大數(shù)據(jù)和業(yè)務(wù)分析或許并未實(shí)現(xiàn)無處不在，但它們正在朝著這個方向飛速發(fā)展。

據(jù)業(yè)務(wù)技術(shù)咨詢公司W(wǎng)ikibon的信息，在過去數(shù)年間大數(shù)據(jù)總收入已呈指數(shù)級增長，且到2017年將達(dá)到500億美元。Forbes引用了一份2015年的Capgemini全球研究報告，該研報預(yù)測未來三年在大數(shù)據(jù)投資上會有56%的增長。而Computer Science Corp.估計到2020年總的數(shù)據(jù)生產(chǎn)量會是2009年的44倍。

數(shù)據(jù)分析有數(shù)據(jù)協(xié)同工作的分析增長同樣迅速。但分析的方法有很多種，其中描述性和預(yù)測性的品種是最大和最有用的。然而，描述性的方法要比預(yù)測性的方法更企業(yè)歡迎。

如今，90%的企業(yè)在使用某種形式的描述性分析，它包括的方法有挖掘歷史數(shù)據(jù)和提取實(shí)時流的有用因素來對數(shù)據(jù)進(jìn)行詮釋。描述性數(shù)據(jù)分析采用這些方法，包括社交分析，生產(chǎn)量和分配指標(biāo)，以及操作結(jié)果和變化過程之間的相互關(guān)系。

掌握描述性數(shù)據(jù)分析 讓預(yù)測分析錦上添花

預(yù)測分析涉及到用大數(shù)據(jù)進(jìn)行預(yù)測，遠(yuǎn)比BI分析產(chǎn)生的簡單趨勢更有效。它可以讓企業(yè)制定復(fù)雜的假設(shè)分析場景，為未來性能創(chuàng)建精確模型，識別那些并不明顯的相關(guān)性和執(zhí)行更為徹底的根源分析。有了這些功能，企業(yè)就能預(yù)測客戶行為，預(yù)測邏輯失敗，預(yù)計采購模式中的變化并能做出更為準(zhǔn)確的信貸/采購決策。

描述性數(shù)據(jù)分析被認(rèn)為是非常簡單的，因?yàn)榭梢杂眉稍诖蠖鄶?shù)數(shù)據(jù)庫中的標(biāo)準(zhǔn)聚合函數(shù)和基本高中數(shù)學(xué)知識來實(shí)現(xiàn)。相比之下，預(yù)測性分析需要很強(qiáng)的統(tǒng)計信息，大學(xué)級別的數(shù)學(xué)知識(線性回歸等)和專業(yè)軟件。大多數(shù)企業(yè)擁有內(nèi)部資源來進(jìn)行描述性分析，而預(yù)測性分析需要招募專家并且需要頻繁購買新系統(tǒng)。

然而，描述性和預(yù)測性分析的差別并不像表面上看起來那么巨大。盡管問題不同，但收集兩種方法所產(chǎn)生的結(jié)果數(shù)據(jù)的唯一目的就是回答問題。對于描述性數(shù)據(jù)來說，它解決的是“發(fā)生了什么”，而預(yù)測性數(shù)據(jù)則是“接下來會發(fā)生什么”。

一家扎實(shí)掌握了描述性分析的企業(yè)是很有希望擁有預(yù)測性分析的。原因很簡單：例如，對眾多單位或個人中某一個的行為或性能進(jìn)行預(yù)測，這種預(yù)測通常是細(xì)粒度的，“這個人會買什么?”“該客戶有信用風(fēng)險么?”描述性數(shù)據(jù)分析創(chuàng)建了引導(dǎo)精確預(yù)測分析的規(guī)則和條件。不具備前者的情況下，你是無法擁有后者的。有了構(gòu)建良好的描述性模型，預(yù)測性模型就變得非常容易了。

描述性模型需要大量數(shù)據(jù)并為那些數(shù)據(jù)使用精心制定的分類規(guī)則來將很多單位和個人組成有用的分組。描述性模型將數(shù)據(jù)壓縮成要素，這些要素能識別人們或是過程的某些特性，而這些人和過程是由預(yù)測模型來進(jìn)行評估的。

描述性分析通常是語境自由的，它與其他數(shù)據(jù)是沒有關(guān)系的，而預(yù)測分析則是完全語境相關(guān)的。了解一名客戶正在做的事情對準(zhǔn)確評估該客戶的潛在需求是極大的助力。有著相似屬性和購物模式的客戶，如果他們購物的語境改變，那他們對比起來也可能大相徑庭。例如，青少年在離家去上大學(xué)的時候會買不同數(shù)量的衣服。當(dāng)語境通過預(yù)測性分析歸為要素，則結(jié)果便是非常完善的預(yù)測。

決策加倍

描述性數(shù)據(jù)分析是擁有預(yù)測性建模能力的第一步，這是一個企業(yè)轉(zhuǎn)換組合。將這兩種方法進(jìn)行結(jié)合的結(jié)果取決于創(chuàng)建決策模型的能力。

決策模型包含所有要產(chǎn)生可操作決策的必要信息，而這些信息來自于描述性模型和預(yù)測的輸出以及以往的決策。通過啟用優(yōu)化，提高了決策制定的準(zhǔn)確性和效率，而這里的優(yōu)化是根據(jù)分析的成功實(shí)現(xiàn)來調(diào)整流程和體制行為的能力。

該決策模型引出了下一個層次——預(yù)測性分析，這是一個用于從選項(xiàng)中選擇有效行動的方法。關(guān)鍵在于分析的分支是不會孤立存在的;每個方法都為后來者提供原料并為流程添加新的復(fù)雜性和功能。

最終目標(biāo)不僅僅是要像實(shí)現(xiàn)一個新流程或工具一樣來看待分析，而是要在企業(yè)永恒成長和改變的道路上成為企業(yè)發(fā)展重要的步驟。