尽管我们一直在强调数据分析对于企业开展业务的价值，但是由于市场环境与公司业务的多变性，我们很难纵向的评估数据分析对于企业带来的价值，这也使得很多企业对于是否要部署数据分析平台存在疑虑。

而从横向上，数据分析的价值则更加容易被证明。近期，国外一家分析机构对于过去五年内数千家实现了盈利的企业电话进行了跟踪，发现在这些电话中，与数据相关的术语出现最多的是“数据分析”，其从2014年的约5,000个增长到2018年的16,000个，这证明数据分析的价值得到了这些企业的普遍认可。更直接的证据是，这些经常会谈到数据分析的企业，收入增长率比同行高出了12%。

这既是商业世界的一个趋势，也是数据专家对未来的判断：无论我们是否喜欢，算法决策即将到来，也就是说，更多的决策是由自动化的数据分析来驱动的，而非人类的主观判断。

但是，我们仍然要注意的是，由于现实世界的复杂性，即使是企业使用了高质量的数据，以及严格的数据分析程序，数据分析结果也很科学严密、但是仍然会带来意想不到的结果。

以美国大陆航空公司为例，在几年之前，其就发现了燃料是其企业运行的最高成本之一，为了降低飞行过程中燃料的消耗，其制定了追踪燃料消耗的指标，并激励飞行员使用更少的燃料。在该政策的激励下，这些飞行员开始更多的使用慢速飞行、降低空调温度等方式，并切实的让燃料消耗得到了一定程度的降低。

但是，这种看起来完全由数据驱动的企业政策却收到了意想不到的效果，对于乘客来说，飞行速度的降低会导致耗时的增加，降低空调温度则会直接影响舒适度。因此，在该政策实施后，乘客的满意度有了显著降低，并直接影响了航空公司的收益以及品牌。

在国内，我们同样能发现很多这些的案例。一个简单的例子是，很多公司设立了严格的KPI制度来对员工进行考核（如用户的访问量、转化率等指标）。这固然可以提升员工在实现短期目标过程的积极性，但从长期来看，也可能会导致公司过于短视，忽视了对于用户关系的维护、品牌的长期塑造，以及应该担负的社会责任。这些问题并不会在数据指标中被体现，但是却很容易导致企业逐渐积累风险因素，最终带来不可预期的严重后果。

这些案例启发我们，组织需要在收集新数据来创建更具洞察力的指标时，还需更多的思考可能会带来的负面效果。一个更聪明的方式是进行小规模的实验，以便在将计划推广到整个组织之前测试该程序是否存在意外后果。

Gartner执行分析师 Donald Feinberg 提供了以下三个原则，来帮助组织应对在向数据驱动型组织演进的过程中，所需要面对的挑战和陷阱：

● 经常反思组织所制定的数据驱动策略

● 对于数据指标所产生的意外后果进行充分考量

● 尝试新数据、新措施和新分析模型

从上面的探讨我们已经可以清晰的发现，决策其实是一件很难被量化、也是非常复杂的一种行动，目前的人工智能技术缺乏这种能力，其原因不仅在于其很难将各种因素纳入到分析范畴之内，也在于人工智能决策一旦失当，会更容易带来大家的不信任（例如，自动驾驶汽车如果发生了事故，其所带来的声讨声浪以及质疑要远超过人工驾驶事故）。

虽然我们在很长的一段时间内仍然要依赖人工决策，但是我们也需要认识到，数据分析与自动化决策的价值在于，其提供了增强型的能力支撑我们进行更加深刻的洞察。

根据预测，到2021年，25％ 的数字化工作者每天都会使用虚拟员工助理。对于那些为AI做好准备的组织，他们需要认识到，算法决策从长远来看是不可避免的，企业应该专注于使用人工智能增强决策、而非替代，并发挥人工智能和人类各自的优势。