略,因此,多问聪明的问题通过数据来改善这些决策的结果和影响。
数据驱动的决策意味着使用数据来解决如何提高决策过程。这就导致的想法决策模型,包括说明性的分析技术,生成输出,可以指定要采取的行动。其他分析模型描述性的,诊断或预测(也看到“核心分析技术是什么?”),这些可以帮助与其他类型的决策。
同样值得注意的是,决定采取行动但可能决定不采取行动。
进步组织数据和分析注入商业战略和数字转换通过创建一个视觉的数据驱动的企业,量化和沟通业务成果和培养数据点燃业务变化。(参阅“数据和分析策略的关键要素是什么?”)
现在,越来越多的组织利用先进的分析来解决业务问题,但问题的性质和复杂性决定了选择是否和如何使用预测,预测或模拟预测分析组件。(参阅“什么是高级分析?”和“核心分析技术是什么?”)
扩展数字业务特别是复杂决策和需要的数据科学和更先进的技术。的组合预测和说明性能力使组织能够快速响应不断变化的需求和约束。
下面是例子相结合的预测和模拟的预测能力具有说明性的功能:
数据和分析也以不同的方式使用为不同类型的决策。更有效的业务决策需要行政领导人知道何时和为什么人类决策的最好补充数据和分析的力量和人工智能。
是很重要的对于每个组织定义数据和分析对他们意味着什么和什么计划(项目)和预算是必要的捕捉机会。
的关键步骤数据和分析战略规划是:
企业运营模式的数据和分析还必须努力克服生态系统的数据误差,架构和组织交付方法需要执行d和a的策略。
Gartner的定义数据读写的能力读、写和沟通数据上下文。它需要一个数据源和结构的理解,分析方法和技术应用和描述用例应用程序的能力和价值。这听起来像一个理由培训每个员工作为一个数据科学家,情况并非如此。从业务的角度来看,你可能会简单地总结数据读写能力作为一个项目来帮助商界领袖学习如何问聪明的问题的数据。
组织内部构建数据读写是一个文化和变更管理的挑战,而不是技术。d和a是更加普遍的在所有方面的业务,在社区,甚至在我们的个人生活。相关语言的沟通能力——的——组织的成功越来越重要。然而,这种持久的,有意义的改变要求人们学习新技能和行为。
组织的最佳实践包括将更加强调,能源和精力投入到变更管理的d和a策略,利用领导和变革推动者,解决数据读写(“技巧”,也表示为“资质”)和文化(“,”或者表述为“态度”)。数据读写能力必须从一个领导者的立场。例如,CIO或首席数据官,随着金融(通常是商业智能(BI))领导和人力资源部组织(发展和培训),可以引入数据扫盲计划为同行提供适应的工具和采用d和a在各自的部门。
数据作为一个整体的数据读写课程的一部分,讲故事可以创建积极和有效的利益相关方参与。它故意技术适用于框架数据在数据驱动的故事和见解,使利益相关者更容易解释,理解和行动上的数据共享。
数据和分析治理(或许多组织所谓的“信息治理”)指定决策权和问责制,以确保适当的行为在组织寻求价值,创建、存储、访问、分析、使用、保留和处理他们的信息资产。链接的关键数据和分析治理的总体业务战略和锚定它的数据和分析资产组织利益相关者认为至关重要的。
数据和分析治理包含了人(如执行政策制定者、决策者和商业d和a管家),流程(如d和a建筑和工程过程和决策流程)和技术(如主数据管理中心)提供一个企业信任和可靠的关键任务数据。
值得注意的是,虽然治理最初仅关注法规遵从性,现在发展和扩大管理最少的数据业务影响最大的——换句话说,d和a治理已经适应增加业务价值的进攻能力,保护组织以及防御能力。
有效的数据和分析治理也必须平衡企业级和业务领域的治理,但它需要一个标准化的企业方法,已经被证明足够吸引商业领袖。d和a治理并不存在于真空;它必须采取从d和a的策略。确保引用特定的业务结果通过整合具体,可衡量的指标(例如,客户保留在一个特定的细分市场的百分比,百分比的收入通过生态系统合作伙伴),链接数据和分析资产与业务和涉众和计划值。
集团曾经分开的数据分析团队,并相应地管理每个实体,但以前截然不同的市场对这些技术在许多不同的方式碰撞。例如,数据管理平台日益纳入分析,特别是毫升,加快他们的能力。
BI平台发展数据分析和科学能力,和新平台等新兴的d和a治理。云服务提供商创造另一种形式的复杂性,因为他们越来越主导的基础设施平台,使用这些服务。
传统平台数据,分析和人工智能市场难以容纳越来越多的数据和分析用例,因此组织必须平衡现有的高总拥有成本,本地解决方案对需要增加资源和新兴功能,如自然语言查询、文本挖掘、半结构式和非结构化数据的分析。
的数据和分析的未来因此需要组织投资可组合,增强数据管理和分析支持先进的分析架构。现代d和a系统和技术可能包括以下。
数据结构是一个新兴的数据管理设计,使增强跨异构数据源的数据集成和共享。数据面料已成为一个越来越受欢迎的设计选择简化一个组织的数据集成基础设施和创建一个可扩展的架构。
一旦被广泛实现,数据面料可以明显消除手动数据集成任务和增加(在某些情况下,完全自动化)数据集成设计和交付。然而,数据面料仍一个紧急设计的概念,目前并没有一个单一的供应商提供,通过一个集成的方式,所需的所有成熟的组件整合数据结构。最终,组织必须决定是否要使用现代化功能开发自己的数据结构生成上述技术,如活跃元数据管理。
数据结构也由一个成熟和不成熟的技术组件,因此组织必须仔细混合和匹配可组合技术组件作为他们的用例的演进。
传统二维平台的挑战来处理日益复杂的分析,和本地解决方案的总体拥有成本继续增长的复杂性,增加了资源和环境的维护。相比之下,云数据和分析提供了更多的价值和功能通过新的服务、简单性和敏捷性处理数据现代化,要求新类型的分析,如流分析、专业数据存储和更多self-service-friendly工具支持端到端部署。
云部署——无论是混合动力,multicloud或intercloud——必须占许多d和a组件,包括数据摄入、数据集成、数据建模、数据优化、数据安全性、数据质量、数据治理、管理报告、数据科学毫升。
先进的分析使用复杂的量化方法产生的见解可能发现通过传统的商业智能(BI)的方法。它跨越了预测、说明性的和人工智能技术,如毫升。简而言之:
虽然对每个组织都是有价值的原因各不相同,整个市场正在发生变化。分开,而不是集中在传统和先进的分析方法,这些技术正在成为可组合和组织角色和角色——从业务角色想要自助能力高级分析角色寻求项目和工程师。
增强分析指的是使用ML /人工智能技术将从分析见解如何开发、使用和共享。增强分析包括自然语言处理和会话接口,它允许用户没有高级技能与数据交互和见解。
先进的分析使行政领导人问和回答更为复杂和具有挑战性的问题及时和创新的方式。这将创建一个基础更好的决策通过利用先进的和聪明的机制来解决问题(解释事件,支持和自动化决策和采取行动)。
先进的分析可以利用不同类型和数据输入的来源比传统分析,在某些情况下,创建新数据,所以需要一个严格的数据治理策略和计划所需的基础设施和技术。例如,数据可用于湖泊管理非结构化数据在它的原始状态。(参阅“数据和分析技术的未来是什么?”)
先进的分析提供了一个成长的机会数据和分析领导人加速成熟,使用的数据和分析来驱动智能业务决策和结果的改善他们的组织。评估当前和预期的未来状态的d和a的策略和操作模型捕捉机会至关重要。
数据被广泛应用于每个组织,虽然并不是所有的数据用于分析,没有数据分析不能被执行。所需的技术数据,其所有用例,和数据的分析大范围存在,这有助于解释不同的使用——组织和供应商的术语“数据和分析”(或“数据分析”)。
引用“数据”暗示或者暗示操作使用的数据,应该说,业务应用程序和系统,如核心银行、企业资源规划和客户服务。“分析”(或叫“数据分析”)指的是用例分析的数据经常发生下游,在交易发生后。
描述分析,包括四个技巧:
它使用商业智能(BI)工具、数据可视化和仪表板回答,发生了什么事?还是发生了什么?采购,例如,可以回答这样的问题,我们花在商品X在去年最后一个季度?和Y对大宗商品最大的供应商是谁?
这需要更深入和数据挖掘能力回答,X为什么会发生?例如,销售领导人可以使用诊断确定卖家的行为有望满足他们的配额。
预测分析通常涉及概率,可以用来预测的一系列结果随时间变化(预测)或强调不确定性相关多个可能的结果(即模拟)。它告诉我们期待什么,解决的问题,可能会发生什么呢?然而,它并没有回答其他问题,例如,应该做些什么呢?
预测分析依赖于技术,如预测建模、回归分析、预测、多元统计、模式匹配机器学习(毫升)。
规范性分析打算计算达到或影响结果的最佳方式——它旨在推动行动。当与预测分析相结合,规范的分析自然利用和扩展预测见解,解决的问题,应该做些什么?或者我们能做什么来实现一个给定的结果吗?
规范的分析包括基于规则的方法(加入已知的知识以结构化的方式)优化技术(传统上使用的操作研究小组)内寻找最优结果约束生成可执行的行动计划。规范的分析依赖于技术,如图像分析、仿真、复杂事件处理和推荐引擎。(参阅“先进的分析是什么?”)
结合预测和说明性能力往往是解决业务问题的关键的第一步,驾驶更明智的决定。了解潜在的用例不同类型的分析识别的角色和能力至关重要,基础设施和技术,您的组织真正需要数据驱动的,尤其是当四个核心类型的分析与人工智能(AI)增加收敛。
术语“大数据“几十年来一直使用来描述数据的特点是高容量、高速度、高品种,和另一个极端条件。然而,大数据时代缩影为企业的风险和机遇,特别是数据流量的激增(尤其是互联网使用和计算能力)的进化提供了一个丰富的见解来改善决策但为组织创造挑战他们如何存储、管理和分析大数据。
大多数组织已经发现推导方法商业智能从大数据,但是许多难以管理和分析一个多样化和广泛的内容(包括音频、视频和图像资产)规模,特别是随着宇宙的数据源和变化和需要的见解越来越受到先进的分析。
进步组织不再区分管理,努力控制和洞察力来自non-big和大数据;今天,它的所有数据。相反,他们正积极想要利用新的数据和分析,寻找关系的组合不同的数据,以提高他们的业务决策,过程和结果。
合成数据例如,利用生成采样技术来模拟现实世界的数据或通过创建场景模型和流程交互创建全新的数据不能直接取自真实的世界。这是最有帮助的ML建立在数据集包含异常情况,业务用户不知道是可能的,即使远程。这些数据仍需要帮助训练这些毫升模型。
全球大流行和其他业务中断也加速了需要使用更多类型的数据在范围广泛的用例(尤其是历史大数据已经证明不那么相关作为未来的决策)的基础。关注数据的采购,数据质量,偏见和隐私保护也影响大数据收集和,因此,新方法被称为“小的数据”和“广泛的数据”出现的地方。
宽阔的方法使数据分析和协同的各种小型和大型数据源——高度有组织的主要定量(结构化)数据和定性(非结构化)数据。小的数据方法使用一系列分析技术来生成有用的见解,但是它用更少的数据。
现在在Gartner,我们使用术语X-analytics共同描述小,宽,大数据——事实上,各种各样的数据,但我们预计,到2025年,70%的组织将被迫把注意力从大数据小,宽数据来更有效地利用现有数据,通过减少所需的体积或从非结构化提取更多的价值,不同的数据源。(参阅“先进的分析是什么?”)
这和其他预测数据分析的演变提供了重要的战略规划假设提高d和a视觉和交付。