分析的四个维度

简介: 分析的四个维度

640.png


我们都听过这句格言“数据是新石油”——一种宝贵、丰富的资源,只有提炼后才有用。然而,最引人注目但又令人望而生畏的比较之一是将船只送入海洋进行石油勘探。有些会失败,有些会有重大发现。


深海勘探和钻探取决于精确测绘和对海底的清晰认识。分析也是如此。最成功的人将能够获得企业数据资产的可靠知识。这意味着拥有强大的数据编目和治理流程,可提供有关资产的上下文、利用他人的经验、围绕数据建立信任并帮助理解数据流经各种系统时的沿袭。


业务用户希望了解他们在 BI 报告中看到的指标并将其跟踪到云数据仓库,最后跟踪到数据最初来自的源系统。更重要的是,这意味着拥有能够将批判性思维应用于分析的具有数据素养的员工。


大多数公司都对其员工的分析素养存在过度自信的偏见,这实际上抵消了对旨在帮助他们的计划和平台的任何投资。

要解决这个问题,首先要制定成为数据驱动型公司的战略计划,然后制定数据素养计划。


阐明问题


根据《成为数据素养》一书的作者所说,数据分析有四个主要阶段:描述性、诊断性、预测性和规范性。

描述阶段正如它听起来的那样:公司以向后看的方式用他们的数据描述情况。它告诉我们发生了什么,以及我们在世界上 99% 的仪表板、列表报告和商业智能报告中看到的情况。他们比较部门、地理位置、商店、产品细分和客户细分等维度随时间变化的指标。


描述性分析导致诊断分析,回答“为什么?” 描述性分析结果的背后。虽然本质上是回顾性的,但描述性分析提供了更详细的根本原因分析,需要主题和分析领域的专业知识。这通常是标记为自助服务的程序和工具的目的。


一旦你深刻理解了“为什么”的因果关系,你就可以开始预测会发生什么。预测分析首先提供了向前看的能力,因此我们可以影响未来。在零售方面,亚马逊推荐相关产品。在商业世界中,供应基于耗尽率的回购通知或基于区域天气的零件转移到仓库。


最后,我们可以而且应该利用收集到的所有分析知识来做更多的事情,而不仅仅是简单地“了解未来”。我们应该通过提供行动/活动来改变未来,这是规范性分析。

如果我们知道某事发生的可能性很高(预测),我们就会采取措施避免或确保它发生。例如,如果我们根据特定事件和季节性时间预测供应补货的需求,我们可以在淡季和前期进行预采购,以降低供应成本并平稳供应。

有一个与数据素养相关的三个方面的问题:

  1. 访问可信数据。大多数公司不提供对可靠数据的透明访问,并继续以最少的跨职能资产共享进行运营。结果是一个非常缓慢的手动过程,用于查找符合目的的数据,浪费时间和金钱重新创建相同的分析,并在分析结果中导航不一致。

  2. 缺乏数据素养培训。只有少数人具备足够的数据素养,可以超越对描述性分析的简单接受。许多人需要更多培训或需要积极鼓励将批判性思维应用于描述性结果。要做到这一点,需要与比例的使用、比较、基本计算、度量单位和时间框架相关的基本知识。想一想一个在没有任何相应的数据素养培训课程的情况下反复推出更好的自助服务工具(鼠标陷阱)的组织。

  3. 依靠直觉与证据。领导者继续依赖经验和“直觉”,而不是部署具有经验证据的预测性和规范性分析,以帮助他们不断优化业务。

为成功做好准备


描述性分析的先决条件是创建数据资产知识库。我们称之为目录,也被描述为支持技术和非技术(业务)角色的以数据资产为中心的知识库。

目录中的集成资产类型包括术语词汇表、指标词汇表、关键资产的顶级用户、讨论线程、投票、收藏夹、报告和仪表盘清单、数据分类器和域、相关策略、质量指标、流行度、已发布的查询,以及数据产品。所有这些资产都可以使用基于文本的搜索和自然语言问题以及浏览器、电子表格或消息传递工具(例如 Slack)轻松访问。


领先公司采用的最佳做法是在准备目录的同时创建数据素养课程,将两者交织在一起。通常,数据素养课程存在于学习管理系统 (LMS) 中。将目录和 LMS 交织在一起,可以从目录中的关键资产页面为特定角色创建学习路径和数据素养课程链接。目标是在数据使用点和有人需要时提供学习,而不是单独的(旧的、失败的风格)和强制性的数据素养培训员工快速通过以检查老板的合规框。


超越描述性分析


一旦设置好,目录和数据素养课程就可以系统地跨业务部门推出。典型的推出包括为每个人提供基本识字水平的入职课程,以及用于理解预测和规范分析的更专业的课程。

数据素养是一项持续的计划,而不是一劳永逸的项目。任命鼓励参与并奖励员工持续参与的领导者。

同样重要的是培养一种不断捕捉和分享每个人从分析使用中学到的东西的文化。这创造了一个持续改进的循环和数据微观文化,反映了企业的战略目标。

预测性和规范性分析需要更高水平的数据素养和专门的统计/AI/ML 技能才能实施,这可能是一个重大障碍。目标应该是建立一个知识渊博的人才库来创建功能需求,监督、验证和签署由中央专家团队或外部顾问构建的分析模型的有效性。

无论谁创建了更复杂的模型,都应避免让它们成为没有绝对透明度的“黑匣子”。所有模型和分析方法都应添加到目录中,进行全面描述,并与其使用和产生的数据相关联。现在,您正在推动公开参与并优先考虑共享学习和理解。


掌握"数据驱动"的艺术


好消息是大多数公司都意识到他们需要一种数据文化来有效地利用他们的数据。事实上,将近80% 的企业都制定了战略计划,以变得更加数据驱动。但是知道一些事情并采取行动取得进步是不同的。数据文化不是你能买到的东西;这是你建造的东西。数据驱动的文化是从最高层开始的。

如果您的公司在数据管理实践方面需要帮助,现在是重新评估当前解决方案并实施新战略以重回正轨的时候了。现在有比以往更多的工具来帮助企业充分利用他们的信息并达到更高水平的分析,从新的软件平台和对数据素养重要性的更高认识,到可以帮助更有效地收集和组织数据的 AI 等技术。因此,重要的是从大处着眼,从小处着手,快速学习。

相关文章
|
7月前
|
存储 架构师 Java
架构思考的主要维度
架构思考的主要维度
|
存储
大数据分析基础——维度模型
image.png 1基本概念 维度模型的概念出自于数据仓库领域,是数据仓库建设中的一种数据建模方法。维度模型主要由事实表和维度表这两个基本要素构成。
2553 0
|
6月前
|
数据采集 监控 数据挖掘
分析指标波动,数据模型得这么建
分析指标波动,数据模型得这么建
|
2月前
维度建模-2
维度建模-2
59 4
|
2月前
|
存储 数据挖掘
维度建模-3
维度建模-3
89 3
|
2月前
|
存储 数据建模
维度建模-1
维度建模-1
26 1
|
6月前
|
存储 数据挖掘 关系型数据库
数仓学习---6、数据仓库概述、 数据仓库建模概述、维度建模理论之事实表、维度建模理论之维度表
数仓学习---6、数据仓库概述、 数据仓库建模概述、维度建模理论之事实表、维度建模理论之维度表
|
3月前
|
数据挖掘 数据库
离线数仓6.0--- 数据仓库 ER模型-范式理论,维度模型、维度建模理论之事实表、维度建模理论之维度表
离线数仓6.0--- 数据仓库 ER模型-范式理论,维度模型、维度建模理论之事实表、维度建模理论之维度表
106 0
|
8月前
|
数据挖掘
怎么理解数据分析、维度和指标?
怎么理解数据分析、维度和指标?
|
数据采集 存储 数据挖掘
维度建模中,粒度对于事实和维度的影响
度是指在事实表中所记录的数据的最小粒度,也可以理解为事实表中每个记录所代表的含义。在维度建模中,粒度对维度表和事实表都具有重要性。
356 0