a:

Nyttan av vilken datatyp eller datakälla som helst beror på vilken typ av analys som utförs. För vissa företag fungerar dataanalys som ett verktyg för insamling och prestationsmätning i realtid. Ett annat företag kan använda rent beskrivande analyser som fokuserar på profilering, segmentering och konsumentidentifiering. En mer ambitiös version av dataanalyser handlar om att omvandla data till förutsägelser - fråga inte bara vad som är men vad som kommer att bli. Den snabbast stigande tillämpningen av data i företagsanalyser kallas optimering, där olika typer av data jämförs för att maximera effektiviteten i riktade resultat.

AD:

Data är viktigt när det har raffinerats till ett användbart verktyg. För att uttrycka detta i perspektiv, tänk på oraffinerad data som om den var orefinerad olja: det är möjligt att samla stora mängder data, men det måste omvandlas till en användbar produkt för att vara värdefull i ekonomisk bemärkelse. Ansökan måste extraheras ur data. Verksamhetsanalysens roll är att förfina data.

Tänk på följande exempel: Företaget ABC säljer leksaksbilar. Ledningen beslutar att den vill förstå sin potentiella marknad, men det kan inte bestämma vilken typ av data som ska samlas in. Ska det titta på köpmönster i reella bilar? Ska det ta undersökningar av favoritleksakerna för barn? Ska det se på etnicitet, religion, kön eller inkomst på målmarknaden?

AD:

Företaget ABC skulle förmodligen inte börja samla data på konsumentens matvanor. Det verkar inte vara mycket korrelation mellan matsal och leksaksbilinköp. Även om anställda hade anmärkningsvärda statistiska modelleringsverktyg och kunde utföra komplexa ekonometriska studier, är dessa uppgifter osannolikt att vara viktiga.

De viktigaste uppgifterna är de data som ger störst konkurrensfördel. Mining och raffinering data är inte en kostnadsfri process. Företagen ska leta efter data som ger den högsta avkastningen på deras affärsanalysinvesteringar.

AD: