数据分析是当今信息技术领域最热门的概念之一，正确的运用能够带来巨大的业务收益，但错误的理解可能会阻碍企业最终受益。

以下是八点关于数据分析的一些误解。你“中招”了吗？

误解

01

数据分析需要大量的投资？

“要花多少钱?”这是IT部门和CIO在提议启动项目或部署新工具时遇到的首要问题。一些人认为，数据分析本质上非常“昂贵”，所耗甚多，因此，只有拥有巨额预算或者大量内部资源的企业才能实施。但是，并不是所有的数据分析工作都需要大量的投资。

Trulia公司（在线房地产服务提供商）副总裁Deep Varma表示:“现在市面上有很多开源和其他的工具，可以帮助你开始展示数据分析的价值。”“你需要对你的内部数据存储有一个很好的理解，以及你想要解决的问题。”云存储也使得通过分析来解决业务问题变得更加容易。

现代分析“基于云系统和大数据架构，根据定义，它比传统数据仓库系统要便宜得多，”安永全球分析负责人Beatriz Sanz Saiz补充道，“此外，数据和分析通常应用于三个结果:提高流程效率、实现收入增长和风险管理。总的来说，数据和分析的应用会给任何公司带来巨大的收益。”

误解

02

数据分析一定要“大”数据？

对许多人来说，大数据和分析的概念是密不可分的。他们的想法是，组织需要在执行分析之前收集大量的数据，以产生业务洞察力，改进决策制定等。

当然，大数据分析的好处已经得到了充分的证实，拥有资源的公司确实可以通过利用他们的数据存储作为分析工作的一部分来获得显著的竞争优势。但“大数据是数据分析的必需品”的观点是不正确的。

“人们经常试图捕捉尽可能多的数据，他们听到了‘大数据’，变得兴奋起来，”Tim Johnson是著名人力资源公司Allegis Global Solutions的执行总监，主要负责商业智能方面，“人们的误解是，数据越多越好，机器会把它们全部整理出来。”

然而，分析师不需要更多的数据，而是需要具体的数据。“95%的用户都在寻找与他们的工作相关的信息，以此来支持决策和提高性能，”Johnson说。除了关注更多的数据之外，组织还必须考虑业务用户，以确定他们需要访问哪些数据，以及如何显示这些数据。

误解

03

好算法是制胜法宝？

事实上，有了足够的数据，“有时候算法并不重要，”ThoughtWorks的技术总监Mike Mason这样说道。在IEEE的一篇文章中，他引用了“数据的非理性效果”，去说明在某些情况下，“仅仅处理一大堆数据就能获得最好的结果”。

谷歌的工程师认为，简单的统计模型，再加上大量的数据，比包含大量特征和摘要的复杂模型获得的结果更好。

误解

04

数据分析耗时很久？

科技发展日新月异，出于对公司竞争力的考虑，从产品的推陈出新，到服务的及时响应，都在贯彻“时间就是金钱”。在这种情形下，数据分析，听上去就像是耗时很久的事情，与现代企业机构追求速度的目标背道而驰。

“我们通常认为数据分析类型的项目耗时太长，而且相当复杂。”Saiz 表示，“然而，在正确的混合技能和灵活的方法应用之后，即使是很大的问题，也能够在几天或者几周内得到答案，而不是几个月。”

误解

05

技术是数据分析最难的一部分？

咨询公司ISG的IT咨询部主管James Burke表示，随着如今越来越多的技术可供使用，选择合适的工具组合来部署和整合，以获得分析团队想要的结果，着实是一大挑战。

他指出，真正困难的部分是“把组织结构和数字模型结合起来”，数据分析不止关于技术，还与人息息相关。他同时指出，“身在组织内部，去做关于这个组织的数据分析，其实非常困难。”

同样重要的是，不要假设分析工具会完成所有的工作。咨询公司West Monroe的技术实践高级主管Greg Layok说:“单靠技术永远解决不了任何商业问题。”“在急于创建数据‘湖’的过程中，组织最终会陷入‘沼泽’，或者，最终得到的只有任何人都无法理解的混乱信息。”

Layok补充道，技术并不能解决分析问题。正确的做法是，首先，确定一个业务问题，然后，问自己：“我需要什么数据来解决这个问题?”

误解

06

数据分析应该是一个单独的部门？

数据咨询公司Delvinia的总裁Steven Mast表示，在一些机构中，数据分析是一个独立的部门，而在另一些组织中，数据分析被深入地嵌入到一个跨职能的团队中。

“然而，随着所有业务领域数据的爆炸性增长，以及变化正在发生的速度，部门模式并没有起作用，”Mast说，“随着组织变得越来越以客户为中心，数据驱动的分析专家应该处于业务部门的核心，而不是作为一个支持部门。”

现在组织面临的许多复杂问题都在业务部门内部，而解决这些问题的方法隐藏在众多数据中，数据专家应当与业务部门密切合作，在实践中运用大数据和人工智能，这将是孵化下一代产品、提升企业服务能力，增加客户体验的关键。

误解

07

数据分析一定需要“博士”？

在分析团队中拥有大量受过良好教育的人是件好事，但这并不是成功的必要条件。

“公司倾向于认为，如果没有博士学位，他们就无法完成一流的分析，”Saiz说。现代数据分析更多的是需要技能的混合——那些精通新兴技术和开源软件的人（包括大数据架构师、数据工程师、数据科学家、数据可视化专家等等)，将会对数据分析起到重要作用。

误解

08

人工智能将破坏就业，破坏经济？

从历史上看，新技术的引入已经扰乱了许多工作和行业，人们担心人工智能将消除人们自身去执行某些任务的需要。

“人工智能解决方案比人们在解决某些问题上要好得多，”Trevor Schulze（存储器方案供应商Micron公司CIO）说道，“人工智能读起来更快，记住更多，计算复杂的数学关系比任何人都好。”然而，人工智能无法处理新的场景，这是人类擅长的地方。

他表示，某些工作机会因为人工智能的发展而减少，但是，其他的工作随之而来。“人类本身的认知能力，理解能力，和在不可预见情况下的反应能力，这些不会被目前的人工智能取代。尽管很多工作会因为人工智能而改变，但是人们在一段时间内，仍然是商业生态系统的关键部分。”