一些澳大利亚组织具有大型数据科学团队或以数据驱动的文化而诞生的数字组织，它们具有先进的分析能力(例如进行预测性和规范性分析)。例如，专门的营销数据科学团队将建立神经网络模型，以预测客户流失以及交叉销售和向上销售的成功。但是，大多数在决策中使用数据的组织主要依靠描述性分析。
尽管与创建预测和运行优化算法相比，描述性分析看起来似乎很简单，但描述性分析通过提供准确和最新的业务视图为公司提供了巨大的价值。对于大多数组织而言，分析(甚至可能被称为“高级分析”)采用仪表板的形式;并且，对于许多组织任务而言，了解趋势和业务现状足以做出基于证据的决策。
此外，仪表板为创建更多由数据驱动的文化奠定了基础，并且是许多组织进行分析之旅的第一步。也就是说，通过严格依赖仪表板，组织失去了利用预测分析创造竞争优势的机会。
分析差距和挑战
尽管分析很重要，但是公司处于分析旅程的不同阶段。一些公司利用复杂的人工智能技术套件，而另一些公司仍将Microsoft Excel作为其数据分析的主要平台。不幸的是，从分析中获得组织价值的过程绝非易事，而分析提供的组织收益几乎与成功实施所需的挑战相当。
我的同事Richard Vidgen教授最近进行了一次Delphi研究，以就关键挑战在利用大数据和分析创造价值中的重要性达成共识。管理人员绝大多数同意存在两个重要问题。首先是与数据有关的大量问题：确保数据质量，及时性和准确性，将数据链接到关键决策，找到合适的数据以支持与数据库有关的决策和问题。
第二组挑战与人员有关：在组织中建立数据技能，提高现有员工的技能以利用分析，分析和支持分析的IT基础架构都严重缺乏技能，以及建立公司数据文化(包括将数据集成到组织的战略)。尽管与数据质量相关的问题正在改善，但技能差距和对数据驱动型决策的缺乏重视是系统性问题，将需要对澳大利亚教育和澳大利亚公司文化进行根本性改变。
业务分析趋势
尽管在分析技术的进步方面有许多有趣的趋势，例如自动化机器学习平台(例如DataRobot和H2O)，但是分析技术和AI的最大挑战将是确保其道德使用。
有关数据使用的辩论和治理仍处于起步阶段，随着时间的流逝，分析，黑盒算法和AI将会受到越来越多的审查。例如，澳大利亚最近关于道德AI的指南将AI视为由算法或模型创建的预测结果，其中包括：
公平。人工智能系统应具有包容性，并且不应涉及对个人，社区或群体的不公平歧视。
透明度和“可解释性”。应该有透明性和负责任的披露，以确保人们知道什么时候他们会受到AI系统的严重影响。
可竞争性。当AI系统对个人，社区，团体或环境产生重大影响时，应及时制定流程，使人们可以挑战AI系统的输出。