Få områden inom it ger sig till känna numera så ofta som dataanalys. Eller ”analytics” som många säger. Det poppar till exempel upp inom AI (maskinlärning kan kallas dataanalys) och prediktiv analys, samt inom ett gammalt etablerat område som BI (beslutsstöd).

Som så ofta inom heta områden där utvecklingen går snabbt så uppstår det en del missförstånd. Cio.com gör sitt bästa för att reda ut hur det ligger till. Här synas nio myter om dataanalys.

Myt 1: Dataanalys kräver stora investeringar

Att fråga sig hur mycket en investering i ny teknik och nya arbetssätt kostar är naturligtvis sunt. Men ibland kanske man automatiskt antar att en satsning på dataanalys ska bli väldigt dyr, i form av stor budget och/eller mycket interna resurser. Men en satsning måste inte bli dyr.

Dels finns det gott om öppna gratisprogram, dels kan molnlösningar göra det möjligt att sätta i gång i liten skala. Det är viktigare med god förståelse för hur data hanteras på företaget och för vilka problem man vill lösa.

Det finns tre huvudsakliga mål med satsningar på dataanalys: förbättra effektivitet för processer, öka försäljning och hantera risker proaktivt. Satsningar på dataanalys kan i bästa fall bidra positivt till kostnadsläget.

Myt 2: Dataanalys kräver big data

För många går dataanalys och big data hand i hand. Och så kan det förstås vara. Men det är inte alltid dataanalys måste bygga på insamling av enorma datamängder, för att ge resultat.

Ett vanligt missförstånd är att mer data alltid är bättre. Ett annat att datorer automagiskt kan bringa ordning i stora datamängder. Men för dataanalys är det viktigare med specifika data, eller kanske man ska säga ”rätta” data. Det blir lätt en överväldigande uppgift att ge åtkomst till alla tänkbara data.

Läs också: 9 myter som står i vägen för lyckad dataanalys

Myt 3: Den bästa algoritmen vinner alltid

En erfarenhet inom dataanalys är trots allt att det i vissa lägen inte spelar så stor roll hur en analysalgoritm ser ut, om det finns riktigt mycket data att jobba med. På Google har man till exempel upptäckt att enkla statistiska modeller fungerar bra om de får jobba med stora datamängder.

Myt 4: Dataanalys filtrerar bort partiskhet

Automatiserade system ska inte vara partiska. Men de byggs av människor och det är nästan omöjligt att filtrera bort människors föreställningar. Eftersom algoritmer i allmänhet ”tränas” med vissa datamängder så kommer de att återspegla dessa data i sina resultat. Och det kan beskrivas som partiskhet.

Lösningen på problemet är, som så ofta, att tänka till, en gång till. Och att vara noggrann med urval av testdata.

Myt 5: Algoritmer är idiotsäkra

Det är lätt hänt att lita blint på statistiska modeller och algoritmer, eftersom de kan vara svåra att förstå. Men den sunda inställningen är att, precis som så ofta annars, vara lagom skeptisk. Det är inte minst viktigt att utmana de personer som designar modeller och algoritmer.

Myt 6: Dataanalys är svart magi

Dataanalys, och området ”data science”, har fått mycket uppmärksamhet på senare år. Området ses ofta som mystiskt eftersom lösningarna kan hantera fler variabler och mer data än människor mäktar. Men det handlar ”bara” om en vidareutveckling av statistiska tekniker som har använts i årtionden. Förstår man matten bakom lösningarna, så kan man förstå lösningarna.

Myt 7: För att göra fler dataanalyser krävs det fler dataanalytiker

Dataanalytiker, eller ”data scientists”, är en bristvara på arbetsmarknaden. Därför upplever många företag svårigheter med att få i gång analyssatsningar. Men i själva verket jobbar många dataanalytiker en stor del av tiden med uppgifter som även andra skulle klara av, till exempel att hitta, överföra och tvätta data.

Läs också: Så förändras resandet när kollektivtrafiken kopplas upp

Utmaningen är att fördela arbetsuppgifterna efter den kompetens som finns tillgänglig på ett bra sätt.

Myt 8: Tekniken är det svåra

Ju fler tekniska lösningar som blir tillgängliga, desto svårare blir det att välja rätt lösningar. Men allra svårast är att skapa en organisation som tillgodoser behovet av personal, processer och tekniska lösningar för att lyckas med dataanalys.

Och det gäller att inte förlita sig på att det räcker med tekniska lösningar. Det är smartast att utgå ifrån affärsproblem och vad som krävs för att lösa dem.

Myt 9: Dataanalys bör skötas av en egen avdelning

När tillgången till data exploderar, samtidigt som många verksamheter förändras i grunden, blir det svårt att få resultat av dataanalys om den sköts av en egen avdelning. Dataanalytiker som jobbar inom affärsområdena får lättare att förstå hur kundbeteenden och andra faktorer påverkar behovet av dataanalys.