WS DATA

数据类型和数量的激增应该是企业组织的一大优势。更多数据和更多类型的数据应该能够提供对业务运营挑战和机遇的复杂洞察，并带来更好的决策和业务成果。然而，问问任何数据分析师，他们都会分享这样的现实：数据分析师将大量时间花在搜索、数据准备、管理和治理活动上，而不是真正有价值的数据分析上。

80/20 规则在数据管理中仍然有效
事实上，在数据准备和数据分析上所花费的时间分配 挪威电话号码库 非常不平衡；不到 20% 的时间用于分析数据，而 82% 的时间都用于搜索、准备和管理适当的数据。

数据管理

为什么数据管理时间紧缺问题只会越来越严重
需要收集和分析的数据类型数量正在增加。在最近的 IDC 调查中，80% 的受访者表示，在未来 24 个月内，需要分析的不同类型的数据数量将显著增加。不同类型的数据将需要额外的数据搜索和收集过程，这增加了数据管理所花费的总体时间，留下更少的时间进行有意义的分析。



需要分析的数据也变得越来越复杂，增加了整体数据管理所需的时间。事实上，IDC 预测，到 2025 年，全球数据量将增加 10 倍。这两个因素都增加了数据分析之外所花费的时间，而组织的价值实际上是在数据分析中获得的。此外，有关数据收集和使用的新行业法规，例如最近的《通用数据隐私条例》（GDPR），也将增加数据准备所花费的时间。

如何减少数据管理前置时间并为分析腾出空间
如果组织希望让数据分析师花更多时间从数据中获取有意义的见解，就需要寻找机会使用第三平台技术来缩短数据管理前置时间。机器学习有可能显著改变数据管理方式，并自动执行许多与数据相关的任务。一些示例包括机器生成的建议：