深度的数据分析项目通常花费不菲。不过，如果善于创新，CIO们能够以较小成本顺利完成项目。对此，Niel Nickolaisen进行了说明。

目前，IT领袖及其团队正面临巨大的机遇，改变企业对自身的价值定位。IT团队有着现成的资源来实现巨大的业务价值，而成本却可以非常低。对，没听错，非常低的成本。

在进入正题之前，首先声明，我要谈的东西可能与直观感觉不符，甚至违返企业传统文化。许多年来，我们都被反复地告知，如果想要交付高价值服务，就不得不付出高昂成本。对，高价值服务背后往往意味着较高的成本，但这并非金科玉律。下面，我们进入正题。

以较小成本实现高价值服务的场景之一，就是高级数据分析项目。

我之所以能做出这个结论，是因为我有过类似经历（成本确实很低）。

我曾经是某大学的CIO。当时，该大学的管理团队有一个最为主要的工作目标，即提升毕业率。不管在什么场合，团队都会就此展开讨论。在某次会议上，我曾经这么表态过：“如果能确保我认识所有的学生，我能保证毕业率达到100%的水平。”当时，所有与会者都很无语，转而讨论课程设置、学生辅导和教学模式等方面的话题。

会后，我继续就毕业率的问题进行了思考。我们有一个录取模型，由教育领域的专家开发，用于决定我们接收学生的标准。其中，有三个因素是最重要的：英语、写作和数据能力的测试分数。所有报考的学生都必须进行这三门考试，而我们择优录取。

为此，我开始怀疑我们的数据是否真正支撑了这种录取模型。我们已经有大量与报名学生、正式入学的学生以及最终毕业的学生相关的数据。如果对这些数据进行分析，进行形成对录取模型的优化，将是极具吸引力的工作。但是，该如何启动项目呢？我的团队中没有真正的数据科学家，也没有支撑这项高级数据分析工作的工具和环境。

不过，最终结果证明，其实我并不真正需要这些人力物力。至少，在开始阶段不需要。我的做法是，在一个数据挑战网站把问题和数据（进行了脱敏处理，去掉了学生们的个人识别信息）公布出去，让全世界的数据科学家、分析师和统计学家来为我构建新的录取模型。

整个工作最终花费了两个礼拜的时间，得到了一个超出我预期的更好的模型（以现有数据集来看）。我选定了得到最佳模型的优胜者，并发布了奖励3500美元（不是3万5千美元，也不是35万美元，更不是350万美元）。如果这个模型最终被证明为失败，我的损失就是3500美元而已，就我当时所掌控的预算来说，这点钱不是问题。

那么，这个新模型的实际价值如何呢？新模型揭示了现有人为定制模型的问题所在。根据数据分析的结果，我们之前认为的最重要的因素，其实在重要性上仅排名第六而已，而之前第二重要的因素实际应该在第九位。我们进一步了解到，其实很多待录取的学生没有必要进行英文、写作和数据能力测试——如果这些学生在真正重要的指标上合格了，他们根本没必要进行测试。

就这样，仅仅花了3500美元，我们就改变了学校运营的模式，并进入了以数据推动决策的阶段。我们更新了学校的宣传和录取策略（现在，我们已经知道哪些学生能够顺利毕业，就没有必要在其他人身上多费力气了）。基于促成学生成功的真正因素，我们开始在相关领域开始发力。比如，之前缺少科学、技术、工程或数据方面作业的学生不予录取。这也意味着，在这些方面较弱的学生需要我们的特别关注和协助，以此提升其成功毕业的机率。

在这个项目之后，我们启动了一个有关学生辅导模型的数据分析项目。该项目意在识别出那些面临困境的学生，而我们则可以根据分析结果将更多的资源投入到这些学生身上，以此帮助其获得学业上的成功。

这一切成绩的背后，起到主导作用的就是IT团队。

数据分析项目：如何启动

如果你对此感兴趣，下面就介绍该如何启动一个数据分析项目。首先，定位一些长期困扰企业的、较为含混不清的问题，比如用户流失、需求预测、精准营销等等。然后，审视下手头现有的、与这些问题相关的数据。

• 是否拥有所需的数据？
• 这些数据的存在形式？
• 还缺少哪些数据，以及该如何解决？

之后的事情，就是找到模型开发团队。比如，数据竞赛网站、寻找学生项目的本地大学、具备相应能力的本地大数据/数据科学家用户组。

有件事需要特别注意：在大学里推动高级数据分析项目时，我们从不在任何大数据基础架构或环境上进行过多的投入。比如，对于上面提到的识别处于困境的学生的模型，由于只需要每两周运行一次，我们是通过云租用的模式获取计算资源的。每个月，我们支付3000美元来让模型跑一次，对覆盖约5万学生的2000个数据元素进行计算。退一万步说，即便模型所产生的价值很低，这种成本也是极为低廉的。就我们的这个模型来说，这简直太划算了 – 把学生退学率降低了10%，节省了数百万美元的成本。这一切，你也可以做到。