越来越多的公司开始倡导‘用数据说话’，利用数据分析来帮助公司进行商务运营和制定决策。但如果一个公司试图对所有可能收集到的数据进行分析或者期望用数字来解决一切问题，那便又陷入了另一个极端，让自己受到数据分析复杂性的困扰。公司应该利用简单有效的数据分析方法帮助其在已有的业务认知基础上更好地作出商务决策。下面我们就结合一些公司的实例来介绍利用简单的数据分析解决商务问题的三部曲。

第一步，提高数据产生速度

更快的数据＝更快的认知＝更快的结果。通过建立一个可以快速融合大数据的混合科技数据服务平台来自动化并加速数据的产生和更新。这样的环境能够帮助企业更好地运转和管理业务，并使大量数据在企业内部更好地流通。实时的数据分析可以帮助公司更快地制定决策并提高服务质量。例如，美国一家银行采用了这样一个科技环境来更有效地管理持续大量增长的客户信息，将分析运行速度提高了几个小时，更快地得到分析结果并及时向客户反馈。

第二步，充分利用分析工具

1

商业智能和数据可视化

商务智能的核心就是将数据分析融入公司运营中来优化的决策制定并提高业绩。商务智能通过合适的数据，时机和媒介（例如手机，电脑等），用直观明了的可视化方式（例如热点图，图表等）向公司决策者展示他们需要的分析结果，帮助他们更好地理解数据分析结果并进一步优化决策分析。例如，一个金融服务公司利用商务智能和数据可视化来比较不同的风险投资组合。他们分析了关键数据并以可视化方式展示了分析结果，成功地找出美国哪些地区有较高拖债率，按照贷款人、贷款目的和贷款渠道等因素更准确地制定资金份额，以及及时有效审查银行贷款投资组合。同时，用户可以对分析结果进行交互操作并按需查询数据，例如选择不同的日期，信用等级，比较贷方和贷款方式等。利用交互式商务智能的灵活性和数据探索能力以及可视化方式，决策者可以制定更准确有效地制定策略。

2

数据挖掘

利用数据挖掘技术，公司可以更好地探索出原本不是很明显的数据变化趋势，以此来优化商业决策。例如，一个能源公司通过数据挖掘预测了哪些管道有更大的破裂风险，并根据分析结果来优化资源进行管道维护。

3

数据分析应用程序

利用数据分析应用程序可以让公司管理者直接有效地进行数据分析，帮助他们更好地按照数据分析结果来作出商业决定。这些应用程序可以针对不同行业，也可以灵活机动地满足公司内部不同人群的需要－从市场部到财务部，从公司管理层到中层。例如，一个货物储存经理可以利用数据分析软件优化存货清单，一个市场总监也可以利用分析软件决定公司的全球市场运营。

4

机器学习和认知运算

机器学习能够去除数据建模中的人员影响因素，更直观地预测客户行为和企业业绩。通过大量的数据和强大的运行能力，智能软件可以结合数据科学和认知科技帮助机器作出更好的决定。例如，一个零售商利用不同销售渠道（例如手机、商店、网络等）获得的实时数据进行机器学习，完善了针对不同用户的推荐服务，有效地提高了业绩。

第三步，认识到每个公司数据分析制定决策的道路都是独特的

商务目的，科技，数据形式，数据来源等很多因素都会影响数据分析，这些因素也在随时间不断变化。比如其中一个非常重要的影响因素就是企业文化：这个公司是保守风格还是喜欢风险呢？这个公司是否已经有足够的数据和分析方法，还是才刚刚尝试第一个数据分析项目？每一个公司都拥有不同的企业文化和科技特征，因此其数据探索道路也是独特的。通常，公司可以按照不同的商业问题的本质采用两种方法。第一个，如果商业问题很明确而且有已经存在的解决方法（例如，针对市场营销的用户分割和偏好模型），公司可以从已有的结果出发（例如，针对已有顾客的交叉销售），采用以假验为基础的方法，用对照组测试结果，然后再进一步将分析结果应用到更大的顾客群中。第二个，如果商业问题很明确，但是没有已知的应对方法，那么公司可以采用一些数据挖掘的方法，从数据中寻找规律以及因素之间的关联性。例如，一个银行利用数据挖掘方法发现用户填写网上表格的速度和诈骗行为有很高的关联性。当商业问题较多时，公司首先应该关注解决哪个问题能给公司带来最大的价值，然后按照已有的知识来选择是假验法还是挖掘法。

以数据分析结果为导向的运营思路可以帮助公司决策者优化决定，但是过犹不及，纷繁复杂的数据分析也许也会扰乱决策制定。有时候，去繁就简，才能更好地利用数据，看清海量数据背后隐藏的商业秘密。