数据分析的关键要素

  目前正在进行的数据分析革命有可能改变公司组织运营、人才管理和价值创造的方式，这种情况已经发生在一些成功借助数据分析并从中获得重大回报的公司，例如Facebook、Google、腾讯等。有效的数据分析往往是一连串典型的业务问题，这意味着公司高级管理人员必须能够明确目标，然后将其转化为行动并用数据进行量化，由此加强公司内部和外部每个流程节点的管控。本文将从以下六个方面阐述有效数据分析的关键要素：

·  提出明确的问题
  许多公司都试图尽可能多的收集数据，然后看看数据呈现出了什么样的状态。这可能会陷入一个数据分析的误区，正确的方法应该是先明确清晰的业务目标，例如“我们如何降低实施环节的成本”、“我们如何才能提高团队中每个成员的生产力”等等。然后想想如何将数据指标与业务需求结合起来，从而迭代实际的业务示例，并探究突破点所在的位置。在对资金和时间有严格限制的现实世界中，在数据收集之前提出明确的问题，即使最后只有部分的数据被开采也能收到更加立竿见影的效果。
·  从细节开始改进
  大数据分析的影响通常表现为成千上万渐进式的小改进，即最小的改变也可能产生最大的差异。如果公司将单个流程划分为多个的小区间并尽可能的量化，或者系统地将较小的改进结合到更多的流程中，那么收益将会是指数级的增长，例如GE在其飞机发动机中嵌入传感器，以实时跟踪其每个部件的动态数据，从而可以更快地进行调整并大大减少维护停机时间，又例如某家餐饮公司将整个制造过程进行分解，通过比对每个制造过程的数据发现烤箱烘烤温度调整不仅能使产品口感更佳，还能够降低生产成本。
·  全面的数据组合
  很多时候公司会不断挖掘单个数据集的价值，却没能考虑不同数据集之间的组合价值。例如，人力资源部可能拥有全面的员工绩效数据，运营有特定资产的综合信息，财务有全公司的财务信息。全面查看不同的数据源，可能会发现额外的位于不同数据集之间沟渠中的价值。这种方法类似于维恩图，通过对两个或以上的数据集叠加查看可以更清楚地看到关键问题。

·  确保数据循环运行
  循环运行的宗旨是观察、定位、制定周期并采取行动。例如Google长期坚持以数据为中心的决策，将消费者反馈建立在解决方案中，并迅速迭代出人们不仅使用而且喜爱的产品。数字化使得反馈周期不断加快，通过分析每个新输入而改进的机器学习算法能够使得公司循环迭代的次数越来越快，从而保证公司在市场上获得更大的竞争优势。
·  保证输出的易用性
  虽然好的算法可以创造奇迹，但其本身并不会阐述问题。大量的数据反馈结果往往需要进行二次包装才能面向用户，毕竟用户直接对数据解读具有一定的局限性。这就是为什么一个简单易用的界面会增加用户粘性，而不是展现更具有不平衡个性的详细计算公式。
·  建立一支多技能团队
  数据分析是一项团队运动，关于采用哪种分析方法、数据来源以及如何提出问题需要基于团队判断。组建一个强大的团队有点像创造美食，需要混合精细的成分和激情。主要团队成员包括数据科学家，他们帮助开发和应用复杂的分析方法，具有数据集成和分布式计算等领域技能的工程师，以及用户界面开发人员和创意设计人员，确保产品在视觉上美观且直观有用，最后还需要一名“翻译人员”将IT、数据分析学科与业务决策联系起来。