For analytic evolution to happen effectively, organizations need a methodology to communicate and reinforce analytic culture.為了使分析進化有效地發生，組織需要一種方法來溝通和加強分析文化。有很多方法可以實現偉大的分析文化，但所有偉大的分析文化都有一些共同的元素。 最好的組織在整個業務中傳播分析知識，重視分析以支持決策制定，並構建允許許多（或所有）員工將分析作為其工作的一部分的基礎設施。
如今，很難不閱讀報紙、雜誌或在線文章，也很難不遇到許多技術流行語，這些流行語作為解決組織面臨的棘手問題的解決方案：數據湖、深度學習、機器學習、人工智能 (AI)、工業 4.0 ， 僅舉幾個。
但缺乏技術很少是問題。 很多時候，組織在問題上投入多層技術並期望結果，或者更糟糕的是，將技術部署到位，然後尋找要解決的問題。 在最近的一次文章SAS 執行副總裁、首席運營官兼首席技術官 Oliver Schabenberger 談到了不斷發展的人員、不斷發展的流程和尋找機會的重要性，而不是僅僅關注不斷發展的技術。
為了使這種演變有效地發生，組織需要一種方法來溝通和加強分析文化。 他們還需要授權工具來確保廣泛使用分析。 為什麼？ 解決問題的大腦越多越好。 使用分析和交流結果的人越多，組織的決策和知識就越強大。
如果您的行業或組織具有高水平的流程和產品創新，則您對分析的需求更高，以便在當今市場上保持競爭力。
Data itself is also changing. It's unstructured, in the form of images, sound, functions or even videos.數據本身也在發生變化。 它是非結構化的，以圖像、聲音、功能甚至視頻的形式出現。問題正在發生變化，數據量從未如此之大。 組織試圖解決的問題類型龐大而復雜。 數據很深，可能包含數百萬（或數十億）條記錄。 有些問題很廣泛（數千列）。 數據本身也在發生變化。 它是非結構化的（例如，來自調查的自由文本），採用圖像、聲音、功能甚至視頻的形式。
幸運的是，雖然數據面臨的挑戰從未如此巨大，但我們也有機會通過軟件來應對這些挑戰。 計算機使從多個角度進行發現和分析成為可能。 軟件可以使復雜的分析技術曾經只提供給組織中的少數統計學家，現在可供許多應用從業者使用；軟件讓更多的大腦來解決問題。
但解決問題並不是組織中軟件需求的終點。 最後一個關鍵因素是有效的溝通。 為了與分析進行有效溝通，您需要以實時格式顯示結果。 例如，即時執行“假設”分析。 這在決策者之間建立了對分析結果的信任。 隨著越來越多的全球勞動力，統計可視化也可以超越語言障礙。 報告的標準化導致了對問題而不是數據的討論。
了解 JMP 家族的最新成員如何， JMP 直播，有助於有效溝通。
