目前说数据科学已经普及可能有些牵强，但就分析技术而言，常常会听到“下一步将如何发展”的问题。之后，谈话内容通常会直接转向人工智能和深度学习。 为此，梳理一下当前的现状是当务之急。 简单的事实是，按照目前的现状，以数据为中心的企业将努力跨越一个鸿沟——这个鸿沟存在于目前被认为是有效的数据科学，以及分析成为不断优化的业务运营的基本框架的内在组成部分的主观感觉之间。如今，数据科学通常是通过一次性努力，或临时部署到生产环境，从而获取新的洞察力和模型的流程，并需要定期进行密切的监测和更新。 这并不意味着企业的数据科学计划没有走上正轨，而只是表明到目前为止它们已采取的措施将其带到了必须逾越的鸿沟面前。对于追求进步的企业机构来说，创建一个企业级数据湖，以存储大量不同形式的数据是一个必要的基本举措。在此基础上，再开发数据民主化系统，为寻求洞察力的人员提供便捷的数据访问服务至关重要。毫无疑问，已经做到这两点的企业已经获得了不少收益。 不过，这就是目前的发展现状，未来可能有更大突破。这也是它们之前准备实现的成果。如今，许多公司都拥有数据，并配备有数据分析家，进行分析和建模，而经过仔细设计的模型可以接入某些可用的业务应用。然而，每一个模型的部署都是一种定制化的、精细的、一次性的工作，需要投入细致的人力资源来确保模型的质量。如果需要改变模型，整个事情都需要重做。通常有用的分析只能执行一次，但不能再现，甚至更糟糕的后果是可以定期重建，但结果却不一致。如果一个新版本的模型不能正常运作，恢复以前的版本就可能是一件痛苦的事情，更不用说对模型进行系统测试，以不断改进其功能。 仅仅知道如何处理原始数据是不够的。公司需要一个能够持续测试和改进模型的基础设施，起点是将受到管理且被理解的分析数据集作为输入。在这个环境当中，标准化数据可让人们随时进行任何类型的数据科学研究。 这在以前就有实施过。类似的事情在应用开发和IT层面发生过——在DevOps理念当中，软件工程师和IT操作人员协力合作，共同开发和部署软件。 无论是让未来数据驱动的机会如AI成为业务现实，还是在当今的数据环境中实现投资回报率，灵活性都是至关重要的。一家公司的数据科学团队可能会擅长在数据中找到正确的提示，并将这些发现应用于流程当中；然而，一旦数据产品公开发布，他们却不具备维护这种数据产品的能力。IT工程师们希望获得更精细和更容易部署的产品。现实和期望之间的就是差距。 目前缺失的是新的业务领域——分析操作的内化。分析操作可以将实验室进行的隔离科学实验转变为一套统一的用于整合数据科学团队和工程团队的方法论，以及可将分析模型转变为便于运营层面人员持续消化的框架。 分析操作（Analytics Ops）体现了专注资源密集型一次性胜利和拥有持续的可适应环境变化的“滋养之源”的区别。要实现这个目标，企业机构需要建立跨职能团队，采用合适的软件，并执行严明的纪律，让数据科学家、工程师、产品经理和领域专家共同努力，打造一个可为企业带来价值的持续流程。 下一步将从平衡支出和企业发展开始。这样就可以对分析操作进行一定量的投资，弥合数据科学和IT工程之间的鸿沟。如果不采用这种前瞻性的方法，企业可能会开展一些有趣的分析项目，这些项目可以运行一段时间，但最终会衰退，变得没有那么重要，并且无法获取进展。最令人沮丧的是，企业最终将无法从分析投资中获得实施和部署层面的回报。 分析技术中的下一步发展将不再仅仅由数据科学家驱动。它需要对技能、实践和支持技术进行投资，将数据分析从实验室应用到业务中。分析操作需要有意识地做出决策，不断进行整合、测试、部署、监控和调整分析，从而实现持续不断的改进。分析工作，无论多么复杂，都不应被视为一个有终点的项目，而应看成是整个操作框架中一个不可分割的组成部分。