你没有意识到公司数据的全部价值

你在雪花和Looker? Great. But for most companies, 当涉及到大规模的数据和分析操作时,拥有云数据堆栈只是冰山一角. We share 五个不明显的障碍 当企业变得受数据驱动时,会面临一些问题,一些行业领先的数据工程和分析团队正在努力克服这些问题.

In 2021, 你很难找到一家不想被视为“数据驱动”或“数据优先”的公司.” Yet for most, 数据分析只是一个流行词, 不是关键业务价值的创新来源.

为了让你的企业的数据分析策略充分发挥其潜力, 您必须在整个组织中建立一种数据欣赏和采用的文化. 推荐一个正规滚球网站分享了5个最常见的阻碍卓越分析的挑战,以及如何解决它们.

挑战1:试点项目太多,规模太小

Many times, 数据被用来解决飞行员和实验背景下的孤立问题, 没有完全产品化的项目. This is common, 特别是在构建数据驱动企业的早期阶段, 但这是一个你应该尽快解决的问题. 

太多的飞行员给公司其他部门造成了一种误解——数据只是实验用的, 不创建业务价值. 这种看法使得人们很难开始对数据和分析的可能价值建立共识和共同理解. 

As swiftly as possible, 通过将你的数据和分析愿景与你的整体商业战略相一致,从而进入一个战略性的位置. 确定数据和分析解决方案可以明确交付最关键元素的优先级,并通过快速将经过验证的概念试验应用到生产中,来解锁被困价值. 

当你确定关键的优先事项时,问你自己—— 你们的数据和分析解决方案的目标是什么? 你想回答什么商业问题? 在你的工作基础上,你将授权商业领袖采取哪些行动? 这些举措将创造多大的价值啊?

挑战#2:组织瓶颈

即使您有结构良好的数据, 你需要在正确的团队中找到拥有正确技能的人来利用它. 开发出如何利用数据解决问题的绝妙想法的团队可能没有准备好测试和扩展解决方案, 造成了瓶颈,并削弱了对数据支持计划的信心.

解决这一挑战的一种行之有效的方法是采用“Hub-and-Spoke”模型, 一个专用的中心拥有战略和治理, talent management, 并提供全公司范围的数据和分析服务,供整个组织利用. 

“Hub”通过向企业交付具有正确功能的关键服务来加速业务价值. “Spoke”团队拥有深厚的功能知识,致力于功能路线图,执行功能数据和分析计划, 具备特定功能的技能,更好地理解功能需求和流程. “辐条”遵循“中心”所设定的共同准则和原则。, 并且对跨职能的企业范围的计划的采用和价值实现负责, championed by “Hub.你还应该组建敏捷交付小组, 一个由多个团队组成的跨职能团队,有自己明确的目标, 他们自主工作的方向是什么. 每个小组都有一个“产品负责人”,并将要做的工作按优先级排序.

退一步,检查一下你的组织结构. 你是否拥有合适的人才、合适的工具和渠道,能够将一个想法进行概念验证,并最终投入生产? 你有明确的角色、职责和工作方式吗? 团队是一个团队,一个声音,一个目标吗?

挑战3:大量数据但缺乏洞察力

当公司试图通过分析提高投资回报率时, 数据本身很少是挑战,而是员工从大量数据中收集有意义的见解的能力. 团队需要知道什么数据用于什么目的, where they can find it, and how they can access it. 推荐一个正规滚球网站称之为数据民主化. 

To address this challenge, 设定两个主要的最终目标,员工应该有一个真实的数据来源, 组织应该将数据视为一种战略, 有价值的资产,不应该被滥用或浪费. 

This is not a simple task. 团队的团队需要跨几个跨职能团队工作,通过实现一个公共的数据获取框架来摆脱孤立的所有权, 并引入一个标准的数据治理项目. 您还应该实现一个经过验证的数据目录系统, 它使员工能够查找和访问整个组织共享的数据集, 相信它有可靠的数据可以在日常工作中使用. 

大的成就不是一蹴而就的, 但领导者可以通过举办信息会议或“午餐学习”,向你的团队展示如何在日常工作中利用他们现在就能获得的数据和分析,从而开始建立动力. 

当你走向数据民主化的时候,问问你自己: 你有明确定义的数据策略吗? 你如何传达你的策略, 并在整个组织内建立一种对数据和分析采用共享方法的兴趣? 

挑战4:尝试为所有人做所有事

机器学习和其他人工智能学科已经成为推动盈利增长的强大解决方案,同时生成和缩放分析. However, 因为很多公司都在争相采用ML和人工智能, 数据和分析的领导者面临着试图为每个人提供一切的挑战——仅仅因为你可以,就应用新技术和方法, 没有停下来考虑你是否应该这么做. 

类似于第一个挑战,当你开始 在你的数据程序中引入人工智能, 首先要确定机器学习和其他自动化解决方案最有效、最能推动有意义的业务成果的问题. 

For example, data quality management, 是任何严肃数据策略的必要组成部分, 通常需要大量的手工阈值设置和元数据输入. ML-first approaches, like 端到端数据可观测性, 允许数据工程师和分析师专注于真正能改变现状的项目, 而不是临时救火或手工劳作. With data teams spending 80 percent of their time and companies 每年浪费1500万美元 on data quality issues, 当您在整个组织中应用数据时,数据可观察性使团队能够不费多大力气就提高数据的准确性. 

ML也被用来做预测,比如Uber directs its drivers 或者Airbnb 建议价格以最大化收益 in dynamic markets. In every case, 预测的质量完全取决于用来训练机器学习模型的数据的质量. 

如果您计划构建自定义模型, 首先,确保你有足够的数据来保证项目的公正——并意识到潜在的偏见可能会发挥作用. 

在利用AI和ML之前,请回答以下问题: 推荐一个正规滚球网站的数据集是否足够干净和准确,可以消除人工的监督? 推荐一个正规滚球网站是否确定了偏见可能发挥作用的点,推荐一个正规滚球网站是否知道 how to detect and correct them? 这也是健壮的数据可观察性方法可以帮助的地方.

挑战#5:安全性、隐私性和治理  

As always, 安全和隐私是影响数据程序成功的常见因素. 当您努力打破竖井并增加对数据的访问时, 您需要确保数据(包括它所接触的每个接入点和管道)是安全的.

尽早采用正确的数据治理方法, 把你的长期目标和结果放在心上, 是否能够帮助你更轻松地执行和扩展分析. 您应该确保您的整个数据堆栈,包括 warehouses, catalogs,以及BI平台,都符合数据治理 guidelines 为您的公司,行业和地区. 

所有这些挑战都是重大的,但并不是不可克服的. With these best practices, a strategic vision, and the right technology, 您的数据分析程序可以推动每个业务单元的有意义的变化,并成为未来几年的力量倍增器. 

在您的公司实现数据治理策略? Reach out to Barr Moses and the Monte Carlo team to learn how we can help.