大数据分析停滞不前 信任问题面临大考

有时候大数据分析似乎总是在原地踏步，似乎数据信任的问题阻碍了数据分析的进一步应用。业务领导们理解新数据分析是必须经历的转型，但是他们不确定这种转变是否值得信赖。最近，来自咨询专业服务公司KPMG(毕马威会计事务所)的一份调查报告对这种进退两难的处境给出了一些看法。
大数据分析停滞不前 信任问题面临大考
　　Forrester研究公司在2016年7月发起了一份调查报告，针对KPMG(毕马威会计事务所)管理的2165位数据和分析决策制造商进行调查。报告显示，数据和分析工具已被广泛用于分析现有客户(50%)和发现新客户(48%)。然而，只有大约34%的业务负责人“非常信任”工具分析业务运营数据得到的结论。
　　有迹象表明，在数据和分析工具方面的投入在增加。因此，数据分析领域的专家Bill Nowacki认为，分析结果的受信任程度理所当然也在变好。在SearchDataManagement组织的一次采访中，Nowacki表示分析工具需要更透明。也就是说，分析工具应该给管理层展示推荐观点背后的逻辑，展示分析工具给出结论的依据。

　　研究结果似乎把焦点集中在了数据信任的空白。未来大家对数据质量持有信心的趋势如何呢？
　　Bill Nowacki表示，目前大家对于“分析是必不可少的”这一核心理念已经基本认同了。不过，与此同时我们对管理层的培训还不够，业界普遍应该对此采取一定措施。
　　我们可以从调查报告的统计图表中看到，对分析的整体接受度展示出来是U形走势。回想前几年，那时候真的像是“西部狂野时代”，大家都在构建各种分析模型，没有充分的审查就很快直接购买。这些工具都被纳入常规决策。这种状态持续了较长一段时间。
　　后来，我们看到某些决策并没有预期的那么准确和最优。模型的真实可信度就面临了很大挑战。现在，我们处在U形趋势的底部，不过也开始苏醒了，现在是时候以更加严肃的态度来看待它了。我们要考虑使用哪些数据，数据来自哪里，数据是否足够正确等等。
　　业界已经有一些预测模型在使用了，尤其是在市场营销和定价方面。人们用模型做优化或者资产管理。我们看到许多类似的案例。但是，如果涉及到公司的关键业务，我们要确保业务稳定就要慎重考虑了。我们开始看到了U型趋势的另一边——低谷后的上升趋势，不过结构合理性、治理、法规遵从都要求更多分析透明度。
　　机器学习用于预测分析并没有改善透明度。看来要打开“黑盒子”帮助提升数据信任度并不容易啊。
　　如果你回顾一下FICO公司(全球预测分析和决策管理公司)的发展历程，就会发现在20世纪80年代到90年代，他们已经使用神经网络实现了较好的高度可预测的信用评分。不过，缺失的仍然是解释能力。
　　监管人员会来告诉我，“如果你想让大家都相信，你必须能解释为什么。”在“西部狂野时代”模型刚诞生时，大家都需要更好的透明度。我们需要理解引擎为什么会给出这些观点，并理解这些观点代表什么。
　　如果工具都是“黑盒子”，大家很难信任它。因此，在设计阶段做选择时应考虑提高透明度，这样可以逐渐培养一些信任。
　　今天我们看到的是更加深思熟虑的设计，我们花时间思考怎样才可以达到更好的效果，这样才会获得长足发展。例如，人们会检查他们的零售店投资组合，利用所有签名或登记信息发现所有店铺里真正优质的客户群。你能拿到的是所有的真实样本，可以在这个群体中设定目标价格，看是否能得到预期结果。一旦确认价格调整在小范围客户群中有效，就可以一点一点实施到更大范围的群体中。这种小步变革的方式很容易实现逐步推广。
　　高管们已经逐渐接受针对各种业务进行分析，但是没有什么比成功案例更有说服力了。我们应该深思熟虑地看待市场，看看我们设定的试验目标并验证之前利用大数据对市场的预测，这样也可以帮助增加对数据分析工具的信任。