企业在部署分析以从数据基础设施中提取最大价值时，面临很多挑战。这里的重点是提高数据素养，并考虑具有不同技术或业务专业知识的员工或利益相关者如何收集、处理和重用数据。这里涉及人员、流程和技术。

Lotis Blue Consulting公司合伙人兼首席数据科学家Donncha Carroll说：“高级分析能力提供战略优势，为企业提供实时洞察力，从而实现和支持更好、更快的决策。”

提高人员、流程和技术的水平，可带来更好的业务运营和结果。开发数据资产、基础设施和技能是实现更高性能水平的起点。同样重要的是，企业需要培养从数据获得见解的文化，而不是只相信少数人的直觉，因为直觉可能带来风险。

什么是分析成熟度？

软件开发人员使用能力成熟度模型来评估软件开发过程的演变。成熟度的五个阶段是初始级、可重复级、已定义级、已管理级和优化级。

美国圣克拉拉大学利维商学院商业分析副教授Ram Bala说：“由于分析部署从根本上涉及软件开发，分析成熟度模型可以采用类似的框架。”

分析成熟度不是软件成熟度的同义词，因为分析和软件的价值主张是不一样的。
他说：“一家在软件开发方面非常成熟的企业可能在分析部署和使用方面相当原始。”
咨询公司Kearney的合伙人Bharath Thota说，分析成熟度模型可以帮助企业熟练使用数据和高级分析来推动业务价值。

分析成熟度包括从被动洞察力到更高级的分析形式—这些分析形式提供了远见，并使企业能够更加积极主动。Thota发现，根据其分析能力来总结每个成熟度水平很有帮助：

• 描述性分析查看过去的数据，以弄清楚发生了什么，并识别历史趋势或模式。
• 诊断分析采用描述性分析结果，并深入了解为什么会发生这种情况。
• 预测分析使用当前和历史数据来预测活动、行为和趋势。
• 指导性分析有助于根据预测的可能性确定最佳结果或行动。
• 认知分析通过将认知计算技术应用于分析来模拟人类思维。它使用人工智能和机器学习（ML）自动分析大量非结构化数据，并为分析师提供见解。

Protiviti公司董事总经理Mark Carson说，对于企业而言，有效的做法是将企业内效率、有效性、弹性、隐私、道德和部署分析能力的衡量标准纳入分析成熟度模型。

成熟度可能因组织而异。与此同时，同样重要的是，确保评估关键因素的方式足够灵活，以适应不断变化的分析和人工智能环境。考虑分析的技术和功能方面与软件和安全成熟度模型有何不同。分析成熟度应侧重于提供业务价值和投资回报率的能力。

Carson说：“一个企业认为的低成熟度可能是另一个企业的目标。例如，在安全方面，企业间也会有不同，这不是简单的是或否的问题。”

五个成熟度水平是一个相对武断的数字，主要源于人类每只手上有五根手指。DAS42公司首席顾问Teresa Kovich说，分析咨询公司DAS42使用六阶段成熟度模型，从完全数据盲组织开始，转向数据意识，最终形成有效的数据驱动组织。

Kovich喜欢将成熟度模型与Maslow人类需求层次结构进行比较。基本的想法是，在有坚实的基础之前，人们无法充分发挥他们的潜力。在DAS42的方法中，重点是结果而不是投入。她解释说，仅仅因为你在做机器学习，并不自动意味着你更成熟。

提高分析成熟度的挑战

提高分析的成熟度需要承诺和毅力。即使有部署适当的技术系统，培养文化也很重要，以推动分析成熟度努力。让利益相关者参与到有形分析的价值中，以及增加参与分析的员工数量，这将成熟度努力能否成功。

敏捷

Carson说，企业应该采取敏捷的方法来评估其分析成熟度。他们必须独立评估特定业务领域，因为不同的领域可能对成熟度有不同的定义。这些领域可以包括员工技能、数据素养、成本、安全性、隐私以及是否租用或购买分析功能。企业应专注于分析和人工智能的各个方面，因为它们应该以不同的速度成熟。

平衡时间和投资

Kovich说，人们经常想要闪亮的新技术，但并不总是想花时间把它做好。很多DAS42客户试图对他们使用或内部构建的工具上偷工减料。从头到尾了解数据非常重要，可避免企业在无法提供价值的新分析工具或流程上浪费钱。

利益相关者参与

分析成熟度需要自上而下的参与。将一线员工纳入分析成熟度之旅很重要。
Kovich说：“如果你的团队成员（不仅仅是你的高管，还有整个企业的决策者和日常参与者）不相信数据的价值，那么你的企业在利用分析方面将受到限制。”

过度依赖工具

Kovich说，很多过于依赖治理和编目等运营工具。这些工具很有用，但建立数据驱动的企业需要大量的人力努力。

她说：“没有任何技术可以取代谈论你的公司、流程、定义、测量和目标的的工作。”企业应该建立一个卓越中心和教育计划，将人为因素纳入数据计划。

技能

毕马威美国咨询公司首席数据官Robert Parr表示，企业面临的主要挑战之一是缺乏熟练专业人员，以有效使用数据分析工具和技术。当就业市场缺乏合格的候选人，现有员工缺乏培训和发展机会，或难以留住顶尖人才时，缺乏技能可能是挑战。

Parr建议各企业投资其团队的培训和发展计划，与教育机构合作开发新的人才管道，并创造一种持续学习和发展的文化。

数据素养

企业面临的另一个挑战是员工缺乏数据素养。如果员工不了解如何解释和分析数据，就很难有效地使用数据来推动业务决策。企业可以通过数据素养培训计划改善员工的数据使用。Parr说，他们还可以开发数据可视化工具，并培养数据驱动的决策文化。

监管合规性

企业在确保其数据分析实践符合相关法规和标准方面可能会面临挑战，特别是在医疗保健和金融等行业。Parr说，数据分析领导者必须与法律和监管专家密切合作，以确保他们的做法符合相关要求。

好高骛远

有时候，数据领导者不明白他们当前数据基础设施的局限性如何限制分析能力。Carroll说，因此，他们积极地开始大规模项目，然后这些项目分崩离析，因为高价值的数据资产没有被存储、结构化或提供给不同的团队使用。

他发现，业务领导者往往没有意识到或没有完全理解更抽象的限制。当团队无法快速轻松地从销售、客户或运营数据中提取价值时，他们可能会感到沮丧。

获得高管认可

数据领导者并不能总是有效地向高管和董事会传达分析优势，以让企业增加对分析的投资力度。在数据基础设施投资与顶线或底线之间建立明确联系很重要。数据策略师和从业者必须让企业高管认识到数据优势可以同时满足不同需求。如果没有令人信服的叙述，领导层可能会对可能需要数年才能还清的大量投资持怀疑态度。

Carroll说：“你需要通过小额投资，在较短时间内在一些高影响用例中产生有意义的结果，以获得领导层的支持。然后，你需要在内部广泛地推销这些成功用例。”

发展较慢

Bala说，考虑分析成熟度为什么会比软件开发慢也很重要。软件项目可以跟踪事务效率的即时收益。相比之下，分析项目的价值更具战略性，并且在更长的时间范围内显现。
他说，这使得分析投资相当零星，进化进展相当缓慢。

技术发展迅速

分析技术变化很快。

Bala说：“企业刚开始对基本的描述性分析感到熟悉时，他们遇到数据科学革命，而现在这种革命又已经被生成性人工智能浪潮所取代。”

虽然技术进展可能看起来很快，但它与进化不同，进化是关于走向更高的标准化。技术的快速变化可能会抑制标准化过程。

分析成熟度的未来

Carson预计，分析成熟度评估将变得更加频繁、敏捷，并专注于业务的特定领域，以推动投资回报率。新的分析和人工智能工具可以改进捕获、集成和分析非结构化数据的流程。高级工具可以从原始数据中建议相关性和因果关系，并支持生成高质量、可用的输出。

尽管数据科学家对机器学习和生成性人工智能感到兴奋，但企业不一定能像他们投入的那样获得价值。Kovich建议专注于数据共享、数据应用程序和智能策略（例如用户细分和功能测试）的更大机会。
Carroll说，成熟度应该涉及不同角色的工作演变，以及人们如何更有效地参与数据和技术。随着计算资源变得不那么昂贵，企业越来越关注它们在人类环境中的应用。企业必须承认技术只是答案的一部分。他们必须更好地围绕用户设计分析系统。

Carroll说：“我们需要考虑这些新工具和方法如何适应更广泛的业务系统，这些系统由人类支配并由人类行为塑造。”