北京2018年3月13日電 /美通社/ -- 英特爾首席數(shù)據(jù)科學家鮑勃·羅杰斯（Bob Rogers）近日發(fā)表了題為《你對數(shù)據(jù)分析是不是有什么誤解？來看看這六個問題》的文章，以下為全文：
數(shù)據(jù)對于現(xiàn)代企業(yè)的重要程度不言而喻，擁有卓越的數(shù)據(jù)分析能力可在市場上擁有更大的競爭優(yōu)勢。然而企業(yè)用戶和一些決策者對于數(shù)據(jù)分析仍然有一些誤解和偏見。
比如：
“我們企業(yè)并不需要機器學習這樣的高級分析工具?！?br />“我們有很多數(shù)據(jù)，但是分析沒啥用。”
“我們要進行數(shù)據(jù)分析就必須要聘請一批數(shù)據(jù)科學家！”
接下來我們一一揭開這些對于數(shù)據(jù)分析迷之誤解背后的真相。
1，“為了部署像機器學習（ML）這樣先進的分析技術(shù)，我們必須購入新硬件和大量投資專用基礎(chǔ)設(shè)施?！?/b>
真相：部署高級的數(shù)據(jù)分析其實沒你想象中那么遙遠。
許多公司已經(jīng)擁有大量的高級分析基礎(chǔ)設(shè)施。例如，工廠車間通常有數(shù)千個傳感器，但通常不是所有的傳感器都被使用，因為它們產(chǎn)生的數(shù)據(jù)是紛雜的，那么能夠很好的管理，存儲和集成所有的數(shù)據(jù)就是一個很好的起點。
如果沒有可用于分析的大量現(xiàn)有硬件，也不用太擔心，許多云服務(wù)提供商（CSP）就可以提供現(xiàn)成的高級分析功能。利用這些資源運行一些試驗項目，并由此制定有效的使用案例，然后可以制定一個長期投資路線圖，并清楚了解投入產(chǎn)出比。
如果選擇內(nèi)部運行，則可以使用現(xiàn)有的基于英特爾技術(shù)的平臺來經(jīng)濟高效地支持新項目。
2，“我們不需要像機器學習這樣的高級分析工具?！?/b>
真相：無論企業(yè)規(guī)模大小，每個企業(yè)都需要高級分析。
很多企業(yè)都在做數(shù)據(jù)分析，也不乏很多企業(yè)還在用excel或者簡單的在線系統(tǒng)報告來做“數(shù)據(jù)分析”。
真正的數(shù)據(jù)分析當然沒有那么簡單，不過分析數(shù)據(jù)的第一步是要知道手中到底掌握什么數(shù)據(jù)，在分析之前就要組織好。簡單的在線系統(tǒng)報告顯然已經(jīng)過時了，拜托，現(xiàn)在可是在數(shù)據(jù)爆炸的時代。
要跟上競爭的步伐，了解數(shù)據(jù)的實時趨勢，使用當前的數(shù)據(jù)來預(yù)測和影響明天會發(fā)生的事情，這一點很重要。運用先進的機器學習和其他人工智能技術(shù)，可以更快速地理解更多類型和更大量的數(shù)據(jù)。例如，人工智能技術(shù)可以幫助企業(yè)在業(yè)務(wù)流程中自動處理來自文本和圖像的信息，這有助于更高效的決策。隨著這些數(shù)據(jù)分析方式變得更加主流，那些不接受它們的人就肯定out啦。
3，“我們有很多數(shù)據(jù)，但分析不起作用?！?/b>
真相：分析數(shù)據(jù)當然是有用的，但是分析的必須是有效的數(shù)據(jù)。
在一個高級數(shù)據(jù)分析的項目中，經(jīng)常會遇到這樣的抱怨“費功夫分析了這么大量的數(shù)據(jù)，最后得出的怎么還是錯誤的結(jié)果？
這與數(shù)據(jù)的質(zhì)量有關(guān)。企業(yè)在分析數(shù)據(jù)之前需要有效的方式來收集數(shù)據(jù)，并進行去重和實時更新。AI（人工智能）和ML（機器學習）算法只能處理給定的數(shù)據(jù)，所以低質(zhì)量的數(shù)據(jù)意味著低質(zhì)量的結(jié)果。所以正確的使用數(shù)據(jù)管理策略，才會獲得真知灼見。
4，“要做數(shù)據(jù)分析，我們需要聘請一批數(shù)據(jù)科學家！”
真相：遠在天邊，近在眼前。
其實不是每個公司都需要一個常駐博士或者數(shù)據(jù)科學家。了解業(yè)務(wù)需求和掌握有效數(shù)據(jù)對決策者才是至關(guān)重要的。填補一個數(shù)據(jù)科學家的職位可能會非常棘手，特別是有特定產(chǎn)品或?qū)I(yè)知識要求極高的行業(yè)，并不一定有非常匹配的數(shù)據(jù)科學家可以有效地發(fā)揮作用。所以說借助一些數(shù)據(jù)分析工具或者開展一些專業(yè)培訓，在企業(yè)內(nèi)部可能已經(jīng)培養(yǎng)出了所需的專家。
另一種方法是讓運營業(yè)務(wù)人員直接運用數(shù)據(jù)分析工具。借助基于云的服務(wù)可以清理和處理企業(yè)的數(shù)據(jù)，并提供出展示洞察的算法，這可以使得企業(yè)的業(yè)務(wù)專家轉(zhuǎn)變?yōu)閿?shù)據(jù)專家。
5，“要去分析每一個數(shù)據(jù)”
真相：分析每一個數(shù)據(jù)是不可能的，也是不必要的。衡量什么是戰(zhàn)略才是至關(guān)重要的。
當企業(yè)開始收集和整合數(shù)據(jù)時往往會遇到一個很大的誘惑——使用它的一切。但是這種方法可能會變得笨重和昂貴，而且大量不相關(guān)的信息會對結(jié)果產(chǎn)生不利影響。不斷自省正在分析哪個數(shù)據(jù)集是非常重要的。如果正在分析的這一部分數(shù)據(jù)是沒有商業(yè)需求的，那大可以去分析更重要的數(shù)據(jù)。
這里要強調(diào)的就是數(shù)據(jù)分析要基于業(yè)務(wù)需求。企業(yè)正在部署什么？企業(yè)一旦知道了這一點就可以設(shè)定可衡量的目標，基于這個目標去開展數(shù)據(jù)分析工作。
6，“高級數(shù)據(jù)分析意味著企業(yè)需要雇用額外的IT人員。”
真相：現(xiàn)有團隊其實足以迎接挑戰(zhàn)。
對于一個企業(yè)來說，如果有自己的IT團隊，那么數(shù)據(jù)分析方面是有基礎(chǔ)的，也可能已經(jīng)取得一些進展。數(shù)據(jù)分析最初的工作更多的是充分利用現(xiàn)有的數(shù)據(jù)。在有基礎(chǔ)且有數(shù)據(jù)分析能力的情況下，企業(yè)就有機會吸引才華橫溢的IT專家，他們會津津樂道地組織分析創(chuàng)新領(lǐng)先的機會。
還有一種方法就是盤點公司內(nèi)部已有的數(shù)據(jù)分析能力，并與外部顧問（如行業(yè)分析師或供應(yīng)商）合作，獲取他們的建議并開展相關(guān)培訓。如企業(yè)選擇內(nèi)部開發(fā)算法，可以通過FaaS模型（Function as a Service,功能即服務(wù)，是一種無服務(wù)器計算，是IaaS演進的下一個階段，它將底層基礎(chǔ)架構(gòu)從開發(fā)人員中分離出來,基本上虛擬化了運行和運營管理，無服務(wù)器架構(gòu)允許開發(fā)者執(zhí)行給定的任務(wù),而不必擔心服務(wù)器、虛擬機或底層計算資源，可極大地減少操作開銷和周期。）將其提供給組織內(nèi)的其他人，以較大限度地減少開發(fā)時間。
所以無論企業(yè)規(guī)模大小，都應(yīng)該開展數(shù)據(jù)分析，數(shù)據(jù)分析也并不是遙不可及，企業(yè)要激發(fā)自有IT團隊的能力，充分釋放數(shù)據(jù)潛力，讓企業(yè)增強市場競爭力。
