1）缺乏业务或管理基础的数字化需求。
如果没有明确的业务目标、管理闭环或决策逻辑，很多信息化、数字化技术手段也无法深入。通过单独的咨询项目或深入的业务分析，把数据分析需求聚焦到一个具体的业务决策流程中。
2）分析场景缺乏与业务需求的关联。
在很多业务交流中，经常遇到追求技术时尚的需求（“工业大数据很流行，我有这些数据，看看能做啥？”“需要什么数据尽管提，我们可以解决”），缺乏深层次业务动机与目标分析。这种情形下，推荐采用数据驱动的方式，将分析场景与业务流程或决策流程关联，识别结合点。
3）浮于表面的业务访谈，没有讲清楚价值创造的途径。
既有的决策逻辑没有理解清楚，其改进途径就无从谈起。主要有2种原因：①业务分析师缺乏必要的领域知识，分析场景识别过度依赖于业务专家；业务访谈变成了业务知识培训，而不是业务问题剖析；缺乏对领域名词的必要理解，多采用类比的沟通方式，交流效率很低。②业务专家顾左右而言他，不愿从基本面角度去讲，喜欢用特例来讲，但又不愿提供特例的细节，一旦数据分析师把数据中发现的特例或反例找来了，又不愿意深入讲解背后的业务逻辑。这样，业务场景描述仅停留在表层，没有深入到一个可解的地步。
4）没有把决策要素思考清楚。
与分析场景相关的关键要素不存在数据支撑，“无源之水”的分析场景在技术上是不可行的，是“分析场景筛选”阶段的无效输入。
5）分析场景的颗粒度和范围不够精细。
把分析场景与信息化场景、自动化场景等其类型的场景揉在一起，或者把多个分析场景放在一起。
分析场景筛选
例如：
1、基于基线思维的场景筛选法；
2、基于要素-认知矩阵的场景筛选法。
两种筛选法，详见《工业数据分析工程 基于CRISP-DM的形式化方法》。
扫码前往橱窗 享受购书优惠
