开展试点，循序渐进，各有侧重

许多企业还是认为，利用传统数据技术得出智能可行洞察是件麻烦不小的事。实际上，得益于数据分析技术的进步，这一观点已经过时。上文列举的自来水公司案例就可以证明这一点。

时至今日，我们已经不需要在将数据导入算法以提取洞察之前，先对其进行标准化或格式化处理。统计应用和数据库系统可接收、存储和消化各种结构化或非结构化的数据，并兼容多种数据类型，如数字、文本或可视数据。即使是不同代数据收集技术采集到的五花八门的数据，现如今也已不再是什么大问题。

那么企业的数据分析现在处于什么阶段？如何正确构建数据分析能力？

目前，大多数工业企业已逐渐认识到数据策略和数据分析的主要优势，但还没有十足把握。

因此，很多企业设立了数据分析项目试点，尝试边学边做。现阶段，相关技术仍在飞速发展，“小处着手，迅速推广”着实是企业构建数据分析能力的唯一方法。

数据分析终将沿着其他技术的轨迹发展。20年前，企业花费巨大成本，从零开始构建客户关系管理（Customer Relationship Management，简称CRM）能力，且大多是基于自身专有的IT基础。如今，企业均从第三方供应商处购得，CRM也已发展为一项能够按需定制和扩展的成熟云服务。

最终，数据分析也会如此。但哪些行业平台将会脱颖而出，成为数据分析服务的头号供应商，目前仍是众说纷纭。同其他IT市场一样，面向企业的数据分析服务提供商将会不断合并。不出几年，就会有数家知名供应商可供首席信息官（CIO）和首席技术官（CTO）选择，企业之间也可以相互借鉴。

这一切都意味着在当前环境中，明智的做法是循序渐进，采取试点项目的形式，聚焦特定用例（见图5.3），一旦有效则迅速推广开来。所以，先有针对性地开展小型分析试点，但企业要尽可能多地开展试点。

欧洲一家汽车制造商近年来发展迅猛，其最终目标是建立一个覆盖全公司的数据分析平台。

首先，该制造商围绕其质量和保修体系，开展了一个小型分析项目，并最终完成了每年节约1亿美元的价值创造目标，保固管理和维修成本也降低了20%。

初始问题如下：公司超过3%的营业额用在了汽车保修期内的维修上——三年内保修——而业内领军企业在这一方面的开销只有2%或者更少。

汽车制造商的目标是提高汽车质量和客户满意度，并通过审查保修申请，降低保修成本。数据分析平台提供了足够的透明性，企业要做的就是充分利用这一平台，彻底改变其保修和质量管理流程。

海量数据可供利用：多达数百万条的保修申请，每一条均附有描述车辆故障、诊断代码和受影响零件的表格。制造商还能获得部分市场和车型的交易商数据及联网汽车诊断数据。

往常的做法是有组织地对这些数据进行分析，精确定位每个技术问题并区分轻重缓急，以确定某个具体问题是涉及两辆、三辆还是10万辆汽车，或者根本问题是出在设计还是制造上面。然而，制造商并没有采取这种做法。

借助新型分析平台，制造商可以提取高清洞察，确定质量解决项目实施的先后顺序，并同供应商和设计部门进行探讨。目前，企业只为符合条件的客户保修，且已成功减少故障检测次数。

之所以说这是制造商长期战略的一部分，一个重要原因是这个围绕质量和保固管理创建的分析平台将会不断壮大，最终帮助零件制造商提高产品质量——且该平台会逐步涵盖整个价值链。