- 误区1: “大数据是灵丹妙药。”
预测分析有希望可能成为一种塑造更广泛经济的普遍趋势, 尤其是如果更多业务决策者为数据所驱动 (而不是根据纯粹的“直觉”)。确实,访问更多的信息,特别是关于你的客户的行为的信息,将会对某些业务提供竞争优势, 就像互联网。然而, 在许多情况下, 相对未分化的互联网和网络功能并未导致很大的业务增长, 建立的预测分析也是如此。大数据不是企业的灵丹妙药。相反, 更好的数据管理和分析是帮助企业做出更好决策的工具。就算“小数据”也可以为中小企业很好的利用在投资的路线图上,构建和多样化而无需有大型的IT投资。
- 误区2: “只有大公司需要预测分析。”
虽然很明显, 亚马逊、Target、沃尔玛、Zipcar和其他大型企业是预测分析(尤其是客户分析)早期的采用者和重要受益者,各种形式和规模的企业都将受益于智能分析带来的好处。例如,基于群体客户剖析和行为的分析客户保留模式,然后使用上述数据来设计针对性推广工作,对任何企业可以产生立即的影响。
- 误区3:“企业引入预测分析的最好方式是“自下而上”或“自上向下”。
对一些人来说,自下向上的方法涉及到IT人员和数据分析师实施一种持久的解决方案。对另一些人来说, 自上而下的方法是用大量资源, 战略和文化解决这一企业挑战,因此应该包括首席执行官(CEO)、首席营销官(CMO), 或其他高管。在现实中, 实施预测分析并非必须要符合这两种法则之一。由下至上的过程可以为企业建立一个良好的基础。在别一企业从指定的部门开始,尤其是从市场营销团队开始,是非常富有成果的。同样, 自上而下的过程可以产出也可以是短暂。执行官的参与并不总是成功的保证。
- 误区4:“要实现预测分析,你需要自己的博士。”
预测分析可以零售(或“民主化”,正如我们喜欢说的那样)。通过这种方法,意味着它日渐普及, 无需数百万美元的IT基础设施。而且,尽管独特的大数据问题可能需要一位博士(或者甚至是一群博士), 许多新领域的预测和业务分析可通过软件即服务 (SaaS) 的解决方案轻松访问到。更重要的是, 时效性不再是几个月或几年了, 你现在可以在更短的时间获得有用的结果,而不需要你自己的博士。
- 误区5:“我们需要做的就是雇佣咨询或技术公司,我们就会有预测分析。”
有一批企业把预测分析作为一种技术或一个软件问题。并且, 他们拥有一组“首选”公司(有时是拥有管理和技术咨询的技术供应商)用传统的方式,通过向企业推销大量的基础设施、数据存储、软件和硬件来解决预测分析。在现实中,预测分析更多的是一种业务和文化问题,需要的不仅仅是技术(或管理顾问的插入式访问)建立和研究所正在进行的解决方案。
结论:在你的业务决策中加入预测分析时要考虑 很多事情。而且公平地讲,有一系列不同的方法和不同的最终结果可供企业选择。然而在评估产品和选项的期间,最好从这门科学的实用的和系统性的现实中分离出这些误区。
来自:中国智能商业网