大数据分析：最难的不是分析,而是大数据

大数据分析：最难的不是分析，而是大数据

每一个企业需要将他们的基础数据进行分析和甄别，在此基础上，对数据进行不同层次和结构的分类。原因如下:

数据深度融入在商业的各个环节

现代企业逐渐意识到，纷繁复杂的数据固然重要，而这些数据是否真的被企业职工运用，并对其工作产生了相关性的影响，才是企业领导所看重的。不同的层级岗位和职位角色都需要做出正确的决策，而良好的决策必须是基于用户数据所提出的。因此，不仅仅是数据科学团队，从产品部门到客户服务部门，再到销售等各个部门都应该获得这些数据资源和信息。

在现代企业中，对数据的处理还仅仅是在每个月的全体会议上查看各项指标还远远不够。组织必须要将数据驱动纳入到决策制定中。以现代营销团队为例。营销人员有大量的丰富的数据可供他们自由支配，尤其是在智能手机，平板电脑，社交媒体平台爆炸式普及的今天，这样，一个品牌可以远距离地与观众互动，并了解顾客的相关信息。如果所有的这些数据被收集到一个中心位置，进行数据分析，那么对客户的长期行为分析并进行消费预判则成为了可能。同样地，根据这样的方法，其他部门，如销售、产品和客户服务部门也能获得前所未有的数据量。

零碎数据共同形成宏观趋势判断

如今，数据在各个行业和企业扮演着越来越重要的角色，企业应该将数据视为机会。每个数据集——CRM、CMS、ERP、营销软件，都包含大量信息和基础数据。现在或许看起来很微小，可是对数据深入的挖掘和分析将会给企业带来巨大的财富。而在现实生活当中，由于不可能预先知道哪些数据很重要，所以企业需要收集尽可能多的数据，这样即使市场环境发生大的改变，企业也能够做出合理的预判和尽可能贴近市场的决策。

基础数据和数据分析同样重要

数据质量是重中之重，倾斜的数据会导致错误的结果。如果你的判断来源于不完整的数据基础，你的决策便会产生一定的偏差甚至产生错误，而这最终将会侵蚀在数据驱动文化背景下人们对数据分析的信心。因此，简洁、完整和正确的数据是有效决策产生的必要前提。

2016年美国总统大选的预测分析，很好地证明了数据质量的重要性。在当时的预测中，大多数数据是基于州级和国家级的电话投票进行的。但是电话调查中很容易出现无人接听的现象，而各州无人接听的占比率也存在着很大的区别，这会很大程度上影响选举团的预测（选举团制度是美国特有的一种选举方式，选民在大选日投票时，不仅要在总统候选人当中选择，而且要选出代表50个州和华盛顿特区的538名选举人，以组成选举团。当选的选举人必须宣誓在选举团投票时把票投给在该州获胜的候选人。美国总统由选举团选举产生，并非由选民直接选举产生，获得半数以上选举人票者当选总统），结果就是，倾斜的数据产生错误的预测。

如今，机器学习已经受到了大量的炒作。而机器依据大数据分析出来的预判，是否真的能符合事实情况，很大程度上决定于是否拥有坚实的数据基础：一个将数据驱动纳入到组织文化的企业，采集到的简介、完整和正确的数据。”数据驱动”一词已存在多年，但在今天快节奏和迅猛发展的数字经济中，它将成为当代企业的文化使命。

英文原文

The Hardest Part of Analytics Isn’tAnalysis.It’s Data

From advanced BI tooling to machinelearning and artificial intelligence, modern businesses have more ways thanever to slice and dice their data.As data scientists and business leaders alikefixate on the great potential of these new technologies,we risk losing sightof what’s most important:the data itself. After all,fancy visualizations andpredictive analytics don’t matter without the right data powering them.

Every single business needs to prioritizecollecting and structuring their underlying data over the analysis they use tounderstand it.Here’s why:

Data will be ingrained in every part ofhow we do business

Companies have just begun to grasp not onlythe complexity of data,but also the depth of its relationship with their ownemployees.All business roles and levels need to make good decisions,and thebest decisions are made with user data.Thus,every department–not just thedata science team–should have access to that information,from product tocustomer service to sales.

It’s no longer enough to just reviewtopline metrics at a monthly all-hands anizations must infusedata-driven processes into their

decision-making.Take a modern marketing team,for example.Marketers today have a multitude of rich data sources at theirdisposal,especially with the explosion of smartphones,tablets,social mediaplatforms and digital touchpoints through which a brand can interact with itsaudience.If all of this data is collected into a central place,it opens uppowerful new ways of understanding long-term customer behavior.Otherdepartments like sales, product,and customer success similarly have access toan unprecedented amount of data.

Every bit of data contributes to thebigger picture

As data plays a bigger role across everydepartment and level,businesses must consider all of its data as a growingcollection of opportunities.Every dataset–CRM,CMS,ERP,marketing software–contains a multitude of possible insights. Findings that seem insignificantnow might matter a great deal down the road. It’s impossible to know upfrontwhat data matters,so businesses need to collect as much of it as they can.This lets companies retroactively unearth insights,even if their priorities ormarket conditions change.

Insights are only as good as theunderlying data