哪怕沒有資料科學家你也能撐起一家公司！

原标題：還在為人才短缺頭疼？你的公司也許并不需要資料科學家

要解決企業資料應用過程中的挑戰，一方面要制定全局的資料戰略；另一方面，要選擇一款适合于自己的工具。對此，IBM Analyze通過引入大量Watson AI服務，大大降低了企業資料應用門檻，哪怕沒有資料科學家，管理者和業務人員也能直覺地了解企業管理和營運狀态。

技術能夠賦予企業前所未有的營運效率和創新的巨大空間，而企業要獲得敏銳嗅覺和洞察能力，資料則是基礎。它們是“慧眼”，能賦予管理者洞察；它們是“航海舵”，能把控企業的航向；它們也是“燈塔”，能照亮企業前行的道路。是以，未來企業的成功，将取決于其對資料的應用程度和效率。

根據對資料應用程度的不同，企業數字化可以大體劃分為四個階段：第一，借助電子表格和基礎的BI工具進行報表分析，它回答的是“發生了什麼”的問題；第二，建立企業的資料倉庫，為企業決策制定、業務流程改進、成本控制、品質監測等提供所有類型資料支援，它回答的是“為什麼會發生”的問題；第三，利用機器學習、深度學習模型進行業務“演練”和預測，它回答的是“會發生什麼”的問題；第四，通過“資料+算力+算法”的AI平台将預測的結果回報回系統中形成閉環資訊流，對業務模式進行幹預和優化，它回答的是“最好發生什麼”的問題。

盡管近幾年來資料量出現了暴增，但令人意外的是，當下大多數企業對資料的應用還停留在第一和第二階段。據福布斯調查顯示，在受訪的企業中，有23%仍将電子表格作為資料分析的主要方式。雖然有41%的受訪者表示正在使用預測模型進行更進階的預測分析，但其中19%的受訪者使用的仍然是基礎資料模型和回歸模型等簡單的資料分析方式。

造成這一結果的原因有很多，最重要的是資料應用過程中存在的一系列挑戰。比如，資料品質和準确性難以衡量、資料科學人才不足、資料分析工具有限等等。而由于資料品質和資料分析能力的缺失，使得很多企業難以從有效分析中獲得業務效益，是以投入産出比不明顯，也進一步導緻企業對于資料應用的投資更加“畏首畏尾”。

也就是說，要挖掘資料的價值，企業首當其沖要解決的就是資料品質和資料人才的問題。

建構資料分析閉環

資料科學人才的短缺是當下最令企業頭疼的問題之一。由于資料科學是集統計學、計算機科學、機器學習和商業于一體的交叉學科，是以，從事資料科學分析工作的人通常也被要求是以上這些能力的綜合體，這就為人才的擷取和培養築起了一個高門檻。

根據LinkedIn公司在去年8月釋出的美國勞動力報告中提到：“具有資料科學技能的人才短缺問題幾乎存在于美國的所有大城市。在全美國範圍内，共缺少151717名具有資料科學技能的人，其中紐約市(34032人)、舊金山灣區(31798人)和洛杉矶(12251人)的人才短缺尤為嚴重。”而放眼全球市場，這樣的人才短缺問題則更為嚴重。

當然，巧婦難為無米之炊，即便企業擁有最頂級的資料科學家，他們又擁有“萬花筒”般的資料分析方法，如果資料品質無法保證，那麼分析得到的結果一點用都沒有。對此，企業必須根據業務的情況弄清楚資料的實際意義是什麼，梳理出可用資料，剔除無用的垃圾資料和幹擾的偏見資料，從“輸入”端扼殺“輸出”結果出錯的可能性。

對此，在IBM看來，企業必須從全局出發制定資料戰略，通過具有“智能”功能的分析解決方案，進行規劃分析、描述性分析、診斷分析、預測分析和規範分析，幫助企業确定計劃是什麼、發生了什麼、為什麼發生以及接下來将發生什麼。這才是一個完整的資料分析閉環。

其中，要解決上述的資料品質識别問題，IBM認為首先就要利用相關的技術管理資料的盲點，在資料梳理過程中确定是否缺少資料、是否有資料不正确、是否有任何誤導資訊等等，唯有如此，才能為數字化轉型的高樓打好資料的地基。而在此基礎上，企業還必須明确資料與業務成果的相關性和因果關系，了解背後的驅動力，進而找出某一業務場景的關聯資料，并以可視化的方式呈現給決策者。

另一方面，針對資料分析，IBM也認為，企業不應該滿足于使用基礎資料模型，而應該引入機器學習和其它更進階的分析模型組合，通過跨統計分析進行預測模組化，才能最大程度挖掘資料價值，形成更完整的洞察，為管理者的全盤決策提供可信的參考。

靈活選擇所需工具

那麼，技術有沒有可能彌補人才方面的不足？答案是肯定的。

據了解， IBM正在從資料收集、組織到分析、AI應用，為企業打造通往數字化的人工智能階梯。其中，內建了大量資料科學工具和Watson AI服務的IBM Analyze，幫助企業解決的就是資料分析及AI應用階段的問題。通過一站式解決方案，IBM Analyze能夠使用機器學習為分析人員、資料專家和業務使用者提供所需工具，幫助他們了解和分析資料、可視化資訊、預測業務成果和實作自動化。

IBM Analyze由一系列豐富且功能強大的工具組成，一方面包括IBM Planning Analytics、IBM Cognos Analytics、IBM SPSS Modeler，以及IBM Cognos Controller、IBM SPSS Statistics、IBM ILOG CPLEX Optimization Studio等模組化和分析工具；另一方面，還包括Watson Knowledge Catalog、Watson Studio、 Watson ML、Watson Openscale、Watson Assistant等Watson AI服務。

Watson的引入，大大降低了企業資料應用門檻，哪怕沒有資料科學家，管理者和業務人員也能直覺地了解企業管理和營運狀态。舉例來說，Watson Knowledge Catalog 可以幫助業務使用者快速發現、管理分類，共享資料資産、資料集、分析模型及其與組織中其他成員的關系；Watson Studio可以支援使用者在一體化環境中建構并訓練 AI 模型，同時準備并分析資料；Watson Machine Learning 能夠幫助使用者在大規模生産環境中部署自主學習模型，并将 AI 內建到應用程式中；Watson Assistant可以幫助使用者輕松建構智能客服，進而管理客戶和員工的日常服務查詢。

作為新加坡最大的人壽保險獨家代理機構，新加坡保誠集團利用Watson Discovery 和Watson Assistant開發了業内首個聊天機器人askPRU，幫助其内部超過4600位理财顧問加快了解答産品和政策問題，改善了客戶體驗。通過實時解答問題，askPRU能夠促進客戶與理财顧問進行順暢互動，顯著減輕了呼 叫中心顧問的工作量，将呼叫中心平均等待時間縮短将近一半。同時，它還支援理财顧問更迅速地查找有關複雜客戶問題的建議。

而為了給企業提供更靈活的選擇，IBM Analyze還支援使用者随時購買需要的服務和産品，通過靈活許可模式，企業可以根據需求的變化和增長來交換、混合、比對和添加産品。

在這方面，母嬰童行業零售領軍品牌孩子王就選擇基于Cognos Analytics、 Planning Analytics 和 SPSS Modeler三大元件建構了整合的營銷分析支撐 平台，實作了向資料驅動型零售商的戰略轉型。該平台能夠收集企業全景資訊，通過全角度分析，建立有資料支撐的戰略決策和行動轉化機制、并對行動進行高效的監控和分析。同時通過建立報表、分析、行動三層管理機制，實作了從預測、計劃/預算到監控分析、營銷方案制定，到精準營銷及模型再調優的完整閉環。最終，成為孩子王進行會員分類分級和精準營銷的重要基礎，使其投資回報率提升了30%。

總結來說，要解決資料應用過程中的挑戰，企業一方面要制定全局的資料戰略，建構資料分析閉環；另一方面，企業也不能吝于在技術方面的投入，更重要的是要選擇一款适合于自己的工具，快速地抓住資料中蘊藏的機遇。

原文釋出時間：2019-11-18

本文作者：高玉娴【原創】

本文來自雲栖社群合作夥伴“

至頂網

”，了解相關資訊可以關注“

”