作为德勤的分析实践的领导者，保罗·罗马指挥公司的所有业务分析产品，所以他看到公司有一系列问题挣扎。有个足球雷竞技app网络世界主编约翰·迪克斯最近跟罗马大约从什么分析问题，企业所面临的（提示：以上沼泽参考）一切，工具，帮助中获取更多价值（认知分析和机器学习），甚至执行管理角色that are evolving (the title doesn’t matter much, but ownership of the problem does).
德勤
Paul Roma，德勤咨询公司首席分析官
什么是客户通常带给你到地址？是他们寻找到解决特定问题，或者他们试图解决大局观，压倒一切的分析问题？
最常见的情况是，我们被带到一个特定的业务成果上工作。比如说，客户可能希望提高他们的消费者净促销分数（NPS），这是衡量消费者与特定公司及其产品关系的行业标准。之所以称之为网络促销，是因为它是一种启发式方法，将几个因素综合在一起，形成一种判断自己的方式。或者医疗机构可能会来我们这里帮助改善某些医疗协议的结果，所以我们通常谈论的是业务结果。
当你到公司的时候，你是否发现公司有他们需要的分析工具，或者他们也在寻找新技术的投入?
较大的客户拥有分析工具。我们进入的任何一家公司都有自己的一切。问题更多的是集中使用。这也不是数据短缺，因为他们拥有大量的数据。现在，多年来建立起来的数据仓库或数据湖是很正常的。但我已经看到在数据湖上花费了数百万美元，这些数据湖变成了我所谓的数据沼泽。他们花了这么多钱把所有的东西都组装起来，但他们什么也做不了。现在的主要问题是如何利用这些数据获得更好的结果。
考虑到有这么多的数据和这么多不同的工具可用来理解它，你如何帮助客户前进呢?
我提供了三种思考方法。首先，如果你以一个结果为基础，它会引导你提出某些问题来审问这个问题。如果我想改善与消费者的关系，或者我想改善医疗保健方面的成果，那么你至少要知道你想做什么。在分析数据时，经验会引导您创建特定的域，并采用非常非结构化的数据湖，并开始应用结构化边界。
一旦你做到了这一点，你就可以开始使用更先进的工具，如认知分析，将结构应用于数据湖，自然语言处理和机器学习为你提供一种让数据为你提供假设的方法。
先进的技术已经超越了发布一份报告，然后看图表看它说了什么。现在，机器学习实际上可以创建因果分析，并告诉你哪些变量的假设，或者哪些数据域对特定的结果最有影响。例如，在医疗保健领域，这台机器可以显示为什么特定协议的再入院率高。因果分析导致了这种类型的分析。
先进的技术，很可能我们是所谓最要尽量让所有的数据的意义。没有先进的技术没有办法通过它来切。你有没有刀通过数据削减。只要运行报告将创建的文件无尽的里姆斯，坦率地说，你永远无法得到任何解释。
无论是在医疗保健、供应链还是客户营销领域，我们都将定制算法引入到我们的许多项目中，通过机器学习算法和监督学习周期，我们可以对它们的数据进行运行，并创建假设，您可以根据自己的经验进行研究。
有趣的这些算法是垂直市场特有的还是有一个共同的基础？
我们有水平线和垂线。纵向的整合市场，如制造业的供应链或消费产品的供应链，生命科学的协议等，而横向的则应用于整个市场。[后者的一个例子]是我们申请专利的稀疏矩阵补全算法。如果针对某个特定问题的数据湖无法填满所有你需要的变量，它会运行预测算法来填满这些变量，并创建关于趋势的假设。我们只是将它与一家大型医疗保健公司的糖尿病治疗方案进行了对比，准确率达到93%，我们可以在没有任何相关依从性数据的情况下预测谁不遵守他们的糖尿病治疗方案。
也就是说你可以预测谁没有做他们应该做的事?
正确的。他们不做称重，不做运动。它不能准确地预测他们没有做什么，因为我们刚刚开始，但它能预测谁不服从。我们希望将准确率提高到90度，然后我们就能仔细检查整个医院系统，因为那时它就具有预测性了。在出现合规问题之前，可以显示趋势分数。这个人倾向于不听话的人。然后你可以让护士打电话问你，“你服用胰岛素有问题吗?”你一直不锻炼有什么原因吗?你不去看医生是因为交通问题吗?”您可以开始在协议中寻找特定的问题，试图提供帮助。
这是你订婚后留下的东西吗?
德勤在过去四年中已成为一家产品和软件供应商。这是我以前的努力，为我们公司创建产品和解决方案部分，这样我就可以相当深入地谈论它。我们现在提供软件即服务产品，如果您愿意，我们会留下已安装的解决方案。我们两者都做。这只是我们要解决的问题，哪一个最有意义，哪一个最经济。
推动这种分析的动力来自组织内部？
我想说的最强推的是从业务，而不是会议室。We do lots of dashboards for executives, but typically you start with a business owner, and then after it’s working, the business owner is presenting it to the CEO and the board and it becomes more viral and usually works its way back down to the next business unit.
我是说一个金融公司的首席数据官，他告诉我，当他们开始了他们的一些大数据的努力，他们不得不调和一堆在他们的核心客户数据的差异。那是典型的多组织？
是的。数据的掌握似乎是一个永远的问题，说实话。主数据的工具已经变得更好，但正在创建正在超越的工具的功能数据的速率。这是一个非常典型的问题，这是一个重要的路径问题。它成为中央到几乎每一个问题。
说到首席数据官，标题首先在金融领域出现了，但它似乎呈现出更多的行业了。你看到新的角色出现的分析获得更高的优先级？
肯定在某些组织中，首席营销官是首席数据官。在其他组织中，首席数字官是拥有数据的人。我们首先要了解的一件事是谁拥有它，所有权是在什么级别，真正的数据所有权是在什么级别分配的。我们不一定鼓励每个人都有CDO。我们鼓励的是对数据进行适当的所有权和治理，以便对其进行优先排序。
大多数客户的所有权都解决了吗？
五千零五十年。我想说在一半的情况下,公司的道路,他们会有一个路线图,我们试图在这些方面提高我们的数据安全,我们要改善我们的先进分析方法在这些方面,他们可以谈论他们是如何试图改善他们的,比方说,客户掌握和主数据。
另一半没有针对所有领域的路线图，在这种情况下，我们通常建议将这些计划整合在一起，这样您就可以利用这些努力为从供应链到营销、制造、金融等各个领域创造更好的业务成果，等等。把程序放在一起并排列起来通常会带来更好的回报。
换一种说法，这些新的物联网努力创造了另一个大数据问题，不是吗?你看到了什么?
我们现在有一个相当大的物联网实践，需求迅速攀升。In terms of it being a data problem, usually we’re brought in because there is a question as to the strategy of a particular outcome, because Internet of Things programs typically are expensive and multi-year and we’ve seen a few of them run amok fairly quickly. In the last 3-5 years we’ve seen companies charge in and not get the payback they wanted. Now the technology is far cheaper, more superior. From our perspective, we would say that it’s ready-now, depending on the use case, and we’re seeing that in the demand and in implementations and return on investment.
还有其他我没有想到的重要问题吗?
我们没有提到的一个趋势是认知。你如何建立我可以参与的直觉系统，开始像我们一样思考，开始理解口语，开始理解图像和图片？
谷歌预测，在未来三年内，超过50%的搜索将以音频、图像和视频的形式出现。假设他们错了一年。假设是四年。这种变化仍然是巨大的，并将渗透到商业中，渗透到我们的过程中，渗透到应用中。
我们的企业系统解释口头语言和非结构化数据并以这些方式与我们互动的能力正迅速进入关键阶段。我们有很多这样的项目。对许多行业来说，这是一个巨大的投资领域。
特别是吗?
排名第一的是医疗保健，其次是金融服务。但所有行业都在追求它，包括酒店业和休闲业，因为消费者参与度方面的原因。由于客户参与的机会，酒店业一直是消费品的巨大用户。我想说，在参与方面，你越积极，这些技术对你的帮助就越大。
医疗保健方面的例子是什么?
A great example, because we’ve employed a few of them, is using cognitive technology to build an actual case, taking electronic medical records, pharmacy script history, family history, health risk assessments, and compiling that for a doctor before a visit, and actually highlighting, “You need to look at this portion of the blood differential (which is basically a blood test) because the LDLs are out of range and the large cells are the ones at issue,” and start to actually analyze and give advice.
然后医生可以回答一个问题：“你能给我一种你会推荐的药物吗？”然后医生会给出建议——“我会推荐这种药物，我不会使用这种药物，因为它是禁忌症，因为它有X型过敏反应的家族史。”
本机可以给你这个建议在实时对话。本机建立一个认知链条，并允许您通过各种对话走路，并学会如何遵循沿医生，弄清他们会问什么。他使用它第一次它不会知道拉所有的药店脚本和做推荐。但是，当医生询问每一次，这将其添加到它会告诉他的第一件事，它会做的是向前迈进。该系统开始变得更聪明，没有任何人编写软件。你训练它，而不是建立它。这一趋势是在坦率地说，我们如何搞方面具有明显的营业额，但它也是我们如何构建一个营业额，以及我们如何思考系统及其用法。
令人着迷。听起来你的工作很有趣。
有趣的或消耗性的。两者都可以吗？我喜欢它。