预测智能，机器学习，人工智能，高级分析。所有这些术语都在主要的营销、商业和分析会议中得到关注。如果你和大多数人一样，你可能会离开这些会议，感觉你的公司落后于它的分析能力。但是，不要让喋喋不休的话愚弄了你。事实上，许多公司还没有准备好消化最先进的机器学习算法，但这不应该阻止你为如何到达那里建立一个路线图：
步骤1：投资于人
数据科学家代表了许多公司今天正在寻找的分析专业知识和商业触觉的罕见组合，现在备受关注。雇佣这些受欢迎的人才加入你的公司是建立你的分析能力的第一步。然而，领导专家Jim Collins在他的《好到伟大》一书中建议，在“公共汽车上”找到合适的人是很困难的。
一个数据科学家所需的技能已经提高了；数据科学家不仅被要求成为企业数据驱动分析解决方案的创造者和翻译者，而且他们也越来越多地成为技术团队的向导。你想在简历上超越纯粹的技术技能，寻找一种能以商务用户所能理解的方式传达复杂主题的才能，以及对数据来源的技术环境的理解，以及解决方案的部署。
行动：寻找具有不同背景的数据科学家。
步骤2：回到基础
在商业领域，答案并不总是出现在最新、最酷的高级算法或复杂的机器学习应用程序中——机会几乎总是在基础知识中显露出来。在分析学中，“基础”通常是指描述性的、预测性的和规定性的统计学。有差别吗？TechTarget这样定义他们：
描述性分析的目的是提供洞察所发生的事情。
预测分析帮助建模和预测可能发生的事情。
规定性分析试图根据已知参数确定各种选择中最佳的解决方案或结果。
把描述性的、预测的和规范的建模看作是数据科学工具箱中的相关工具；建立这些初步的分析技术，为数据科学的下一个层次创造了坚实的知识基础。下一级很可能涉及更复杂的机器学习——但从基础开始。
行动：在描述性分析方面建立一个问题，它很可能马上回答95%个商业利益相关者的问题。
步骤3：以可操作的格式组织数据
数据科学不仅仅是清理和转换数据、运行查询和编写代码，它还包括很多。它是以一种易于消费的方式向企业利益相关者提供结果。充满了数字的电子表格迫使商业用户在解决问题的细节时，仔细地分析问题，大多数时候，他们真正需要的是答案和行动建议。即使在解决方案背后的数据科学是复杂的，也应该以清晰的语言简化和总结解决方案，以一致的方式传递结果。更好的是，寻找机会部署仪表板和报告软件技术来帮助自动化和应对一些更简单、更常被问到的问题（如什么是我们今年销售的产品类别？）。这使您的业务干系人得到更多自主权，并释放数据科学家来处理最困难的问题。
行动：使企业的关键利益相关者和通过仪表板和报告数据回答自己的问题。
步骤4：使数据对业务有意义
我们知道，数据科学家要成为一个有效的译者，发现隐藏在数据中的秘密，并将它们翻译成商业用户能够理解和行动的语言，这一点很重要。深入了解客户行为，让营销人员通过有意义和相关的方式来调整他们的沟通、互动和信息传递。同样，数据科学家应该与业务部门携手合作，帮助它了解未来的行业趋势和消费者偏好可能如何变化，并预测哪一个客户可能受到变化的影响最大。
行动：将数据科学家紧密地与业务集成，以便他们学会识别来自分析的更相关的事，并预见利益相关者的关键问题。
业界对预测性智能可以解锁的可能性感到兴奋。随着机器学习的兴起，每个人都着眼于利用先进的分析能力来猜测未来。毫无疑问，这些复杂的能力是市场营销人员和商业战略家在长期内对数据产生洞察力的变化因素，但不要忽视部署数据科学家以更直接的分析来解决问题的价值。正如我的一位熟人所说的，“不要在后台做科学交易——为企业提供可操作的见解”。这只能通过直接分析来完成。
编译来源：http://www.imediaconnection.com/article/241981/20170621-soria-getting-your-analytics-straight
