企业会将各种 IT 和业务功能外包给服务提供商, 这就包括一些非常具有战略意义的功能. 而数据分析也越来越多地成为技术领域更具竞争优势的领域之一.
通过数据分析外包, 企业雇佣服务提供商对他们提供给外包公司的数据进行分析. 有行业研究表明, 市场对这项服务的需求正在上升.
市场研究和咨询公司 Hexa Research 的一份 2017 年报告称, 2016 年至 2024 年间全球数据分析外包市场的复合年增长率 (CAGR) 将超过 30%, 在预测期末期年收入将超过 60 亿美元.
据 Hexa 的报告称, 对数据分析优势的认识提高, 也是一个关键的市场推动因素. 报告称, 企业正在逐渐意识到数据分析在收入最大化和分析消费者选择方面所扮演的重要作用, 而且并非每个企业组织具备有效的数据分析所需的知识和资源.
另外, 数据分析专业人员的稀缺, 阻碍了数据分析的竞争发展, 这进一步推动了对数据分析服务的需求. Hexa 报告将数据分析分为这三个主要类型: 预测型, 说明型, 描述型, 并称描述型分析在整个市场中占据主要份额. Hexa 预测, 随着企业组织的广泛采用, 说明型分析将会呈现明显增长趋势.
在一般外包类别中, 服务可以划分为离岸外包和在岸外包
市场研究公司 451 Research 的云和 IT 服务研究总监 Katy Ring 表示:"云交付使得企业可以更容易地从劳动力成本较低的地区访问数据, 这也许可以降低持续管理算法的成本. 但实际上, 相比之下机器学习技术更有可能大幅降低这方面的成本. 数据管理系统的工程设计本身可能比数据分析更适合于离岸的方式."
安永咨询服务全球分析合作伙伴负责人 Beatriz Sanz Saiz 表示, 由于机器在数据处理中占主导, 所以随着时间的推移, 离岸概念将逐渐被淡化, 未来不是说离岸外包或在岸外包, 而更多地是关于人与机器如何合作获得最佳结果."
数据分析外包可能并不适合与所有类型的组织或者各种类型的分析. 显然有潜在的好处, 但也有风险. 下面我们根据行业专家的见解, 总结了数据分析外包的一些优缺点.
优点: 获得短缺技能
众所周知, 具有某些 IT 技能的人才供不应求, 例如专门从事云计算, 高级分析, 大数据, 数据湖和数据科学等领域的专业人才. 外包公司通过提供这种专业技能可帮助缩小这一差距.
Ring 说:"随着数据量的不断增加, 想要在传统数据中心内跟上数据增长的步伐是不太可能的. 这促使人们利用 AWS, 微软 Azure 和 Google Cloud Platform 上的大数据来管理云中的数据资产."
Ring 说, 为此企业组织需要云管理平台, 这样他们就能够配置大数据湖, 通过单一控制台管理数据负载和数据传输."然而, 与不具备适当技能的 IT 团队实施这种方法是充满挑战的, 而通过外包的方式可以让企业组织获得这种技能."
缺点: 面向错误选择提供商的风险
决定与哪个服务提供商合作, 这对任何一种外包来说都是一项挑战, 数据分析也不例外.
Close 表示:"选择供应商可能是件很困难的事情, 因为有那么多被吹捧为'最佳的'技术. 成本显然是选择供应商过程中一个主要因素, 但团队文化的适应和协调也同样重要."
他认为, 如今企业期望建立更具有战略意义的, 高度互动的合作伙伴关系, 在这种合作关系下, 资源汇聚到日常运营中, 沟通渠道是有效的, 实现业务成果至关重要. 她说:"这些都是除了降低成本之外可以取得的成果."
优点: 行业专长
虽然一些数据分析功能是普遍的, 但也有一些数据分析功能是某些行业特定的, 如医疗和金融服务. 寻找到具有深厚行业专业知识的外包合作伙伴, 这是一个体现竞争优势的加分项.
"例如, 具备零售领域专业技能的供应商, 拥有特定的分析服务产品, 如客户终身价值分析, 商店销售分析, 盈利能力分析或市场购物篮分析 -- 所有这些都是零售行业特定的." International 金融和会计, Data BPaaS 和分析服务研究经理 Alison Close 表示.
"这些供应商还可以提供基准数据 / 指标, 以显示与行业标准或行业其他参与者的对比点. 这可以被视为竞争优势."
缺点: 成本与价值的折中
Ring 说, 一旦外部服务供应商将预测模型打造和转换为一款产品, 那么就需要根据需求进行实施. 这意味着要在算法中进行调整和重新部署规则, 使其提供的洞察仍是有意义的.
Ring 说:"数据不断变化, 所以模型不能降级. 但是, 持续不断的更新是有代价的, 而且价格要超过业务线用于 BI(商业智能)报告所购买的内部 IT 服务."
事实上, 整个外包服务成本问题可能是一个挑战, 特别是对于那些运营着模式更复杂的大型组织而言.
得到企业高管的认可和资金支持, 这 "可能是个挑战, 尤其是如果你试图集中各种孤岛式的数据源, 以及集中那些参与决策或者资金流程的不同业务线".
优点: 轻松可扩展, 数据分析快速成熟的一个途径
除了获得数据分析能力之外, 外包服务还可以帮助企业快速建立一个分析基础架构, 这一点并不容易, 甚至不太可能企业自己在内部做到.
数据分析 "已成为开展业务过程中一个自然而然的部分, 而且现在不仅仅涉及数据仓库和商业智能, 还需要一定程度的可扩展性和复杂性, 这在企业内部并不容易发现. 企业组织寻求外部 [分析] 支持的最常见原因之一, 是因为他们缺乏 [内部资源] 来满足这种不断增长的需求,"Gartner 数据和分析研究总监 Jorgen Heizenberg 这样表示.
Heizenberg 说, 另外也要考虑在获得数据分析能力的同时还可以降低成本, 因为这些供应商通常会利用起各种分析资产, 如框架和加速器.
Close 表示, 利用供应商的技术专长, 不管是实施数据仓库, 还是引入机器人流程自动化, 或者是基于云计算的工具来提高运营效率都是一大优势."将数据分析外包给第三方供应商还有助于推出企业目前可能不会想到的, 更具有创新性的解决方案."
优点: 失去对数据存储和分析模型的控制
任何外包通常意味着放开某些东西例如控制权, 在某些情况下甚至包括员工. 分析外包要牺牲的最大资源之一就是分析模型.
Ring 说:"对于作为洞察即服务来说, 客户通常会提供数据给服务提供商, 让服务提供商给客户提供答案. 在这种模式下, 客户从来也不是逻辑或算法的拥有者. 因此, 当客户退出时, 他们拥有的只是数据和建议, 而不是模型, 方法, 框架或配置."
Close 表示, 那些把数据分析外包的企业可能会担心他们数据实际存储在哪里, 以及这个存储位置是否是他们的最佳选择. 她说:"数据是否保存在提供商数据中心的一个专有环境中, 仅面向你的企业? 或者保存在提供商数据中心的一个托管'共享'公有云环境中?"
优点: 确保持续的数据保护合规
随着数据量的增长, 对数据的管理和分析可能会使企业组织面临更大的违规风险.
Ring 说, 跨不同数据源系统的治理和安全策略之间的差异, 给企业审计数据湖中的数据带来了挑战.
"特别各种围绕个人身份信息的要求, 以及通用数据保护条例 (GDPR) 的生效, 需要更容易地审计数据, 这将成为寻求外部外包合作伙伴的一个催化剂,"Ring 说.
缺点: 需要自己制定数据管理策略
要支持企业组织内部的数据民主化, 就需要一位首席数据官 (CDO) 来负责制定企业范围内数据的获取, 管理和共享策略.
Ring 说, 需要正确设计自助服务式分析和治理层, 才能随着时间的推移支持支持一系列场景, 这就是首席数据官这个角色如此重要的原因.
Ring 说:"首席数据官最终负责围绕数据管理的业务和 IT 协调. 如果 [外包的部门] 没有这种内部角色, 那么外包方式所能取得的成功就会是有限的."
优点: 利用数据价值发挥更大潜力
有人说数据是企业的新型货币, 利用分析获得业务收益肯定是有很大潜力的.
Saiz 说:"机器在数据处理中占据主导, 因此数据和分析的价值链将从根本上发生改变. 正如在每个数字化业务中都会发生'脱媒', 这样价值将停留在业务两端, 无论是在数据端还是在决策支持 / 业务洞察端."
在这种情况下, 外包可能带来的好处就是, 有机会利用数据市场并建立替代性的业务模式,"由独立的第三方运行多个组织的数据保管, 并推广匿名和安全的数据交换概念平台".
缺点: 潜在的冲突
达成外包协议的双方, 都希望合作能顺利进行. 但是问题可能会突然出现, 打破关系的和谐. 如果企业在签署合同的过程中不够彻底的话, 更是如此.
当外包数据分析的时候,"企业组织经常忘记包括终止, 数据治理, IP[知识产权]所有权, 责任, 指标和 SLA, 定价模式, 额外容量和更新成本等重要合同条款,"Heizenberg 说. 这可能会导致在合作期间或结束时发生潜在的冲突.
来源: http://bigdata.51cto.com/art/201806/576588.htm