深度的數據分析項目通常花費不菲。不過，如果善于創新，CIO們能夠以較小成本順利完成項目。對此，Niel Nickolaisen進行了說明。

目前，IT領袖及其團隊正面臨巨大的機遇，改變企業對自身的價值定位。IT團隊有著現成的資源來實現巨大的業務價值，而成本卻可以非常低。對，沒聽錯，非常低的成本。

在進入正題之前，首先聲明，我要談的東西可能與直觀感覺不符，甚至違返企業傳統文化。許多年來，我們都被反復地告知，如果想要交付高價值服務，就不得不付出高昂成本。對，高價值服務背后往往意味著較高的成本，但這并非金科玉律。下面，我們進入正題。

以較小成本實現高價值服務的場景之一，就是高級數據分析項目。

我之所以能做出這個結論，是因為我有過類似經歷（成本確實很低）。

我曾經是某大學的CIO。當時，該大學的管理團隊有一個最為主要的工作目標，即提升畢業率。不管在什么場合，團隊都會就此展開討論。在某次會議上，我曾經這么表態過：“如果能確保我認識所有的學生，我能保證畢業率達到100%的水平。”當時，所有與會者都很無語，轉而討論課程設置、學生輔導和教學模式等方面的話題。

會后，我繼續就畢業率的問題進行了思考。我們有一個錄取模型，由教育領域的專家開發，用于決定我們接收學生的標準。其中，有三個因素是最重要的：英語、寫作和數據能力的測試分數。所有報考的學生都必須進行這三門考試，而我們擇優錄取。

為此，我開始懷疑我們的數據是否真正支撐了這種錄取模型。我們已經有大量與報名學生、正式入學的學生以及最終畢業的學生相關的數據。如果對這些數據進行分析，進行形成對錄取模型的優化，將是極具吸引力的工作。但是，該如何啟動項目呢？我的團隊中沒有真正的數據科學家，也沒有支撐這項高級數據分析工作的工具和環境。

不過，最終結果證明，其實我并不真正需要這些人力物力。至少，在開始階段不需要。我的做法是，在一個數據挑戰網站把問題和數據（進行了脫敏處理，去掉了學生們的個人識別信息）公布出去，讓全世界的數據科學家、分析師和統計學家來為我構建新的錄取模型。

整個工作最終花費了兩個禮拜的時間，得到了一個超出我預期的更好的模型（以現有數據集來看）。我選定了得到最佳模型的優勝者，并發布了獎勵3500美元（不是3萬5千美元，也不是35萬美元，更不是350萬美元）。如果這個模型最終被證明為失敗，我的損失就是3500美元而已，就我當時所掌控的預算來說，這點錢不是問題。

那么，這個新模型的實際價值如何呢？新模型揭示了現有人為定制模型的問題所在。根據數據分析的結果，我們之前認為的最重要的因素，其實在重要性上僅排名第六而已，而之前第二重要的因素實際應該在第九位。我們進一步了解到，其實很多待錄取的學生沒有必要進行英文、寫作和數據能力測試——如果這些學生在真正重要的指標上合格了，他們根本沒必要進行測試。

就這樣，僅僅花了3500美元，我們就改變了學校運營的模式，并進入了以數據推動決策的階段。我們更新了學校的宣傳和錄取策略（現在，我們已經知道哪些學生能夠順利畢業，就沒有必要在其他人身上多費力氣了）。基于促成學生成功的真正因素，我們開始在相關領域開始發力。比如，之前缺少科學、技術、工程或數據方面作業的學生不予錄取。這也意味著，在這些方面較弱的學生需要我們的特別關注和協助，以此提升其成功畢業的機率。

在這個項目之后，我們啟動了一個有關學生輔導模型的數據分析項目。該項目意在識別出那些面臨困境的學生，而我們則可以根據分析結果將更多的資源投入到這些學生身上，以此幫助其獲得學業上的成功。

這一切成績的背后，起到主導作用的就是IT團隊。

數據分析項目：如何啟動

如果你對此感興趣，下面就介紹該如何啟動一個數據分析項目。首先，定位一些長期困擾企業的、較為含混不清的問題，比如用戶流失、需求預測、精準營銷等等。然后，審視下手頭現有的、與這些問題相關的數據。

之后的事情，就是找到模型開發團隊。比如，數據競賽網站、尋找學生項目的本地大學、具備相應能力的本地大數據/數據科學家用戶組。

有件事需要特別注意：在大學里推動高級數據分析項目時，我們從不在任何大數據基礎架構或環境上進行過多的投入。比如，對于上面提到的識別處于困境的學生的模型，由于只需要每兩周運行一次，我們是通過云租用的模式獲取計算資源的。每個月，我們支付3000美元來讓模型跑一次，對覆蓋約5萬學生的2000個數據元素進行計算。退一萬步說，即便模型所產生的價值很低，這種成本也是極為低廉的。就我們的這個模型來說，這簡直太劃算了 – 把學生退學率降低了10%，節省了數百萬美元的成本。這一切，你也可以做到。