好的 BI 不單靠分析人員：高層應多與前線人員溝通！

目前主流的商業智能（Business Intelligence，簡稱：BI）和分析應用主要關注的是如何從已有資料中提取業務價值，反映公司發展、客戶行為和業務趨勢，這種方法是面向過去的。而一些新興的資料分析技術已經把目標投向了未來預測分析。企業通過採用大數據分析技術預測未來可能發生的事情。

但是，預測建立模組和資料抓取技術要想準確地預測出客戶行為，制定有效的企業策略，需要處理大量的多種類型資料；其實要真正落實預測分析，企業需要做的不只是給分析人員配備預測建立模組工具這麼簡單。

現在通常是資料科學家和統計分析人員自己寫演算法，構建預測模型。其實演算法和分析模型需要經歷創建、測試和運行的階段，在資料產生之前，這些工作應該是已經做好了的。“要解決一個問題，其實百分之八十的時間都花在資訊收集上，而資訊收集一開始就應該和業務相關聯繫。”

大數據項目一開始就要有建立模組人員參與其中，建立模組人員需要將自己的數學知識和企業的業務知識相結合。演算法寫的再好也不能為企業解決具體業務問題的。讓資料分析人員和業務人員多交流，讓資料科學家瞭解自己要解決的問題，這樣他們才能充分利用資料，解決業務問題。

技術與業務不能各自為政

大數據分析專案主要是對資料進行挖掘，找出和企業相關的資訊。這個過程中，需要建立模組人員與業務用戶的合作。建模工作不能孤立地完成。

隨著企業不斷的收集、存儲和分析大數據，企業利用資料的方式也在發生改變。一開始的時候，企業更感興趣的是資料收集，把一堆資料放到Hadoop或者其他存儲系統裡。慢慢地，企業更希望合理利用資料，達成具體目標，比如增加利潤、節省支出等。這意味著預測模型的構建需要以具體的業務目標為基礎。

如果建立模組人員不瞭解業務，預測分析就不能發揮出價值。無論是不是大數據，建立模組都應該以特定的業務問題為基礎。我見到過很多公司的資料項目都因為技術人員不懂業務而失敗，結果往往是模組本身很好，但卻沒法實際應用。

成功是來自無數次的失敗

很多公司之中，業務問題和相關的資料集一旦確立，預測模型的開發基本上是一個可反覆運算的過程。分析團隊會創建多種不同的模型，比如線性回歸模型和神經網路模型，從而找出最適合使用的應用程式。在建立模組的同時，技術人員會建立獨立的資料沙盒，包含相關資訊，並且與資料庫隔開。這樣技術人員就可以深入瞭解不同的選項，測試不同的樣板模型。確保模型能夠正常使用。

我們一年前接觸過一家公司，這家公司使用的是SAS軟件供應商的資料建立模組、資料採擷和分析工具。他們的建立模組首先關注的是對保險管理賠償和健康檔案的分析，公司借此判斷哪些患者需要額外的醫療服務、哪些人的症狀表明他有可能患有疾病（比如糖尿病、心臟病）。分析團隊也會關注臨床，幫助患者快速恢復健康，或降低醫療成本。

因為資料科學家需要嘗試不同的方法構建資料模型，所以這個過程要花費較長時間，而且經常會失敗。正因為如此，專案需要獲得高層的支持（金錢上的支持十分重要），這樣才能保證項目能夠持續下去。專案管理者要讓高層瞭解專案的特點，不能讓專案因為失敗或成本過高而停止。