ITValue点评：

数据分析是以得到有关信息的一些结论为目的，而对原始数据进行研究的一门科学。其与数据挖掘的区别在于所分析的范围、目的及重点。数据挖掘采用先进的软件对大量数据进行整理分类，以识别其中所隐藏的规律，并确定其中所隐藏的关系。


1. 全面质量管理和六西格玛管理计划培养出一代重视严格运用数据的产品经理。六西格玛计划遭到滥用和曲解是毫无疑问的事实，但是以数据为主导的决策方式所带来的成功，极大影响了现在企业内部对高等统计式数据分析更为广泛的兴趣。

2. 数量金融学将运筹学、物理学、生物学、供应链管理学及其他领域的一些理念用于解决货币及市场问题。经过一些转变，许多数据密集型技术，比如投资组合理论，现在正从形式上的金融学科转化成日常管理的工具。

3. 正如Google公司CEO埃里克·施密特今年8月谈到的，现在我们两天内所产生的信息量就相当于人类自有文字记载以来至2003年的总和。人们及各类组织目前产生数据的速度远超过任何人类或程序可以收集、消化或做出反应行动的速度。手机作为传感及通讯的平台作出了巨大贡献，企业应用及图像生成系统同样功不可没。现在，世界上有更多的领域以日益标准化的方式装备起各类数据仪器，其规模远超以往任何时候：Facebook的状态更新、全球定位系统、ZigBee无线通讯技术及其他“物联网”技术，以及运用于越来越多的产品上的条形码及RFID电子标签技术等等。这些只是其中的一部分。

4. 正当人类作为一个物种，产生比以往任何时候都远远要多的数据的时候，“摩尔定律”及其一些推论（比如有关硬盘驱动器的“克来德法则”）正为我们创建起一个计算构架，使数据处理的成本效益比以往任何时候都高。当然，这些数据处理过程还会产生更多数据，加剧了数据过量的问题。

5. 继推行BPR、ERP、互联网泡沫以及将服务导向架构作为一个业务发展主题的努力基本失败之后，供应商们目前正主推数据分析技术。

数据分析技术可以用来销售服务、硬件和软件。可以用于每个垂直细分市场；适用于各种企业规模，而且与其他宏观层面的发展动向相连：智能电网、碳足迹、医疗成本控制、电子政务、市场营销效率、精益制造等等。总之，许多供应商有充分的理由在其市场进入策略中重视数据分析。SAP、IBM、甲骨文、微软及Google公司都已在数据分析领域花费了数十亿美元收购相关企业。

6. 尽管在ERP、数据仓库及“实时”系统上投资了所有这些资金，但大多数管理者仍不能完全信任他们的数据。上述现象并没有因行业而有所差别，企业系统中的数据质量无法给予管理者以信心，而数据分析结果及时性差别很大，尤其对于跨国公司来说。

7. 与这种对企业数据缺乏信心的现象相关的是，许多行业的风险意识正日趋增长。无论是在产品原产问题、产品召回管理、自然灾害风险、信用及违约风险、医疗事故、交易对手风险、或是在灾害管理或欺诈方面，过去十年中所发生的一桩桩事件已使广大企业高管及经理敏感地意识到，需要对企业的各种复杂情境进行以数据为驱动的严格监控。

8. 来自不同范畴的数据可通过诸如GPS定位、信用报告、手机号码或甚至Facebook身份识别这些现成的标识符相互关联起来。Facebook网站上的“喜欢”按钮本身就担任着消费行为跨组织数据分析的一个巨大激励因素，其分析规模之大是以前基于抽样调查的营销分析力所不及的。试想当“抽样”人口达到1亿个人的时候，会发生什么呢？

9. 可视化正日益改善。虽然电子数据表普遍应用于每个组织，而且今后仍将如此，然而信息可视化的质量在过去的10年中已得到改善。这可能主要是由于“大数法则”（一船沙的1％远多于一把沙的1％），或者也可能是反映出这一代技术精湛的信息设计师越来越大的影响力，也可能是因为诸如Mathematica软件及Adobe公司的Flex开源软件开发平台等工具正赋予我们将数据更好地转化为图像的能力。不管怎样，无论是软件工具还是信息可视化输出的质量提高，都增强了企业转向复杂定量数据分析的大趋势。

作者：John Jordan
（文章来源：福布斯中文网）