數據分析有多重要？這並不是一個簡單的問題
儘管我們一直在強調數據分析對於企業開展業務的價值，但是由於市場環境與公司業務的多變性，我們很難縱向的評估數據分析對於企業帶來的價值，這也使得很多企業對於是否要部署數據分析平台存在疑慮。
而從橫向上，數據分析的價值則更加容易被證明。近期，國外一家分析機構對於過去五年內數千家實現了盈利的企業電話進行了跟蹤，發現在這些電話中，與數據相關的術語出現最多的是「數據分析」，其從2014年的約5,000個增長到2018年的16,000個，這證明數據分析的價值得到了這些企業的普遍認可。更直接的證據是，這些經常會談到數據分析的企業，收入增長率比同行高出了12%。
這既是商業世界的一個趨勢，也是數據專家對未來的判斷：無論我們是否喜歡，演算法決策即將到來，也就是說，更多的決策是由自動化的數據分析來驅動的，而非人類的主觀判斷。
數據分析並非是萬能的
但是，我們仍然要注意的是，由於現實世界的複雜性，即使是企業使用了高質量的數據，以及嚴格的數據分析程序，數據分析結果也很科學嚴密、但是仍然會帶來意想不到的結果。
以美國大陸航空公司為例，在幾年之前，其就發現了燃料是其企業運行的最高成本之一，為了降低飛行過程中燃料的消耗，其制定了追蹤燃料消耗的指標，並激勵飛行員使用更少的燃料。在該政策的激勵下，這些飛行員開始更多的使用慢速飛行、降低空調溫度等方式，並切實的讓燃料消耗得到了一定程度的降低。
但是，這種看起來完全由數據驅動的企業政策卻收到了意想不到的效果，對於乘客來說，飛行速度的降低會導致耗時的增加，降低空調溫度則會直接影響舒適度。因此，在該政策實施後，乘客的滿意度有了顯著降低，並直接影響了航空公司的收益以及品牌。
在國內，我們同樣能發現很多這些的案例。一個簡單的例子是，很多公司設立了嚴格的KPI制度來對員工進行考核（如用戶的訪問量、轉化率等指標）。這固然可以提升員工在實現短期目標過程的積極性，但從長期來看，也可能會導致公司過於短視，忽視了對於用戶關係的維護、品牌的長期塑造，以及應該擔負的社會責任。這些問題並不會在數據指標中被體現，但是卻很容易導致企業逐漸積累風險因素，最終帶來不可預期的嚴重後果。
這些案例啟發我們，組織需要在收集新數據來創建更具洞察力的指標時，還需更多的思考可能會帶來的負面效果。一個更聰明的方式是進行小規模的實驗，以便在將計劃推廣到整個組織之前測試該程序是否存在意外後果。
Gartner執行分析師 Donald Feinberg 提供了以下三個原則，來幫助組織應對在向數據驅動型組織演進的過程中，所需要面對的挑戰和陷阱：
● 經常反思組織所制定的數據驅動策略
● 對於數據指標所產生的意外後果進行充分考量
● 嘗試新數據、新措施和新分析模型
用人工智慧決策是否可行
從上面的探討我們已經可以清晰的發現，決策其實是一件很難被量化、也是非常複雜的一種行動，目前的人工智慧技術缺乏這種能力，其原因不僅在於其很難將各種因素納入到分析範疇之內，也在於人工智慧決策一旦失當，會更容易帶來大家的不信任（例如，自動駕駛汽車如果發生了事故，其所帶來的聲討聲浪以及質疑要遠超過人工駕駛事故）。
雖然我們在很長的一段時間內仍然要依賴人工決策，但是我們也需要認識到，數據分析與自動化決策的價值在於，其提供了增強型的能力支撐我們進行更加深刻的洞察。
根據預測，到2021年，25％ 的數字化工作者每天都會使用虛擬員工助理。對於那些為AI做好準備的組織，他們需要認識到，演算法決策從長遠來看是不可避免的，企業應該專註於使用人工智慧增強決策、而非替代，並發揮人工智慧和人類各自的優勢。
歡迎關注公眾號：數獵天下DataHunter
－數據分析展示就用 DataHunter－
手把手教你免費使用數據可視化軟體推薦閱讀：
