保险、金融服务、零售等行业使用预测性分析已经十多年了，但其他行业才刚刚开始。预测性分析现在正被用于支持日常业务运营和决策制定。那些能够有效使用预测性分析的公司能够获得前瞻性洞察，让他们有能力发现新业务机会，并加速创新。
　　那么问题来了：为什么没有更多企业这样做？很多企业只是不知道从何处下手。不过，虽然商业领袖们认同数据驱动方法在下一个10年的重要性，他们仍然受制于信息过载，对如何从所拥有的数据中得出可操作的洞察而感到困惑。
　　虽然困难，但大数据和分析还是要用。Capgemini最新的调查数据显示，65%的受访者认为，如果他们不拥抱大数据，就会面临在市场中出局的风险。到底怎么做？下面这些提示或许会对你有帮助：
　　聚焦，在某处从零开始
　　无用数据是占数据的大多数。通过区分这些数据，可缩减数据的范围，并找到正确的开始位置。Capgemini的研究指出，大数据成功的首要指导原则是聚焦能支持主要业务目标实现的解决方案。根据组织的具体情况，聚焦点可能是市场规划、账户智能和运营优化等。
　　市场规划。要想发现正确、合适的市场机会，需要模拟将业务表现数据和经济数据融合的场景，以确定谁最有可能采取购买行为，这样就可以做到有的放矢，最有效地部署资源。
　　账户智能。诞生于互联网的消费者品牌，例如Amazon或阿里巴巴，擅长市场分析，如分析客户的购买行为并发现他们接下来可能买什么。这在B2B领域是相对较新的。某个购买行为可能伴随哪些购买行为发生，你可以确定哪个账户最具购买倾向。零售商将之用于促销和提供有针对性的推荐。B2B公司也可使用内部和外部工具进行这样的分析。
　　运营。问你自己这个问题：哪些你的日常运营业务可以更智慧地完成？例如，在EMC，我们注意到，跟销售代表打电话寻找新的商业机会相比，更多机会存在于合同续约。所以我们通过分析帮助销售人员找到价值最高的续约机会，让他们优先考虑和处理。
　　收集正确的数据。有些人认为，拥有最多数据的企业将获胜。我的经验是，拥有正确、合适数据更容易胜出。启动分析功能时，数据源的质量必须处于最高优先级。应该从小处收集正确的内部和外部数据。
　　雇对的人，设立合适的标准
　　每天和数据打交道的数据科学家，他们非常重要。分析团队要由不同角色组成，并具有广泛技能，包括数据官、分析师、工程师、科学家和顾问。
　　构建数据团队时，有三至四个角色是需要考虑的：首先，数据分析师，他应该熟谙如何抽取数据，并将其转换为面向既定目标的数据；其次是数据工程师，他应该知道数据是如何被捕获的，位置在哪个服务器上，需要什么样的工具抽取数据用于分析；再次是数据科学家，他应该能基于数据创建配置文件或进行聚类分析；最后是专家或顾问，他们能将发现应用情景，并为高层决策者提供令人信服的建议。
　　管理组织变革
　　将分析纳入决策制定流程并不能总受带各利益相关者的欢迎。通过采用以下方式让利益相关者更容易接受新的方式：
　　鼓励参与——试点项目和核心小组可在构建分析功能的过程中帮助利益相关者。应该让利益相关者从早期就开始参与是驱动变革的极大鼓舞。
　　启发并通知——即便是最复杂的机器学习模型，也是基于一些基本的数据原则的。展现部分或所有预测模型组件带来的是透明性，透明度让人信任，信任会让人采用。
　　Capgemini研究重申了在此阶段赋予员工洞察的需求。例如，由于他们要与客户保持的长期关系，销售代表是最可能对基于数据的决策表示怀疑的群体。通过开展允许销售代表提供反馈意见的试点项目，通过核心小组收集洞察，并和内部的关键用户进行讨论，你就能有所进步。当然，要向他们展示数据。
　　激励鼓舞，行动并组织起来
　　每天，我都和那些渴望开启分析之旅的公司的管理层和同行对话。关于从哪里开始这个问题，我的建议是：从你已经知道并拥有数据的地方开始构建。
　　如果你还不知道从哪里开始，考虑下大数据的传统价值吧：数量、种类和速度。问问自己，如果我能更有效地分割业务会怎样？如果我能更频繁地获得这些更新会怎样？如果我能拥有更多趋势性信息会怎样？ 如果你能回答这其中的任何问题，灵感就会出现。