分析是做出明智业务决策的关键，但并非每个分析部署项目都能成功。项目越重要，障碍就越大。

根据数据供应商Appen于6月23日发布的针对高级技术主管的调查现实，在接受调查的高管中，近75%认为AI对他们的成功至关重要-但近一半的人表示，他们的公司在AI之旅上落后于人。

同样，IDC的一份报告显示，在所有AI和机器学习计划中，近三分之一（28%）失败了。据IDC称，这些项目失败的主要原因之一是数据不足。专家说，另一个主要挑战是缺乏利益相关者的支持。

数据、无处不在的数据以及完全没有分析

Insight公司数字创新服务高级管理顾问Steve Strohl在与一家美国大型制造公司合作进行分析部署项目时，遇到大型数据问题。

他说：“这家公司拥有50至60个不同的源系统，并且每个系统都像不同的国家/地区一样运行。”

有些系统具有出色的数据质量，而其他系统则不存在数据质量这回事。

Strohl称：“整合所有这些数据源可能非常具有挑战性。对于同一个客户，我们有150种不同的语言-这在系统中被视为不同的客户。我们无法将该客户连接到企业中的任何其他系统。”

该公司浪费了一年多的时间，大约浪费了250到500万美元，最终不得不退后一步，先进行数据质量项目。Strohl说，该公司最终要做的是创建一组一致的业务规则，以为其数据创建可靠的框架，然后对其进行清理。

他说：“分析完全取决于你使用的源数据。”

Tata Consultancy Services公司业务分析主管Venkatesan Sukumaran发现，一家大型澳大利亚银行也存在类似问题。

他说：“该企业中非结构化数据的水平随着与非结构化数据有关的数据源数量的激增而增长。”

有些数据也来自外部合作伙伴。Sukumaran说，为了解决这种日益增加的复杂性和随之而来的成本，企业需要改变心态。当这家银行开始寻找其他解决方法时，他们决定将数据和分析转移到云端，这影响着存储成本、处理速度和成本以及上市时间。

他说：“这三个方面都取得了明显的成果。”

另一家位于欧洲的银行正在使用分析方法确定向哪些客户提供哪些金融产品或服务。

Sukumaran说：“他们有很多很多产品，每个产品都位于不同的系统上，而不必彼此通信。因此，你不是在客户级别进行优化。”

例如，他们可能向客户提供了一种产品，但该客户不符合银行的风险要求，或者该客户的定价不正确。该银行通过机器学习项目解决了即时数据挑战，该机器学习项目为客户创建了统一视图。

但是，为了解决更大的问题：缺乏统一的企业范围内的数据策略，该银行设立了新职位：首席数据官。

Sukumaran说：“这有助于实现治理的集中化和流程的标准化。”它帮助该银行创建了一个更强大更灵活的IT环境，从而为应对快速增长的数据集做好准备。

我们都在同一轨道吗？

另外，还应该让高层管理人员参与进来，这将在很大程度上促使业务部门朝同一方向发展，但这只是解决了部分挑战，因为在所有利益相关者中，最终用户才是最关键的群体之一。

在灾难恢复公司Sungard Availability Services，一个团队每个月要花三周时间来为企业领导制定报告。该公司希望将该团队转移到一个分析平台，特别是Qlik Sense BI。

Sungard Availability Services公司企业分析和应用程序交付总监Shreeni Srinivasan说：“当我们首次引入该工具时，他们非常怀疑和犹豫。他们坚持要购买服务器和数据库，并雇用小型开发团队来自动化该报告的数据提取。”

他们花了几周的时间来解释该分析工具的功能。他说，教育用户所花的时间得到了回报。

Srinivasan说：“当团队理解该工具后，我们就能够实现并自动执行创建160张幻灯片的报告的过程。”以前需要手动花三个星期的时间，现在只花了几个小时。

他指出：“在意识到工具的价值之后，该团队现在该工具的最主要用户，并积极推荐给我们企业内的其他团队。”

类似的努力使该公司的人力资源团队转换为分析人员。以前，人力资源团队每月花费几个小时来创建员工数据电子表格，然后通过安全的电子邮件将其分发给经理。

该公司付出很多努力来说服其团队尝试自助服务分析仪表板并证明其安全性和管理性。但他说，现在，经理们可以使用自助式商务智能工具随时随地获取最新信息。

Nucleus Research公司分析师Daniel Elman说，最终用户教育是部署分析技术的最大挑战。

他说：“大多数企业用户没有接受高级统计和数学方面的培训。第一步需要建立用户对数据的信任和对结果的信任。”

Elman说，企业还应该投资建立数据文化，在这种文化中，决策基于数据，而部门负责人则创建基于数据的关键绩效指标。

缺乏明确目标

即使掌握了正确的数据，并且所有利益相关者都参与其中，但如果没有明确的可实现的目标，则分析项目仍然可能出错。

Booz Allen Hamilton公司AI策略和培训主管Kathleen Featheringham表示，问题之一可能是人们不了解这项技术，尤其是对于高级分析、机器学习和人工智能。

她说：“他们不了解当前的状态和功能。”

Featheringham说，人们倾向于对新技术的准确性抱有不切实际的期望。

她说：“我们认为机器的准确度应该在99%到100%之间。例如无人驾驶汽车，我们希望它们是完美的，但是你知道任何人类在开车时能达到99%的准确率？”

业务分析也是如此。如果用户期望分析的准确性为100%，而准确性仅为70％，则他们可能会将项目视为失败。

Featheringham说：“但是，如果你现在拥有的东西只有20%的准确率，那将是很大的进步。”

她说，同样地，很多平台使用越多就会变得越好。如果用户期望该平台开箱即用，他们可能会感到失望。

她说：“模型需要训练。不要期望它会在第一次就成功运行，现在可能是50%，但有时会上升到80%。”

Srinivasan建议，对于需要新工具和流程的分析部署项目，如果所选项目为用户提供了明显且显着的收益，则将有所帮助。他说，模糊的期望或认为分析将神奇地解决长期业务问题的想法是分析采用项目失败的常见原因。

他说：“令人惊讶的是，很多分析项目开始时并没有明确的目标。”