6数据挑战经理和组织面临的挑战

--°--∫—Ä--Æ--∑—Å --ª—È—Å—Ã —Ñ —Ç—É--º--∞--Ω—Ã

我们在以数据为中心的世界中工作。管理人员通过报告，仪表板和系统对数据进行轰炸。我们经常被提醒做出数据驱动的决策。高级领导者对大数据承诺发展竞争优势垂涎三尺，但大多数人都在努力就其本身达成一致，更不用说描述预期的实际利益了。

数据科学家的作用是热门需求，预计这种新兴的重要角色预计会出现短缺。组织每年花费大量资金安装软件来捕获，存储和分析数据。营销部门越来越多地以技术，数据精通的专业人员为代表，牺牲了创造性角色。

商业世界是一个以数据为中心的世界，但重要的是要认识到数据本身并不是目的。就像我们在工作中使用的所有其他内容一样，数据是充满希望的工具。在采用适当方法的正确手中，支持决策的数据潜力是显着的。

但是，不要误解为获取和分析数据是没有风险的错误信念。让我们稍微考虑一下数据作为商业救星的想法，并帮助确定这种新资源给我们所有人带来的一些潜在缺陷。

有备则无患。

数据质量差

虽然我们习惯于在物理对象或产品的背景下考虑质量，但事实证明，数据质量始终是每个公司的重要问题。存储在结构化数据库或存储库中的数据通常不完整，不一致或过时。您可能已经接收过一个数据质量问题的简单示例。

我们大多数人都记得收到营销人员的重复邮件，这些邮件是针对我们实际名称略有不同或根本不同的版本。营销人员的数据库包含重复记录，其中包含我们的地址以及我们名称的不同，通常是错误的拼写或变体。我们将重复的邮件作为垃圾回收，由于简单的数据质量问题，营销人员以打印和邮寄的形式产生了超额费用。通过数百或数千条记录放大这个错误，这种小的数据质量错误变得昂贵。

随着我们努力近乎实时地制定战略，市场和营销决策，数据质量问题变得越来越重要。虽然存在有助于监控和提高结构化（格式化）数据质量的软件和解决方案，但真正的解决方案是将组织数据视为有价值资产的重大组织承诺。在实践中，这很难实现，需要非凡的纪律和领导支持。

淹没在数据中

数据无处不在组织中。考虑客户数据。大多数组织已经熟练掌握有关客户和潜在客户的信息。

营销部门从参加现场或网络活动或下载内容的人员那里收集数据。
高管使用数据来支持或定义新策略。
销售人员收集有关销售流程中涉及的客户的数据。
客户支持捕获有关呼叫和聊天的信息。
管理团队利用记分卡的数据和关键指标。
客户数据用于计费目的，并由质量和客户洞察团队用于监控客户满意度。

我们在各种不同的软件系统中捕获客户信息，并将数据存储在各种数据存储库中。一家全球财富100强公司认可其客户数据的10％是由员工在电脑上的电脑上本地持有的。在开展营销活动之前，另一个组织会定期向销售代表推荐名片数据。

就像在他的船沉没后被困在救生艇上的远洋水手一样，到处都是水，但不是一滴水。我们的业务也有同样的现象。数据无处不在，越来越多的数据可以从社交和搜索源实时获得。如果数据不易访问，或者如果我们有重复或不完整的数据，我们无法将其用于其预期目的。

越来越多的组织正在整合其不同的软件应用程序，并简化了跨整个企业收集和聚合数据的过程。然而，除了数据质量之外，这种努力是昂贵的，耗时的并且永远不会结束。

不断增长的数据量

我们正在以难以理解的速度制作越来越多的数据。专家建议，每两年（和缩小）我们创造的数据比地球上存在的所有文明都要多。

大多数新数据都是非结构化的，而这种数据整齐地输入到我们的软件和数据库应用程序中。例如，有关您的产品或品牌的所有推文都代表了潜在的宝贵见解，但这些数据是非结构化的，增加了捕获和分析数据的复杂性。虽然有许多软件产品可以帮助应对这一挑战，但非结构化数据代表了新的处理原材料，并讨论了所有固有的复杂性和质量问题。

垃圾进垃圾出

数据分析软件与提供数据的数据一样好。本期利用数据获取优势的共同点是质量。虽然许多公司在强大的新数据处理应用程序上投入大量资金，但处理脏数据会导致错误的决策。谨防盲目信任数据分析工作的输出。您必须确信您可以信任分析中使用的数据。

数据分析尚无定论

我们接受数据分析的输出是结论性的，但事实并非如此。实际上，数据分析最常表现出相关性，而不是因果关系！很容易陷入信任数据分析输出和混淆与因果关系相关的陷阱。

相关性表明了一种关系，但它绝不意味着A导致B.建立因果关系是做出准确，富有洞察力的决策的必然之举。证明这一点也非常困难。如果你过分信任一个输出并假设一个不存在的因果关系，你的决定将是致命的缺陷。

放大偏差

在评估数据时，我们的认知偏差会被放大。正如一位聪明的数据科学家曾经说过的那样，“在最复杂和详尽的数据分析结束时，人类仍然需要做出推论并做出决定。”当我们达到我们必须评估数据分析意义的那一点时，我们的偏见就会发挥作用。我们中的许多人倾向于信任或依赖支持我们的立场和期望的数据，并抑制相反的数据。我们也信任来自我们喜欢的数据的数据，或者我们依赖于最新的数据。

所有这些偏见都会导致数据分析中的挑战和潜在错误。