三位行業(yè)思想領(lǐng)袖對數(shù)據(jù)分析行業(yè)的未來發(fā)展進行了預(yù)測，并就如何更有效地利用數(shù)據(jù)提供了建議。
數(shù)據(jù)分析對于組織運營十分重要，而在任何市場中獲得成功都需要有效地使用數(shù)據(jù)。那么會遇到什么問題?隨著應(yīng)用程序和市場發(fā)展變得越來越復雜，數(shù)據(jù)分析行業(yè)也越來越復雜。
為了深入了解如何在2021年及以后的時間里從數(shù)據(jù)中獲取更多信息，Splunk公司首席技術(shù)官Andi Mann、德勤咨詢公司總經(jīng)理Mike Kavis、Edgevana公司首席執(zhí)行官Mark Thiele對以下主題進行了闡述和分析：
組織采用數(shù)據(jù)分析的現(xiàn)狀是什么?組織在何種程度上成功實現(xiàn)了數(shù)據(jù)分析實踐?
Mann：數(shù)據(jù)分析適用于很多組織，尤其在零售行業(yè)中網(wǎng)上商店產(chǎn)品的動態(tài)定價等。
很多組織使用數(shù)據(jù)分析來了解客戶參與度以及針對問題或安全漏洞的異常檢測，這是十分有效的。從業(yè)務(wù)層面和技術(shù)層面來看，有很多分析是有效的，但也有很多是無效的。
我認為數(shù)據(jù)分析現(xiàn)在正處于變革階段，可以從現(xiàn)實的角度和政治的角度來討論這個問題，也可以從技術(shù)的角度來討論這個問題。很多組織正在努力找出有效的方法，并進行嘗試，某些事情取得成功，某些事情遭到失敗。
這很大程度上是不受控制的。我非常擔心數(shù)據(jù)倫理以及將人們的偏見投入分析、機器學習和人工智能，我認為肯定會得出一些結(jié)果，但這一切都很不平衡。
Kavis：我認為在產(chǎn)品層面，有時是成功的，因此某些服務(wù)或產(chǎn)品具有數(shù)據(jù)分析支持，而一些組織在內(nèi)部部署設(shè)施處理信息，他們沒有相關(guān)用例。
隨著云計算的應(yīng)用更加廣泛，處理和存儲數(shù)據(jù)的成本更低，我認為產(chǎn)品和服務(wù)的使用成本也將降低，它們實際上是在利用這項技術(shù)作為產(chǎn)品的一部分。就像零售業(yè)和制藥業(yè)可以充分利用數(shù)據(jù)分析并真正發(fā)揮作用。
Thiele：大多數(shù)公司面臨的關(guān)鍵問題之一是無法確定一個或兩個指標，也無法確定他們認為對這些指標很重要的數(shù)據(jù)。
因此，組織需要獲得良好的指標，例如，可以獲得有關(guān)客戶與組織產(chǎn)品互動的信息的周轉(zhuǎn)時間。但是，如果需要花費兩周或兩個月的時間來響應(yīng)和處理這些數(shù)據(jù)，那么將失去價值。
從成功的角度來看，零售行業(yè)就是一個很好的例子。沃爾瑪公司多年來在數(shù)據(jù)分析方面一直很出色，即使在大數(shù)據(jù)和數(shù)據(jù)分析的初期。但是我真正看到的地方是在工廠車間和大型關(guān)鍵基礎(chǔ)設(shè)施中。很多組織正在使用針對設(shè)備的分析，并就維修周期甚至卡車的加油時間表做出實時決策，從而提高了效率。并在總體上提高了性能或安全性。
在2021年，數(shù)據(jù)分析在邊緣計算的應(yīng)用有多重要?
Mann:我認為，數(shù)據(jù)分析無處不在。以風力發(fā)電運營商為例，為了防止風力渦輪機發(fā)生災(zāi)難性故障，是否需要將其關(guān)閉進行預(yù)防性維護?當風力渦輪機定期發(fā)送運行信號時，真的需要將這些信號傳輸?shù)胶诵臄?shù)據(jù)中心進行處理嗎?因此，數(shù)據(jù)分析有必要在邊緣計算設(shè)施進行處理。
Thiele：邊緣計算對于組織來說，是一個可以收集新數(shù)據(jù)并以新方式進行處理的機會。與我們公司合作的大多數(shù)客戶的負載都在邊緣工作，而事實表明，在邊緣處理的數(shù)據(jù)量往往比人們預(yù)期的要大得多。
簡而言之，在大多數(shù)情況下將數(shù)據(jù)發(fā)送到其他地方?jīng)]有任何意義。從投資回報率的角度來看，在許多情況下，將數(shù)據(jù)發(fā)送到核心數(shù)據(jù)中心進行處理在經(jīng)濟上是不可行的。
在許多情況下，降低延遲為了從數(shù)據(jù)中獲得價值并以盡可能低的成本實現(xiàn)價值，組織希望在任何地方對它進行分析。
Kavis:我們?nèi)砸燥L力渦輪機為例。風力渦輪機通常安裝大量傳感器，并裝有執(zhí)行器。執(zhí)行器根據(jù)指令改變?nèi)~片的角度，以最大程度地提高發(fā)電量。
風力發(fā)電商通常會設(shè)置智能信息：“如果風力變化很大，需要調(diào)整葉片轉(zhuǎn)動的速度。”因此在那種情況下，就不需要采用實時人工智能技術(shù)，因為已經(jīng)設(shè)置了指令。組織要做的是將不相關(guān)的數(shù)據(jù)流回數(shù)據(jù)中心，以找出原因和方式，然后返回邊緣計算設(shè)施并更改指令集。因此在這種情況下是一個非常靜態(tài)的環(huán)境。
現(xiàn)在將了解智能流量。組織必須查看正在發(fā)生的事情并做出決策，隨著時間的推移，機器學習的算法會變得更加智能。當然，組織需要進行一些分析，但是實際上一切都必須在邊緣計算設(shè)施中進行。
實時解決方案對于架構(gòu)師來說是一個挑戰(zhàn)。他們必須了解每件事，查看有意義的內(nèi)容以及具有足夠的預(yù)算，因為無論采取哪種方式都涉及到成本支出。
對在未來一年希望更好地使用數(shù)據(jù)分析的管理人員有什么建議?
Kavi：我通常更關(guān)注商業(yè)價值。因為組織希望通過實施用例并最終獲得期望的結(jié)果，這樣可以制定決策并采取行動。因此出于技術(shù)考慮，有些項目花費大量費用卻得不到很好的結(jié)果。但是利用數(shù)據(jù)分析來獲得業(yè)務(wù)成果，可以改變業(yè)務(wù)模型或大幅度提高生產(chǎn)率，這些都是我所關(guān)注的事項。
Mann:我們發(fā)現(xiàn)，組織收集的數(shù)據(jù)越多，對數(shù)據(jù)的操作越多，則共享的數(shù)據(jù)就越多，實際上會獲得更好的結(jié)果，例如增加收入、降低成本、技術(shù)創(chuàng)新、提高速度，獲得敏捷性。
這實際上是有道理的：收集和分析的數(shù)據(jù)越多，做出決定的速度就越快，尤其是在擁有良好的分析工具集的情況下。所以我會說需要收集更多的數(shù)據(jù)。
另一方面，數(shù)據(jù)分析減少了人們的偏見。組織擁有的數(shù)據(jù)越多，就越有可能減少個人觀點和偏見。因此，收集并共享更多數(shù)據(jù)，以便更快、更有效地做出更好的決策，將會減少偏差。
Thiele：數(shù)據(jù)是至關(guān)重要的，但是很多人認為收集更多數(shù)據(jù)就會得到更好的結(jié)果。實際上，最重要的一點是知道組織要查找的內(nèi)容并能夠提出正確的問題，然后向數(shù)據(jù)庫中添加更多的數(shù)據(jù)，這有助于降低產(chǎn)生偏見的風險，并可能給出更準確的答案。
根據(jù)過去的15年的發(fā)展趨勢，在大多數(shù)情況下，失敗和成功的比例為7：3或4：1。也就是說，在組織的業(yè)務(wù)獲得成功之前，在數(shù)據(jù)湖和數(shù)據(jù)分析等各個層面上都可能失敗。
在實施數(shù)字化轉(zhuǎn)型過程中，大多數(shù)組織都著眼于數(shù)據(jù)分析、客戶和效率。但是，一些開始數(shù)字化轉(zhuǎn)型的組織認為，如果組織對要達到的目標沒有清晰的愿景，那數(shù)字化轉(zhuǎn)型將對其業(yè)務(wù)運營產(chǎn)生負面影響，這也適用于計劃如何使用數(shù)據(jù)以及如何維護數(shù)據(jù)和驗證數(shù)據(jù)的組織。
