現今企業，大數據無所不在，從小數據的分析專案到大型人工智慧實作應用漸趨普遍，公司職缺中也出現越來越多"資料分析師"、"數據分析專員"、"AI 工程師"及"AI專案經理"等工作如排山倒海而來，除了相關資料工作者的供給不達市場需求外，組織的轉型、流程的再造、高層的支持，甚至是技術軟體、硬體的支援都是使數據分析成功的關鍵因素！筆者將導入數據分析專案的成功要素簡要分成三個關鍵因素：(1)科技與技術 (2)人為的因素 (3)流程的規劃 。
科技與技術
大數據崛起無非就是網路的普及、數據儲存的效率提升、處理數據的能力躍進，因此在處理數據時，工具的選擇變得格外重要！
舉例而言，
傳統統計分析、資料處理，以 R 作為處理數據的工具相當實用，不僅在效能上、處理速度上，以及程式語言的上手難度，都是資料分析師的不二選擇；但是當數據的量到達幾十萬筆，R 語言的能力開始出現瓶頸，不僅在效能上開始變差、速度加倍緩慢，甚至超出語言本身的處理能力，這時候 Python 便能發揮明顯的戰力，雖然在資料視覺、資料處理的應用能力略遜 R 語言一籌，但在機器學習、人工智慧演算法的應用上，更加實用！
那麼簡而言之，Python 理當是最佳的大數據分析工具囉！？實際上，並不然，當資料量達到 GB、TB、甚至 PB 等級時，分析的工具不在只是單純程式語言的選擇，搭配 GPU、TPU、雲端運算、虛擬機器等工具，更是必由之路！因此進行數據分析的專案時，並非一定要選擇最強的硬體或應用程式，而是根據不一樣的專案大小，處理不一樣的資料量時，能夠適時的選擇不一樣的工具進行操作；隨著工具不同，演算法、軟硬體技術，也都略微差異，無論是在硬體的部署，或是在軟體工具的操作上，資料科學家們都應有相當程度的認識與理解。
人為的因素
能否找到適任的人選，一直是起草數據分析專案的關鍵之一！但除了數據分析師、資料科學家、AI 工程師等職位的選擇相當關鍵外，公司內部一致的認同與支持更是重要，因為數據分析的專案，常常需要跨部門協作，甚至需要 RD 部門相關技術支援等等，若無法齊心一致支持數據分析、AI 應用實作，資料分析、人工智慧等專案將難以於組織內推動。
以下舉兩個較重要的例子，探討企業成員的影響層面：
(壹) 領導者
資料科學是一門新興的顯學，許多企業主因為過度著迷於新科技的盛名，一昧的追求「大數據」與「人工智慧」的工具、抑或是引進大批人才，但往往管理風格、決策方式卻一如往常，憑藉著第六感及直覺進行重大決策與管理，也因而失了『資料科學』的一番美意；因此，在企業主決心引進資料科學於公司上下時，不單僅憑著"Top Down"的行政命令，更重要的是：從上到下推動數據決策文化，任何的決策都應由數據引導決策，從接單生產、行銷謀略、人才聘僱、研發製成、財務槓桿等大大小小的管理流程，都理當引進嚴謹的數據分析。
以鴻海為例，除了Top Down下來的行政命令外，全部主管職一律都需要接受「數據分析」與「人工智慧」等相關課程，就連郭董也必須一同上課！此外，課後還必須接受考試，成績更會列入主管個人的KPI評比！由此可見，引進「數據決策文化」需要痛下多大的決心！
(貳) 傳統研發部門
在公司決心走向 人工智慧/數據分析 的路上，經常會成立一個專責部門「人工智慧研發部」or「大數據分析部」等，但是往往首當其衝的部門即是傳統的研發部門，就是新領域的研發部門隸屬於傳統的研發部呢？還是傳統的 RD 就此被新的 AI Dept. 所取代？若無妥善溝通，可能會造成內部重工、權責不分，甚至造成部門內鬥、組織惡意競爭等狀況產生；在看過許多知名企業的轉型案例，Google 、Microsoft、阿里巴巴、騰訊等等知名跨國企業，統整後基本上有三種組織變化的方式：
(1) 傳統研發 與 AI 創新研發團隊並立
(2) 廢除傳統研發單位，成立 AI 研發中心
(3) 推動傳統研發單位轉型 AI 研發中心
以上三種各有利弊，
先談論弊的部分：(1) 難免不了重工議題，可能出現逾越職權等狀況發生，也因此容易產生內部紛爭；(2) 傳統研發單位具有傳統研發的經驗知識與相關人才，在推動廢除傳統研發單位時，往往會造成部分有經驗、有能力的老將離開公司，也容易造成技術流失、技術斷層；(3) 轉型過程中，容易遇到部分職員不適應技術轉型，導致轉型過程冗長而沒有效率，甚至可能面臨轉型失敗的危機。
利的部分：(1) 並立的情況下會促進某種程度上內部競爭，對企業整體發展有正向的影響力，甚至能有一些技術支援、交流等機會，促進組織活化；(2) 果斷廢除不必要的傳統研發單位，更能推動技術轉型，在時效上具有優勢，但也需要壯士斷腕的勇氣；(3) 轉型過程中，能給予企業內部更多適應、學習的時間，也能使員工們較能接受企業文化的轉型。
流程的規劃
數據分析的成效受到組織運作流程所羈絆著，從前段的資料分析，也就是資料蒐集的步驟開始，若無工具、無系統化的流程來取的原始數據，那對資料分析師而言，絕對是一大折磨；因此當導入數據分析於企業內部時，往往會需「陣痛期」，顧名思義即為非常痛苦的時期，首先依據所需要的數據進行定義，接著找到搜集數據的方法與工具，而這個過程也能夠稱之為『流程再造』；並非原先的流程不夠有效率，而是為了配合數據的蒐集與整併，而搭配流程的修改，也因此有了「資料科學的80-20法則」一說，而更詳細的內容、分析的流程，後面章節也將接續說明。
由此篇文章所提到的「導入資料科學的三大要素」，大家是否能更清楚體會"大數據"的難處了呢？到底是什麼樣的魅力能夠讓企業們紛紛挑戰如此高難度的應用呢？讓我們一同探究下去！若有任何疑問或建議，我們相當歡迎讀者們，針對此議題來信與自由團隊做進一步探討喔！(Email: AI.Free.Team@gmail.com)