教师与领导博客/研究和实践

数字创新者的分析技能

通过| 2017年1月27日

在2017年及以后，利用数字技术进行创新不再是一种战略选择:它已成为一种必要。某些公司，如Facebook、Alphabet、苹果(Apple)、亚马逊(Amazon)和IBM，已经变得非常擅长分析，以至于我们称它们为数字巨头。事实上，这些公司以其优越的信息处理和分析能力对每一个企业都构成了威胁。

IDC预测，到2020年，数字转型(DX)经济将推动60%的IT支出。1DX奠定了移动计算、社交网络、云计算、分析和物联网技术的坚实基础，将把竞争力和利润推向新的高度。

公司越来越依赖于他们在数字技术方面的创新能力。据Gartner高级副总裁兼全球研究主管彼得·桑德加德(Peter Sondergaard)称，领先的首席执行官们预计，到2020年，他们的数字收入将增长80%以上。2然而，如果他们没有掌握支持数字创新的技术所需的技能和能力，他们的目标可能会受到阻碍。

“高质量的数据对有效的数字创新至关重要数字创新者的目标应该是成为分析专家。”

数字初创企业面临着额外的挑战。它们必须获得有效管理基础技术的能力，同时必须部署这些技术来领导数字创新和转型努力。

高质量的数据对有效的数字创新至关重要。数字业务的成功取决于市场反馈、数据流(例如，api的数据流入和流出)、实验和商业机会的发现。在DX经济中，分析是公司需要的能力之一。数字创新者的目标应该是擅长分析。

以下是数字创新者应该培养的6大分析技能:

  1. 数据管理。那些整天做分析的人知道，他们的大部分工作都花在获取、清理、集成和管理数据上。对于分析型革新者来说，数据管理技能不仅仅是操作Excel中的列。数字革新者应该能够利用私人和公共数据流。这要求他们掌握防火墙内外api的使用，管理客户调查，并将它们合并到组织的数据流中。数字创新者应该了解API数据交换的原理;了解数据存储，包括结构化和非结构化数据(即，关系型和NoSQL数据库);命令查询语言(例如，SQL，最广泛使用的分析工具，3.用于查询和编辑关系数据库中的数据)。此外，数字革新者应该知道如何清理和转换数据进行分析，这是一个乏味的过程，可以通过在R或Python中创建工作流来标准化。
  2. 统计编程。尽管自动化分析解决方案得到了改进和扩展，但数字革新者应该学习统计编程。首先，自动化会导致标准化和灵活性的丧失，这两者都是算法和流程创新开发的敌人。数字革新者应该依赖统计编程环境来提供敏捷性、模块化、可伸缩性和可组合性。数据科学家压倒性地偏爱R和Python，3、4它们都具有大型生态系统和通过大型开发社区提供的包/库不断扩展的功能。
  3. 应用统计学头脑。自动化分析工具有助于数据的准备、可视化设计以及统计模型的构建和解释。不幸的是，它们也倾向于免除用户对数据的统计假设(例如有效性、抽样、概括性)和所建立的模型假设的检查和核算责任。当数字革新者依靠小实验和持续的市场反馈来完善创新时——精益创业方法论广泛宣扬——统计智慧对于从数据中得出正确的结论是很重要的。
  4. 数据可视化。组织努力吸引和留住具有分析技能的业务用户。5尽管企业努力营造分析文化，但它们发现，包括高管在内的大部分员工都缺乏解释和制定统计模型战略的统计专业知识。数字创新者应该有能力创建数据可视化，清晰地传达支持战略数字行动的发现。在这个领域，解决方案自动化了图表的创建和引人注目的叙述的写作(即, Natural Language Generation software such as Narrative Science for Tableau) offer the digital innovator easy-to-learn alternatives to hands-on data visualization tools (e.g., gpplot2 R package).
  5. 沟通。数字创新者应该是分析结果的有效传播者，如果她想获得广泛的组织支持，将组织资源投资于固有的风险创新。这应该包括优秀的口头和书面沟通技能，以及向高管和业务伙伴传授分析概念的能力。
  6. 文化。通常被忽视的是，主流文化及其对基于证据的管理的接受程度将决定分析的采用。如果没有这种文化，公司领导层必须首先花时间和精力来改变这种文化。在谷歌，当Marisa Meyer做产品决策时，如果数据不支持她的观点，她经常会停止演示。这向组织的其他成员发出了一个明确的信息——我们相信上帝，你们带来了数据!

这是关于分析和数字创新系列文章的第二篇金博宝。我们邀请您留下您的评论，并阅读第一个帖子:金博宝分析的关键是数字化创新”。

写的鲁本拉(@RubenMMancha),巴拉艾耶(@BalaIyer);最初发表在LinkedIn

脚注

1 IDC (2015)。IDC预测，“DX经济”将出现在广泛的数字转型和每个行业第三平台技术大规模升级的关键时期。新闻稿。可以在:https://www.idc.com/getdoc.jsp?containerId=prUS40552015

2 Gartner (2015)。Gartner表示，这不仅关乎大数据;你要做的是:欢迎来到算法经济。新闻稿。可以在:http://www.gartner.com/newsroom/id/3142917

3王,J。Magoulas, R。(2016)。2016年数据科学薪酬调查——工具、趋势、数据专业人员的薪酬(和非薪酬)。O ' reilly媒体。可以在:http://www.oreilly.com/data/free/files/2016-data-science-salary-survey.pdf

4 KDNuggets (2016)。SAS vs R vs Python:分析专家更喜欢哪种工具?博客文章。金博宝可以在:http://www.kdnuggets.com/2016/07/burtchworks-sas-r-python-analytics-pros-prefer.html

5麦肯锡(2016)。领导数据和分析的需要。在线报告。可以在:http://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/the-need-to-lead-in-data-and-analytics

金博宝张贴在研究和实践

标记,,