准备迎接大数据和数据专家定位

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。