增强分析：2019 年您需要了解的内容

随着公司开始或继续其数字化转型之旅，他们处理的数据量和复杂性都会增加。

传统分析——准备和分析数据、解释结果和用数据讲述故事的过程——是一个手动的、耗时的过程。 它对试图处理持续爆发的数据的公司构成了重大挑战。

为了满足数字化转型的市场准备时间表，必须减少手动分析的时间密集度。

为此，我们可以通过机器学习 (ML) 和人工智能 (AI) 来增强人类数据科学家，以加快分析过程中的每一步——这称为增强分析。

在过去的 12-18 个月中，增强分析作为一个领域不断发展，越来越多的企业开始接受这一过程。

在制药、零售、制造等多个行业进行数字化转型的公司开始使用增强分析。

我相信在来年这个新兴领域将得到更广泛的使用和理解。

增强分析的简要背景

在 2000 年代中期，云存储和大量可用的计算能力变得更加主流。 这导致大数据分析爆炸式增长。

这是一个重大变化，但该过程仍然是高度手动的——这意味着分析专业人员仍然必须编写大量代码。

在大数据革命之前，公司可能需要扫描数千个流才能获得有意义的洞察力，但今天我们谈论的是数百万个流。

问题变成了：数据分析如何在提供相同价值的同时大幅减少所需时间，知道更快的分析=更快的上市时间=更高的投资回报率。

这就是增强分析的目的——加速数据分析领域以获得更多价值

由于需要争论和理解不断增长的数据量，增强分析代表了这一研究领域的重大转变。

增强分析已经对分析的解释、创建和共享造成了破坏。 反过来，与传统的手动方法相比，这使数据科学家能够花更少的时间探索数据，而将更多的时间用于处理最相关的见解。

这种方法是一种强大的机制，使公司能够更快速地响应和敏捷——这是数字化转型的一个必要方面。

让我们首先看看增强分析的主要优势以及这种做法如何改变传统业务模式。 增强分析：

• 加速数据准备和发现过程；
• 民主化数据分析较少的业务背景的用户;
• 使执行团队和整个组织能够采用可操作的见解。

这些好处对数字业务的重要性是显着的

众所周知，对于要在数字时代竞争的组织而言，数据是获得相关的、可操作的洞察力的关键。

然而，手动分析过程中固有的潜在复杂性造成了许多障碍。

一方面，精通数据科学实践并且对商业模式和运营有着敏锐理解的数据科学家是稀有的。

此外，数据科学家的时间很宝贵——但其中很大一部分时间花在通过清理和标记手动准备数据上。 这种时间和容量的短缺意味着大多数数据分析是对一小部分数据执行的，而大部分数据资产并未被挖掘。

让我们探索上面列出的好处，看看真正具有破坏性的增强分析。

增强分析的三大优势

1. 加速数据准备和发现

手动执行时，数据准备是一项繁琐复杂的工作。

当数据科学家有数百万条记录需要梳理时，例如，查找来自特定地区的所有客户的简单任务可能需要数月时间。

以一家大型特种纸制品零售商为例。 作为数字化旅程的一部分，他们需要更好地了解客户，但来自遗留系统的数据质量很差。

不仅要检查的数据量巨大，而且各个领域还存在不一致的情况，将它们统一为一种格式令人生畏。

有 2600 万条记录需要评估，包含 1200 种不同的 XML 文件格式。

使用手动流程清理数据需要 6 到 12 个月。 通过利用增强分析数据准备技术和机器学习算法，零售商能够在大约三周内清理数据。

通过自动化这些迭代步骤，整个数据准备和发现时间可以缩短 50-80%。

想象一下，如果是这样的话，您的数据分析团队的生产力和效率会有多高！

2. 使数据分析民主化

准备好数据后，增强分析会检测影响业务模型的信号，而不太懂业务的数据科学家可能不擅长发现这些信号。

借助增强分析，数据科学家无需确定要使用的适当算法或编写代码即可获得结果。

增强型分析工具集将对数据运行 8 到 10 种算法，并将其装入通用格式以检测模式和异常值。

例如，一家大型企业可能希望了解其供应商的发票，以确定是否存在任何需要进行更多调查的异常值。

对于全球各地的运营和员工，这可能相当于每月来自数千或数十万供应商的账单。

根据基础数据，增强分析将开始检测模式并自动创建异常值分析，以检测特定供应商（每月向公司收取 50,000 美元的发票）何时发送 500,000 美元的发票。

虽然这不会被自动标记为欺诈活动，但比平常更大的金额将被标记为数据分析专业人员进一步调查的内容，并消除首先编写算法以进行发现的负担。

换句话说，增强分析使洞察民主化，使业务用户可以轻松提取复杂的洞察并为他们节省大量时间。

3. 使高管和整个组织能够采用可操作的见解

一旦确定了信号和模式，就需要与高管沟通结果。

执行此操作的传统方法（例如创建报告或仪表板）给通常没有时间登录平台并进行自己的数据解释的管理人员带来了额外的负担。

通过增强分析，该工具将读取图表或报告，并将信息转换为自然语言陈述，例如“您在 X 地区的销售额正在下降，这一趋势在过去几个月中一直在持续。” 或者，“你正在失去竞争对手 Y 的市场份额。”

团队负责人可以获得诸如“销售额在广泛层面上增长了 10%，但每个区域层面的利润率如何？”等问题的答案。 提供这种级别的可操作洞察力支持数据驱动的决策制定并提高整个组织的采用率。

复杂的分析系统提供语音和自然语言处理功能，并嵌入到企业搜索界面和 BI 平台中。

想象一下：数据科学家只需提出一个问题，就可以使用自然语言与增强分析平台进行交互，例如：“我们的销售工作与竞争对手相比如何？”

增强分析解决了幕后的复杂性，使数据分析过程对商业用户和公民数据科学家等都变得简单。

您如何推进增强分析？

有了上面概述的好处和支持这种重大破坏的可用技术，问题就不是您是否应该采用增强分析。 问题是何时开始，以及如何开始。

虽然针对上述不同步骤有多种类型的工具，但没有一种工具可以执行所有功能或适合所有组织。

公司继续前进的最佳方式是与在分析和新兴增强分析工具集和方法方面拥有丰富经验的咨询合作伙伴合作，以创建自定义路线图。 为了创造一条成功的前进道路，人员、流程和技术的正确组合需要走到一起。

增强分析仍然是一个不断发展的领域。 今天，大多数公司并没有在整个端到端流程中采用增强分析，而是从一小部分开始——这是一个很好的方法。

在接下来的几年里，我预计这种情况会发生变化，组织将在整个数据分析生命周期中使用增强分析。

2019 年，增强分析提供的显着优势是需要考虑的关键领域：速度、民主化和广泛采用。

凭借这些能力，组织能够充分了解和预测客户需求，调整和改进业务流程，并为在今天和未来取得成功做好准备。