根据一项新调查，频繁的指标跟踪和与员工共享数据可以使各种规模的公司受益，但是很少有小型企业使用这些策略，而那些确实有另一个令人惊讶的共同点，您无法管理无法衡量的内容是一种传统观念，换句话说如果您不跟踪目标和关键绩效指标（KPI），则不会知道您的策略是否有效，这是真的？听起来确实不错，许多大型企业已经接受了以数据为驱动力的想法-但是小型企业呢？

分析工具是否使业务用户过于容易地认为他们可以在没有进行正确工作所需的严格培训的情况下扮演数据科学家的角色？我一直在考虑公民数据科学家的概念-商业用户或分析人员，他们可能没有接受过统计学或数学方面的正式培训，但无论如何都使用一些易于使用的数据执行高级分析，分析供应商目前正在销售的一体式科学软件，对我们教育活动中的125名参与者的民意测验中，有22％的受访者说业务分析师已经在他们的企业中这样做了，29％的人表示会在不久的将来。

每个人都同意数据很重要，但是根据一项新调查，我们并不都同意BI数据分析的好处，每个人都认为数据很重要，您需要收集数据，您需要了解企业收集的数据，您需要使用数据。我们并非所有人都同意BI数据分析的好处，企业对企业研究公司公布了对商业智能专业人员的调查结果，他们询问了291位BI数据分析工具的用户有关这些工具的使用情况：他们的满意程度，看到的收益等。

增强了空间学习和顺序学习的能力，并使得区分真假之间变得更加困难，在2020年即将结束之际，我们将有机会回顾过去一年的状况，展望未来以及即将出现的情况，尽管2020在动荡不安的社会中是充满挑战的一年，但我们也看到了对数据和信息的日益依赖，人们了解了信息对于生活中的关键决策的重要性，从一些领先机构预测大流行相关趋势的模型到分配用于对潜在药物和疫苗进行模拟的大型超级计算机，今年到处都有分析。

本地对象存储是希望更好地控制其数据并节省更多成本的组织的正确方法，尽管公共云提供了出色的可伸缩性和灵活性，但是将数据保留在本地仍具有许多好处，一方面，对于许多公司而言，从公共云中提取大量数据所产生的出口成本可能会过高，保持数据处于本地状态使客户能够控制其数据，从而消除了潜在的安全隐患。

不计划将模型投入生产可能会导致项目失败或增加部署模型所需的时间，随着企业进行数字化转型，他们正在寻求更高级的分析，看到公司不同部门对机器学习的兴趣与日俱增，例如制造运营团队可能使用机器学习来进行与装配线相关的预测性维护，呼叫中心座席可能会使用通过机器学习构建的客户流失模型来为有客户流失风险的客户提供特殊优惠。尽管这些用例可能位于组织的不同部分，但它们都需要将模型部署到生产中。