企业在高级分析计划中犯的25大错误
1. 做白日梦，分析是一个即插即用的魔杖，它将带来非常短期的投资回报。执行良好的基本excel模型可能在2000年代取得了快速成功，但高级分析需要一些时间。Analytics（分析）永远不会即插即用，因为将数据插入模型的时间非常长，因为学习不能在公司或市场之间转移，并且因为它们要求人员的高OPEX和系统的高CAPEX。
2. 解决不是真正值得解决的问题，这会浪费时间和资源。分析不是关于寻找问题的解决方案，而是关于寻找解决方案的问题。诸如 “我们可以使用区块链做什么？”之类的问题。 没有道理。“我该如何解决我的营销问题”是一个有意义的问题。首席数据分析官最严重的错误是对每个职能领域面临的主要挑战和机遇的看法并不十分清楚。
3. 仅依靠供应商或顾问进行分析，尤其是模型创建。 公司如何无法与顾问一起开发能力的事后分析如下：客户聘请顾问来交付项目并同时开发内部能力。客户对项目的影响抱有过高的不切实际的期望，顾问们从不说“不”并超额出售项目。这种影响没有实现，有一天，客户告诉顾问“如果下个月您没有受到任何影响，我将终止您的合同”。如果有的话，那一天能力开发就正式消失了。RIP。垃圾箱里有几百万美元。无论如何，分析是公司的大脑。企业甚至怎么可能认为自己可以外包呢？与供应商和顾问一起工作可以工作，但是需要仔细考虑治理。
4. 没有制定一份全面的优先事项清单。 由于您只能用一只手的五个手指进行计数，因此管理层应该最多选择五个指标，而不是让所有事情看起来都很重要。
5. 对随机请求说“是”，例如宠物项目或迷人的可视化和报告，这些报告通常会导致分析瘫痪综合症。
6. 假设来自外部数据货币化或来自云的节制是数据隐私和安全性的解决方案。 尽管某些行业和国家/地区存在一些法规限制，有时甚至存在道德限制，但正确地进行外部货币化和云计算并不一定会带来安全风险。
人：
7. 根据 诸如IT或战略之类的不能每天推动业务发展的功能来组织分析。只有将Analytics（分析）与日常运作相结合，Analytics（分析）才有功能。
8. 让多个分析团队在组织孤岛中蓬勃发展。 Analytics（分析）需要保持业务的集成视图。
9. 仅通过基本薪酬来吸引人才。相反，有必要树立目标感，创建强大的雇主品牌并培养内部人才。
10. 雇用一群博士努力开发高度细致的模型，而不是方向性地纠正粗略的解决方案，因此他们无法证明可行的见解。因此，聘请具有高度指导性的快速学习者（即使他们拥有博士学位）。
11. 雇用技术首席数据分析官或雇用非技术首席数据分析官。 相反，他需要兼具以下两个方面：具备足够的技术来指导自己的团队，以及有足够的业务驱动力来理解业务问题。
12. 不要将领域专家和内部业务顾问带到分析团队， 以弥合业务领导者和分析团队之间的鸿沟，以确保从构思到影响的端到端旅程。
13. 通过 从销售代理到CEO，尤其是销售代理和CEO的整个组织的积极指导，忽略了以数据为驱动的文化的创建。
14. 不够客观 ，对现状或领导思想保持偏见。深入嵌入业务功能或业务单元中的分析团队比集中式麻烦更大。这就是为什么一些组织创建质量控制团队的原因。
执行：
15. 不要在业务模型和日常工作流程中嵌入分析。 这将导致无法将技术与人集成在一起，而是将分析用作他们日常活动的一部分，从而帮助用户做出以数据为中心的判断，做出更明智的决定，将消费者的反馈纳入解决方案并快速迭代新产品。许多人仍然依靠直觉和河马来做出决定（最高付费人士意见）
16. 不要让数据科学家与他们所支持的业务团队一起工作。否则他们将不会互相交谈。
17. 在Waterfall中管理分析项目。无法预先知道模型的参数。它们是通过迭代过程确定的，该过程看起来更像是一门艺术，而不是一门科学。因此，分析项目需要遵循例如敏捷框架进行迭代。
18. 无法扩大分析试验的规模。分析通常会开始试用用例公司经常会在需要为其他短期计划重新分配资金时立即杀死飞行员。
19. 忽略将数据治理作为基本推动因素。数据治理是指组织以资产的形式正确，持续地管理其数据所需的组织，流程和系统，范围从管理数据质量到处理访问控制或以标准化方式定义数据的体系结构。
技术：
20. 尝试在不改进数据工程基础结构的情况下创建数据科学模型：清理存储库，高效的引擎和简化的提取-负载-转移过程。没有实际用例进行建模的数据工程也是错误的。建模和工程都必须并行或迭代进行。
21. 不使用以下任何基本技术：Hadoop，Spark，R，Python，您选择的高级可视化工具以及为整个组织开放的精细的自助式报告系统。
22. 数据存储库之间存在技术孤岛，这使得很难将不同类型的数据集成到模型中。分析的能力随着数据的多样性呈指数增长。
23. 不能通过AI使分析自动化，这对数据科学家而言可能是非常聪明的助手。 AI自动化可以帮助数据科学家清理数据，检查正确性，部署模型，检测相关的预测特征和模型过时，甚至生成数百或数千个模型变体。总而言之，由于数据集需要提供给AI系统，因此业务的分析策略必须是整个AI策略的子集。
金融：
24. 没有 为分析平台分配足够的预算，但仍然满足香格里拉的梦想。相反，这也是一个错误，分配了足够多的钱，这些钱与业务成果没有直接关系。
25. 无法衡量 分析计划的投资回报率。我们知道投资报酬率是中期的，但这并不意味着您无法衡量它。
1