跳动城乡网在当今数据驱动的世界中，数据分析已成为决策的基石。然而，尽管具有变革潜力，但仍有大量分析项目失败了。在最近发表在《意义》上的一篇文章中，我们深入研究了数据分析的复杂性，强调了以问题为中心的思维对于取得成功结果的重要性。
全面的分析框架
数据分析是一个涉及数据、工具和流程的广泛领域，其中包括计算和管理流程，用于从处理的数据中提取有意义的见解，从而做出基于数据的决策。在大数据时代，数据分析的挑战被放大，数据集数量庞大、更新频繁、类型和质量多样。
上图描绘了一个全面的、方向驱动的框架。该框架建立在五种分析类型(描述性、诊断性、预测性、规定性和认知性)的基础上，提供了一个独特的视角，通过它我们可以驾驭复杂性、难度，并最终驾驭价值。
复杂度等于计算复杂度，指的是算法消耗的资源(时间和内存需求)。困难源于所研究问题的复杂性。价值是最终的结果，包括更好的决策、改进的绩效和竞争力以及组织的成功等。
应该指出的是，各种类型的分析虽然按顺序呈现，但并不相互排斥;它们是相互关联的，并且可以根据当前的具体问题同时运行。此外，以这种方式进行分析的可视化表示反映了这样一个概念：随着分析的进步，应该引入更高的复杂性和难度，从而需要更多的资源——包括计算资源和人力资源。然而，现实可能有所不同，因为在某些情况下，实施更高级的分析级别不一定合理。
面对如此多的选择，人们不禁要问：为什么拥有更多数据或复杂的数据分析工具并不能保证成功?数据分析项目失败的原因有很多。原因之一是，由于惰性/管理风格、阻力、缺乏领导支持、内部政治或不愿意改变，行动不一定是基于所获得的见解而采取的。但答案也可能在于缺乏以问题为中心的思维方法。
理解以问题为中心的思维
以问题为中心的思维涉及观点的有意转变，主要强调识别和解决现实世界的挑战。它鼓励组织不仅将数据分析视为一种技术解决方案，而且将其视为解决特定问题的手段。
我们论点的本质在于及时决策和针对特定问题定制分析解决方案的重要性。这并不是要淹没在数据的海洋中或使用最先进的工具;而是要让它们成为现实。它涉及对问题的深入理解和计算资源的战略部署。通过采用这种方法，我们可以将范式从高失败率转变为数据分析项目蓬勃发展并提供有形价值的环境。分析的未来是以问题为中心的。
好处很多。通过采用以问题为中心的思维方法，组织可以培养持续改进的文化。它们不再将挑战视为障碍，而是成为创新和增长的机会。这种心态鼓励团队积极寻找问题，严格分析问题，并实施有针对性的解决方案。
以问题为中心的思维的迭代性质不仅增强了分析策略的适应性，而且促进了解决新问题的主动方法。最终，优先考虑以问题为中心的分析的组织能够更好地应对不断变化的业务环境的复杂性并实现可持续的成功。
认知分析的力量
值得注意的是，数据分析的未来将因认知分析的兴起而发生革命性的变化。随着技术的不断进步，传统的数据分析方法正在被模仿人类认知功能的更复杂的方法所取代。为了达到这种复杂程度，认知分析需要人工智能、机器学习算法(特别是强化学习)、语义、博弈论和深度学习模型的帮助。
通过利用认知分析，企业可以发现隐藏的模式，了解复杂的关系，并实时做出更明智的决策。这种演变代表了数据分析能力的巨大飞跃，“推动”组织迈向数据不仅被分析，而且被全面理解和战略应用的未来。
随着组织寻求从数据中获取更大价值，认知分析成为创新的灯塔，突破了可能性的界限。这就像探索数据思维的未知领域。
认知分析不仅仅是处理数字;它还涉及数据分析。这是为了回答一个更深刻的问题：“可能发生的事情的范围有多大?” 这是关于获得对数据的“深度洞察”，剥开层层以揭示我们可能无法发现的隐藏模式。将其想象为复制人类思维、模仿我们大脑复杂运作的探索。
结论
随着数据分析领域的不断发展，以问题为中心的思维仍将是寻求充分利用数据力量的组织的指导原则。在这种动态格局中，很明显，每种类型的分析都提供了独特的价值主张，并且一种规模并不适合分析领域的所有内容。因此，关键是将分析方法与当前的具体问题结合起来。
此外，深入研究认知分析领域可以放大创新潜力，利用先进技术复制人类思维过程并释放前所未有的见解。最终，重点在于认识到分析的未来取决于以问题为中心和尖端认知分析的集成。这种组合为在不断变化的商业环境中实现可持续成功提供了一条复杂的途径。
