无需赘言，数据分析已经成为IT领域的一个热门词汇。从人力资源到供应链管理、营销、财务等各个领域，分析已经成为这些部门制定业务决策时所依赖的一个关键性工具。如今企业已十分清楚，如果缺乏数据上的洞察力，就会被竞争对手远远甩在后面。

数据分析让企业如虎添翼，对数据的有效利用，有助于企业减少成本，提高销售额，提升运营效率。他们也可能使用分析来预测未来可能发生的情况。虽然以前高管作出决策往往基于魄力、直觉或传统，但今天他们将会问，“数据中有什么可供我们参考？”

高管们如此提问，就说明数据为企业提供了很多有关客户和企业运营方面的信息。分析的结果可以表明销售员在作出有意义的服务评估或者判断一个产品是否会在几个月内下架之前，需要打出多少个电话。但如果数据质量很差，那分析将毫无作用。

数据驱动型企业所面临的挑战

公司正在从被数据所驱动的运营决策中获益，但其学习曲线十分陡峭。企业需要面对来自多个数据仓库的大量不同格式的数据，这是极具挑战性的。处理大量信息，将信息与来自不同领域的业务进行集成，结合可操作的实时数据，这些说起来容易，做起来可就难了。

主要挑战之一是数据的质量：没有高质量的数据为基础，决策就可能会动摇。在任何需要数据参与的过程中，决策取决于信息的质量。俗话说得好，“输入的是垃圾，那输出的也是垃圾。”错误的或不完整的信息将会导致不正确的预测和误导性的描述。

数据质量问题从何而来? 一方面，它可能与分析模型初建时的假设相关。在营销中，预测模型可能要适用于明年的营销预算。它为了保证营销支出的有效性，会将客户归纳为几个类别：那些不管有没有广告一定购买的；那些因为醒目的广告而购买的，和那些肯定不会买的。企业的策略是只对中间那个类别的客户，因为钱用在另外两个组基本是浪费了。

但如果另外两组的客户档案不那么准确，会发生什么呢? 如果定义“无论如何都会买”类别的客户时是基于错误的信息，如品牌忠诚度等非竞争性技术指标呢?这样的错误可能对营销活动造成毁灭性打击，无论预测分析的质量如何。

解决办法是什么？在被纳入模型之前，要测试每一个假设。一定要测试，因为即使是商业事实，看似理所当然，也可能大错特错。

我们以何种标准来评定孰优孰劣呢？

前面的示例包括一个构建模型时发生在前端的错误。但还有另一个经常发生在过程中的严重问题：对预测模型没有做剖析检查。在我刚才列举的例子中，一个更为有效的营销活动将会从原始数据中逐渐显现：销售将改善；而营销花费更少。

但它并不是那么简单。一个可衡量的提升才是完美的，但分析成功与否的衡量标准是相对于可能的成功时流程的提升程度。一个数字上升而另一个下降只是代表着：进程朝着正确的方向前进。如果抛开这些，企业无法衡量分析过程的有效性。

我们错过了什么？首先，建模过程需要定义具体的目标：最优销售目标，这可以使用销售额来衡量。有了这些数字，才可以判断一个分析过程的成功与否，不仅对比过去的表现，还要与预期的未来对比。

举个例子，如果一个食品经销商想在未来一年提高8%的销售额，它首先需要查看目前的销售数量，并将这一数字与过去的增长做对比，查看过去五年的数据，以判断这个预测目标是否可行。

伴随着这种衡量思路，如今的分析行为才可以改善商业流程，并完成潜在的持续性提升。使用者不仅可以对结果进行微调，还可以有依据地调整输入过程中数据的质量。