强大的计算能力，令人难以置信的数据量，以及获得惊人进展且能够让所有行业各种规模的企业都可以轻易获取的分析技术汇集在一起，改变了业务决策的面貌。数据科学家和业务分析师拥有一个不同寻常的“沙盒”，可以在里面建立模型，测试想法，确定应对挑战的解决方案，并利用机遇。

人们对分析能力是否是企业正面资产的问题并没有真正的疑问。然而，仍然存在的巨大挑战是如何弥合数据科学家在实验室中取得成果与能够实际应用到企业当中的成果之间的鸿沟。如果不采用有效手段将成果转化为其他人可以理解、使用和执行的东西，数据科学小组得力工作的影响将大打折扣。

将实验室和企业连接起来，或更重要的是将分析和行动连接起来，是数据驱动型企业的重要一步。为此，我提出以下五个步骤，帮助企业将分析层面的成果转化为公司层面的成功：

步骤1：记录数据

当用户注意到一个业务解决方案时，应该很容易找出是哪些数据构成洞察力的基础。这种透明度对信任的建立至关重要。决策者不是数据科学家并不意味着他们对业务知之甚少。决策者需要相信使用的数据来源得当，随后的分析是建立在高质量、可靠的数据之上。简言之，人们需要信任和理解数据。

步骤2：让用户自己运行查询

授权用户自己运行查询至关重要。 许多了解自己数据的用户就想自己运行查询。 有些用户希望深入了解最本质的SQL。这些用户希望查看查询过程的详细信息，并跟踪被执行的步骤。对于希望深入了解查询内部工作机制的高管或管理人员来说，记录下来的查询，包括一路创建的任何中间数据对象可能都是重要的。

步骤3：记录并解释分析

一旦对可信的数据集进行累积，并加以分析，则需要明确所使用的分析方法。 尽管并非分析下游的每个人都将需要这种信息，但是在整个企业倡导使用分析技术，并在这个企业建立信任基石的超级用户和决策者需要这种信息。有了解释分析技术如何应用的文档，希望了解信息获取方式的高级用户可以根据需求自行获取信息，而无需等待与数据科学团队会晤。

步骤4：应用可视化技术

与解释分析技术密切相关的是应用业务用户可以理解的可视化技术。对于了解网络图表如何在不同模块和场景下使用的数据科学家来说，西格玛（sigma）可视化技术可能能够提供深入的洞察力；然而，对于有要务在身和有其他关切的业务前线人员来说，同样图表更简单的版本可能也是必要的。另一方面，一般的柱状图可能便于理解，但由于过于简单，可能深度不够，难以支撑业务决策。这不是关于过度简化的问题：远不是。寻找合适的可视化途径是一种重要的平衡行为，将为业务用户提供情境，以便他们更全面的理解和应用分析洞察力。

步骤5：改进计划

数据分析本质上是一个迭代过程。它不是部署一次，获得百分之百 “正确的”结果，然后就完事的过程。不仅洞察力会随着时间的推移而变化，数据分析如何与业务完美结合也是一个有机的不断演变的过程。建立一个反馈机制，花费时间和精力理解哪些行得通，哪些行不通，以及这些行得通或行不通背后的原因，是区分专为一次性成功而设计的流程和专为提供持续成果而设计的数据分析技术的关键因素。

数据分析的成功之路并不会因为突然将每个人都变成分析师或数据科学家之后而铸造。它需要认识到数据团队和业务团队各自的优势，并确保存在一个交流界面，以鼓励对方团队变得更为强大。