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。
- FireEye的首席情报策略师Christopher Porter加入Amber Video，担任顾问
- 电脑可以代替作曲家吗？ –威廉·史密斯–中
- 复杂标签任务的共识标签。
- AI会取代个人助手吗？
- 计算机视觉初创公司CloudWalk筹集了3.75亿美元
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。
