新技术总是会带来新的问题

在行业网站发布的一些文章中，可以找到一些有用的建议和示例，帮助组织确保分析工作能够交付这些产品。这些举措往往类似于开发项目(即使涉及到商业产品)，并且具有相同的明确目标和迭代周期，可以区分成功的软件开发成果。

 

要了解全局，可以从作者Bob Violino在InfoWorld发表的一篇名为 “如何在数据分析中脱颖而出”的入门文章开始。在这段简短的文章中，Violino介绍了数据分析的基础知识：如何建立卓越的分析中心;自助服务解决方案(如Tableau或Power BI)的好处;机器学习令人兴奋的特性;以及向云计算分析解决方案的转变。Violino在其发表的名为“云中的分析：关键挑战以及如何克服挑战”的文章中还进行了进一步阐述。正如他所指出的那样，云计算的可扩展性和丰富的分析工具可能是无法抗拒的，但是将大量组织将数据迁移到云中并确保其安全可能是令人心悸的冒险。

 

新技术总是会带来新的风险。从自动化数据准备到检测数据中有意义的模式，如今没有比机器学习更能对数据分析产生重大影响的技术进步了，但这也增加了不可预见的风险。正如CSO网站高级作家Lucian Constantin在其发表的一篇名为“数据中毒如何攻击破坏机器学习模型”的文章中解释的那样，恶意攻击者或黑客故意注入的不良数据会使模型趋向某些邪恶的目标，其结果可能是操纵产品推荐，甚至是黑客推断机密数据的能力。

 

毫无疑问，正如Matthew Finnegan在Computerworld网站发表的一篇名为“协作分析：可以跟踪员工”的文章中所证实的那样，数据分析也具有阴暗的一面。收集和分析有关协作平台上用户交互的元数据具有其合法的好处，例如识别通信瓶颈或优化员工体验的能力。但是，可以将这一平台作为员工监控系统，那么将会侵犯员工隐私，并降低管理层与其他人之间的信任。

 

高级编辑Ann Bednarz 在Network World网站发表了一篇名为“美国职棒大联盟在网络可见性方面发挥的作用”的文章，这是有关数据分析以提高用户满意度的一篇比较出色的文章，探讨了MLB公司如何在其基础设施中使用网络流量分析软件，以确保球员和球迷享受端到端的一致的网络性能。

 

文章指出，部署统一网络分析以优化用户体验的努力开始于两年前，主要是因为MLB公司首席网络自动化软件工程师看到了这一必要性。他的认识突破了成功分析计划最重要的障碍：文化惯性。

 

最后，成功进行数据分析的秘诀不在于选择和实施完美的技术，而在于培养对普及分析可以产生更好决策和出众成果的广泛理解。通常情况下，人们可以消除技术缺陷或需求误解。但是如果无法改变心态的话，那么就很少有人会使用刚刚构建的分析工具。