Scotiabank，是一家总部位于多伦多的金融服务企业，企业内的数据科学家们不附属于任何特定的业务部门。相反，他们是一个独立的团队的一部分——正式的名称为决策科学团队——为银行内的所有部门提供高级分析。 但独立并不意味着脱离： Andrew Storey，银行的决策科学部门的副总裁， 他和其他管理者们都努力确保团队进行的数据分析项目，对于业务战略和运作是有实用价值的，而不是单纯的抽象练习。

在拉斯维加斯举行的2015 TDWI Executive Summit会议上，Storey说道，“仅仅因为我们能做某事并不意味着我们就必须这样做。” “我们真正需要做的是将自己扎根于业务中，支持他们正在进行的项目。在这样的一个团队内，你很容易脱离现实，所以我们必须保持务实。”

为了帮助优化市场活动，促销方案，产品定价，以及识别不同客户之间的财务关联，Storey希望他团队内的30位分析师在进行客户数据集和定价数据的预测分析，运行数据挖掘应用程序时，能够有创造性。事实上，促进创新文化是他管理一个成功的分析团队的核心原则。“我们应该努力寻找更好的做事方式，”他补充道，激励他的员工这样做也帮助他留住这些员工。

与此同时，Storey让Scotiabank的业务经理决定他的团队应该探索的领域，或者他与他们共同决定。分析结果需要嵌入到操作系统和流程中，预测模型“是完全无用的，如果我们不基于它而做出决定的话，”他说。

数据分析的解读

团队成员还必须能够向业务高管们解释他们所使用的分析技术和方法， 以获得他们对于结果的认同并使用这一结果。为了设法简化分析过程，Storey引导数据科学家摆脱重复建立预测模型。他鼓励他的团队使用其他行业的金融服务企业和公司的算法，只需调整使其适应银行的需求。

随着大数据分析项目不断扩大数据科学家的工作范围，以及他们分析的各类信息。类似Scotiabank这样的协调方法，在管理分析团队时，是很常见的，并且也变得越来重要，也更具挑战性。

调查结果显示，随着大数据分析项目变得更加普遍，管理分析团队也成为一个更大的挑战。例如， TechTarget的2015年度 IT优先项目的调查结果显示，全世界范围内2212名受访者中的25%，认为他们的企业正计划在今年开展大数据分析项目，位列计划软件项目前5位(参见图表)。与此同时，2014年6月接受咨询公司Gartner inc .调查的302名业务和IT专业人士中的40%则表示，他们的企业已经对大数据技术进行了投资，相较去年提高了30%；另外有33%的受访者计划在未来的24个月之内进行投资。

Mike Lampa，咨询公司Archipelago Information Strategies的总经理，认为协作和合议的方法在管理大数据分析工作时，是必须的。 “我认为正确的心态是你如何指导整个过程，而不是控制它。” Lampa警告说，如果优秀的数据科学家认为他们的工作被过度控制，很有可能对此感到反感，转而在其它地方寻找新的工作。他认为管理者应与他们的团队合作，将分析工作的重点放在有价值的项目上，在使用数据和审查分析模型时提供明确的指导方针，然后就放手。

分析师掌握主动权

Netflix公司就对自己的数据科学团队采取了此类管理方法。这家位于加州The Los Gatos的公司使用运行在Amazon Web服务云上的多种系统——包括Hadoop，Teradata公司的数据仓库，亚马逊的Redshift，和Simple Storage Service技术，存储多个PB 数据用于分析客户与其在线流媒体服务之间的互动。

Kurt Brown，Netflix公司数据平台的副总裁，在加州San Jose举行的Strata + Hadoop World 2015 conference上进行演讲，他认为，数据分析师们应该负责建立自己的查询，算法，和模型，他的目标是使他们能够在数据分析项目时做他们想做的，障碍越少越好。

Brown的平台经理与分析师互相协商，促进开发最佳方法，但他们对于开发工作不会设置障碍。有时会导致编码错误和数据问题，但是他认为，在Netflix这样的公司内，试图在分析系统中避免错误代码是“徒劳的”。事后，他的一位员工会查找需要清理的代码，然后将这个信息发送给对此错误负责的分析师，这样他们可以自行修复。 “这不应该是管理者的责任，” Brown说。“这必须是一个共同的责任”。

作者：Craig Stedman    翻译：陈晓诚    来源：TechTarget

大数据市场目前的焦点问题是：从社交网络、APP和市场调查等多种数据源收集海量数据容易，但真正产生商业价值的大数据分析项目的实施依然很难。

根据Cloudera提出的大数据三大应用模式Transform、ActiveArchive和Exploration，大数据分析目前大多处于前两个模式，只有少数企业真正能够进入大数据分析的实质性阶段。

近日，数据挖掘分析专家Shankar根据17年的商业分析经验(服务过的客户包括HomeDepot、BestBuy、可口可乐、宝洁等)，提出了成功实施大数据业务分析项目的五项基本原则。

一、定义范围。

每家企业都面临业务增长和降低成本挑战，领导层需要清楚哪些是紧迫问题，然后IT专家能够聚焦在几个关键领域，通过数据分析查找问题根源，例如某条产品线的销售业绩为何下滑。一旦敲定数据分析的问题对象，就可以为数据分析项目制定量化的业务目标，例如未来6-12个月将客户投诉降低2%，利润提高3%或者返券率降低5%等。

二、找到合适的推手。

大数据分析项目需要一个同时能跟企业高管和技术管理者进行有效沟通，又能够在多个业务部门之间协调的善于沟通的项目领导者或者说推手，能够在控制和沟通分析成果方面扮演重要角色。目前按大多数企业都迫切需要这样的分析带头人。

三、不要做完美主义者。

不要等数据仓库一切完美后才开始数据分析。快速启动，先做一些概念验证类的仙姑，在3-6个月内评估初始结果，很多企业都认为只有“万数俱备”才可开始数据分析，这是不对的。在正确的道路上尝试学习并应用小的概念比数据仓库就绪前的瞎猜要更好。

四、平衡速度与准确性。

很多公司过去十年花费大量财力人力建设数据仓库却未看到任何收益。要知道，一个大型数据仓库项目往往需要一年后才能生成用户可用的报告。这期间，企业完全可以手机另外十亿个数据点，应对新的业务挑战。我的建议是针对特定的业务领域手机原始数据并进行分析。把数据分析周期从数月缩短到数周。

五、数据可视化是关键。

通常意味分析师会在一个项目上花两个多月的时间，最后将统计结果制作成长达数百页的PPT。请停止这么做!优秀的数据可视化图表可以“一图抵万页PPT”。类似Price活AttritionAlerts这样的可操作可视化工具可以让销售团队更好地抓住客户。关键点：将成堆的数据简化成几张飘来能干的数据图表即是科学也是艺术。数据可视化需要明确给出短期内的行动建议，这样才能产生最大的商业价值。