预测智能、机器学习、人工智能、高级分析。所有这些术语都在一些重要营销、商业和分析会议上吸引人们的注意。
如果你和大多数人一样，对此嗤之以鼻，感觉你的公司在分析能力上落后了。然而，不要让喋喋不休的人愚弄你。现实情况是，许多公司还没有准备好消化最先进的机器学习算法——但这并不能阻止你为实现这一目标而制定一个路线图:
步骤1：投资人才
数据科学家是许多公司正在寻找的分析专家和商业智慧的罕见组合的代表，他们从未有过如此高的需求。聘请这些炙手可热的人才加入你的公司，是建立你的分析能力的第一步。然而，正如领导力专家吉姆·柯林斯在他的著作《好到佳》中所建议的那样，找到合适的人是困难的。
你需要超越简历上纯粹的技术技能以外，寻找一个这样的人才，他既可以用客户可以理解的方式在复杂情景下沟通,又可以理解数据产生和实施的技术背景和解决方案。
步骤2：回到基础原点
机会几乎总是在基础中显露出来。在分析中，“基础”通常指的是描述性、预测性和规定性的统计数据。
将描述性、预测性和规定性建模作为你数据科学工具箱中的相关工具;构建这些初始的分析技术将为数据科学的下一个层次创建一个坚实的基础知识基础。下一个层次很可能涉及到更复杂的机器学习——但从基础开始。
步骤3：以可操作的格式组织数据
数据科学不仅仅是清理和转换数据、运行查询和编写代码，它是关于以一种易于消化的方式将结果返回给您的客户群。
寻找机会部署dashboarding和报告软件技术，以帮助自动化地回答一些更简单、更常见的问题。(例如我们的年销售额是多少?)这使您的客户群得到了授权，并解放了数据科学家以解决最困难的问题。
步骤4:让数据对业务有意义
数据科学家应该与企业携手合作，帮助他们了解未来的行业趋势和消费者偏好可能发生的变化，并预测哪些客户可能受到变化的影响最大。
将您的数据科学家与业务紧密地集成在一起，这样他们就可以从分析中识别出更多相关的事务，并从涉众中预测关键问题。
随着机器学习的兴起，每个人都在关注利用高级分析的力量来预测未来。尽管毫无疑问，这些复杂的功能是市场营销人员和商业战略家以长期数据来生成变革见解的代理，但不要忽视部署数据科学家的价值，用更直接的，也是最基本的分析方法解决问题。
编译来源：
http://www.imediaconnection.com/article/241981/20170621-soria-getting-your-analytics-straight
