停止教您的员工如何编码,让他们能够进行分析!

我们预计到2020年将收集到44 ZB。您问这么大的一笔交易吗? 1 Zettabyte相当于36,000年的HD-TV视频或整个Netflix目录流3177次。 (想知道更多关于大数据的统计数据吗?请在《福布斯》中查看)

组织一直在大数据技术上进行大量投资; 2016年为$ 143B。尽管如此,商业智能(BI)的采用率一直令人失望地低:

我遇到的一些公司通过创建“每个人都可以编码”的工作文化/实践来解决这个问题。 他们认为,阻碍分析民主化的最大障碍是,并非每个人都可以使用SQL,R或Python进行编码。

但是……每个人都有编码,这是Business Intelligence创建“更快的一匹马”的版本。 专注于编码夸大了找到解决问题的正确方法的重要性,而不是理解问题本身的重要性。

我曾在澳大利亚最好的数据机构之一工作过,亲身经历了这一切。 在技​​术技能方面,我们的分析师不乏专家。 但是,能够从数据中看到信息并以有意义的方式阐明这一点的人数很少。 只有少数人可以实际分析数据,而不仅仅是将精美的数据摘要放入PowerPoint中(提示:他们也不总是技术人员)

这段经历使我想到了:我们是否应该首先问编码是否真的是推动业务分析采用的最佳方法?

我认为,可以帮助任何人 (不仅是技术人员)成为数据专家的两大考虑因素如下:

1.在进入编码之前构造数据上下文

优秀的分析师非常了解他们的数据。 探索数据并建立足够的上下文是任何分析任务最重要的一步。 上下文信息将指导分析师如何使用数据,构建假设并提供见解。 例如,如果通过Facebook活动收集了特定的客户反馈数据,那么分析师将不会声称该数据是“人口代表性”的,除非进行了正确的人口统计学抽样。

2.开启探索模式

编程心态需要确定性。 在编写简单的SQL代码之前,您想确切地知道要使用哪些列,指标和应用的过滤器。 另一方面,分析要求分析师好奇和探索。 从对数据模式的一种观察中,分析师的工作是提出相关假设,对其进行验证并构建一个故事。

例如,一家超市观察到,与上个月相比,本月冰淇淋销售大幅下降。 这是分析师可能需要做的一小段潜在假设:“上个月我们的顾客减少了吗?”,“顾客转用便宜的产品了吗?”,“季节性因素在这种变化中起什么作用? ”,“更改是否与超市的整体绩效保持一致?”

请…停止教您的员工如何编码,而是教他们进行分析。 用正确的工具武装他们,以便他们可以得出可行的见解来改善您的业务。