ZDNET至顶网CIO与应用频道 04月23日 北京消息： 信息技术研究和咨询公司Gartner日前在北京举行主题为“大数据时代及分析”的本地研讨会。来自Gartner的顶尖分析师们与大家共同聚焦信息管理，分析新型创新模式，探索如何提高绩效管理并创造新的收益，帮助客户向着商业目标不断前进。此外，Gartner研究副总裁Ian Bertram先生于会上对中国知名互联网公司奇虎360 CTO/CIO/CPO谭晓生先生进行了专访，专访分享了奇虎360与Gartner合作的成功案例，以及Gartner如何向客户提供技术方面的洞察，帮助他们做出正确的决策。

Gartner研究总监Daniel Yuen认为，“在过去的12个月里，中国商业分析管理者们对大数据计划产生了越来越浓厚的兴趣，但由于在商业分析这个角色领域的技能短缺，使得许多人仍没有做好准备迎接这个挑战。”

Gartner 曾于2013年5月举办了两场会议用以了解整体市场对大数据计划的反应。许多企业高管以及商业用户对如何运用大数据成功实现商业目标充满了兴趣，并要求企业的商业分析管理者涉足这一领域。商业分析管理者们因此肩负重任，需要尽快将大数据整合进现有战略，技术路线图以及提议的组织架构中。

中国商业分析管理者如何准备迎接大数据和数据专家的定位，Gartner给出以下一些建议：

商业分析管理者应具备一系列大数据相关的知识，包括：最佳实践（Best Practices）,架构（Frameworks）以及从概念验证（POC）中学习

虽然企业高管和商业用户们对大数据充满了兴趣，但他们往往对大数据技术在何时、何处、如何达到最佳的效果缺乏全面的认识。商业分析管理者们则充当解答大数据基本问题的专家，如：大数据的定义、规模和覆盖范围、应用案例和技术限制，以及最佳收益所需的产品类型、成熟度和企业准备程度、所需流程和架构调整。

商业分析管理者应当拓展一系列融会贯通的大数据相关知识，通过战略研究了解不同的应用案例和可能性，架构需求，基本技术，最佳实践，技术断层以及概念验证（POC）实例。

与传统的相对成熟的商务智能和分析市场不同，大数据市场正在逐渐兴起，技术覆盖领域广阔并且成熟度各不相同。商业分析管理者亦需为业务和IT经理拓展或选定结构框架方法，以期能够共同评估大数据计划对业务的影响、识别和验证企业最佳机会所需的技术。这一方法同时也能够帮助企业最小化因不确定性对大数据数据造成的影响。

具备了深入的相关知识，将使得利益相关者、IT、商业用户与高管之间关于大数据话题的沟通更为有效，简明扼要，从而让高管们对支持和批准相关预算具备信心。

调配资源建立大数据项目小组并后续计划整合商业分析团队

企业将从聚焦行业的解决方案中获得最多收益，因为企业需要的是特定问题的特定答案，而非需要耗费时间和精力去开发与整合的通用工具。然而，在厂商能够为垂直行业提供综合打包的大数据解决方案之前，仍有一段路要走。在此之前，企业预期将自行投入大量的努力，颇多的投资用以咨询和拓展专业知识，定制一套适合他们特定需求的技术。

掌握好成熟度各异的新技术对采用自下而上的分析方法至关重要，往往也是从高容量、高速率以及多样化的庞大混合数据中得到的结论与见解的一种较好的方法。这种分析方法与传统的自上而下的商务智能方法大相径庭，因此商业分析能够从小处着手并随后被大规模采用。

一套合理的方法应从小规模、单独的大数据团队中调配资源用来进行概念验证（POC），继而在 取得一些初期项目成功后，计划整合既有的商业分析团队、数据仓库团队以及系统团队。

采用跨学科研究方法，引入服务提供商外部技能，填补技术断层

我们所交流过的大部分商业智能管理者对数据专家这一角色闻所未闻，并且对数据专家的职责或职能没有一个清楚的认识。为了充分利用大数据和其他先进的分析手段，数据专家通过挖掘可转化为商业价值的数据模式来提供至关重要的业务支持。如果没有数据专家，成功实施大数据计划的机会或进行先进的分析统计将变得非常艰难。

即使在初具成效后，当业务情况发生变化时商业分析管理者们仍无法维持大数据或先进的分析方法的相关性，例如：引入新的商业模式，出现新的竞争者，不断变化的客户偏好或新的合规性要求。管理者们必须探寻新的数据源以适应新的算法、见解和机会，避免业务负面影响所带来的潜在风险。

由于数据专家人才匮乏，因此组建一个跨学科研究团队来填补这一角色将更为务实且更具战术性。该团队应包含商业用户、外部顾问以及积极的具备学习大数据实践潜力和义务的内部IT专家。

利用除丰厚待遇之外的其它策略因素吸引合适的候选人

中国企业在培训和招聘IT以及分析专业人才方面相对不太发达，因此对商业分析管理者来说又多了重重挑战。企业需要充分善用其它策略因素，例如来自高管层的强力支持，长期职业发展，学习机会，充满挑战的工作环境，受尊敬的公司品牌以及善于分析的企业文化。这些除了丰厚薪资与福利之外的因素将吸引到合适的候选人，并能发现、培养并留住具备相应大数据专长的人才。