在当今数字化时代，企业管理者必须对敏捷的商业环境、组织内部、竞争策略、不断变化的客户需求以及快速演变的市场干扰和机遇保持高度警觉。数据分析是捕捉这些洞察力并跟上数字业务速度的唯一途径。随着人工智能（AI）、机器学习（ML）和智能自动化等新兴技术的广泛采用，数据分析的采纳趋势在未来可预见的时间内只会上升。尽管数据分析有着被证明的承诺，传统企业（想想所有20世纪生产有形商品的行业）可能只是触及了表面。
尽管一些公司已经开发了局部的分析流程，但很少有公司将分析根植于其组织内部，或认为它是区分自身能力的关键。更令人惊讶的是，公司继续在与分析采纳相关的基本问题上挣扎，包括组织设置、劳动力挑战和变革管理。许多公司急于加入，而没有严格评估业务需求或能力，这通常导致分析实施的投资回报率低于标准。在这里，讨论了一些关键点，企业领导者在规划他们的分析旅程时需要记住。
赞助和策略：为企业中的分析制定长期愿景，并以正确的承诺和赞助支持这一愿景至关重要。需要持续投资于技术、资源和培训，以确保整个组织对分析的热情和接受。在确定分析策略之前，需要将业务流程中的许多拼图块放在一起，并且不同的利益相关者需要相互同步。因此，不应该期望立即看到结果。
需要制定一个长期的、以数据为驱动的策略，同时考虑到不断演变的商业环境和组织目标。虽然技术改造和建立数据和IT系统以支持分析的过程可能看起来更加令人生畏，但通常更慢、更密集的过程是组织决策的转变和日常运营中的采纳。
大多数组织仍然以分散的形式使用分析，分散在各个地区和业务职能中。它可能已经在有限的范围内、以有限的口袋和没有适当的策略或路线图的方式被使用。亚太地区的一个热情的分析师团队可能正在使用预测模型进行销售预测，而美国团队可能仍然依赖于传统方法——从销售代表那里获取输入。
虽然这种分散的方法是过去十年唯一的出路，鉴于技术限制，云解决方案的出现使得分析集中化、可扩展化，并可以跨地理部署。现在，分析作为一种转型练习可以更有效地由一个集中的团队和愿景来管理。管理者的所有权至关重要，他们最有能力选择最能从分析中受益的正确KPI、流程和业务决策。这样的管理者通常非常适合为每个分析举措进行成本效益分析。
优先级设置：大多数引人注目和华丽的用例只有在分析实践达到成熟的高级阶段时才有帮助。分析团队最终得到的项目提案比他们能承担的还要多。初期的成功很大程度上取决于团队的能力，穿透炒作的技术（想想埃隆·马斯克的Neuralink或类人Sophia）。
然而，与其尝试‘登月计划’，重点应该放在经过验证的价值交付解决方案上。发展分析能力的决定应该基于朝着价值驱动的方法前进，而不是达到被称为‘AI驱动组织’的声明。下图展示了这样一个优先级框架。
每个企业都是独特的，因此，对分析的期望应该在组织和项目层面上明确规划。在内部评估当前能力状态并与行业领先实践进行比较的同时，设置基准是很重要的，但也应该考虑到业务模型和规模的微妙差异，以设定对分析可能的投资回报率（RoI）的现实期望。具有专业经验的外部顾问也可能有助于进行RoI估算和相应地规划投资。
重要的是从小规模开始，进行几个试点项目，保持专注，并迅速交付这些举措。这种方法不仅有助于在组织内提高分析的可见性，还证明了部署分析的潜在价值，帮助向利益相关者推销并接受更具挑战性的用例。通过为业务定制解决方案并为规模、业务模型、流程和行业的差异做好准备，使用分析领导者的成功故事可能不会有任何损失。
组织结构：组织需要为其分析团队定义放置、结构以及对业务单位的成本和资源分配。
尽管有多种可能的团队结构，包括业务单位领导、集中化或外包，但对于大多数全球组织来说，‘卓越中心’（CoE）方法效果很好。CoE作为一个成本中心，为不同的职能或业务单位分配分析项目。此外，应该对多个团队或职能进行初步评估，以检查它们是否准备好与分析团队合作。在考虑技术和资源依赖性后，应定义团队结构。
例如，在CoE模型中，需要将来自不同IT系统的数据孤岛转移到中央数据存储库。在这种情况下，企业还应该投资于相应地分配人才，使用内部调动、招聘或外包。还应该明确定义跨职能举措的所有权和协调指导方针。可能需要功能和技术专长，因此，大多数组织要么聘请外部顾问，要么聘请行业资深人士担任首席信息官（CIO）或首席数据官（CDO）。
合格的分析人才稀缺，人才招聘和保留以实现分析雄心可能相当具有挑战性。虽然分析是一个涵盖从简单的Excel透视表到先进的GAN模型的总称，但招聘一个融合技术知识和领域曝光的分析团队可能很困难。此外，随着组织分析曲线的变化，人才组合需求也在不断变化。
例如，在建立分析时，需要更多的数据工程师和数据库专家来建立数据库和ETL（提取-转换-加载）流程，但一旦这些流程就绪，就需要具有商业智能（BI）和机器学习（ML）技能的开发人员在这些数据库上构建应用程序和工具。推动分析采纳，招聘具有分析思维的业务经理与招聘技术资源同样重要。这不仅仅是人才吸引过程耗时且成本高昂，而且保留也是一个同样具有挑战性的过程。在小团队的情况下，1-2名专业成员的流失可能会破坏多个项目。下表总结了管理分析人才的一些常见挑战和一些解决方案。
Aspect Challenges Solutions
Hiring and Retention Resources across a spectrum of technical skills, eg., data engineering, visualization, machine learning, and IT systems Resources with the right balance of domain knowledge and analytics skills Outsourcing certain tasks Onboarding a mix of resources, using new hiring, internal training, and part-time/contract employees
Workforce Fluidity One-time tasks like setting up data infrastructure and designing dashboards and reports Rotational assignment Cross-functional teams (resources with multiple skills)
Fast-paced environment Frequent changes in the business environment and expectations Fast-evolving technology and new tools Continuous investment in resources, by training on new tools and skill development initiatives Partnerships with experts from the same industry, or from a consulting and analytics background