業務和生產系統在收集數據方面變得更加強大。設備收集各種傳感器和參數數據，現在可以獲得有關購買習慣和消費者偏好的各種信息。無法通過靜態的常規報告來分析和理解這種詳細程度。相反，業務分析師，工程師和科學家可以通過提供的槓桿作用來發現洞察力並發現發現交互式可視化分析軟件 。
分析軟件已經出現了一個新的分析世界，其特點是這些重要特徵：
- 數據是“自我配置的”。用戶可以無需任何幫助即可獲得所需數據。
- 分析是可視化和交互式的。結果是 …
- 用戶現在可以在沒有統計學博士學位的情況下進行高級分析。
- 分析師“在當下”開展他們的工作。洞察力經常表達分析師探索“在當下”創造積極動態的問題，進一步催生髮現。
- 分析思維完全與商業思維相結合。
- 除了描述性，分析是推論。
一個'啊哈'的時刻
考慮這個保險的例子。這裡收集並維護了數千個當前和潛在客戶的人口統計信息，並將其保存在數據庫中。保險公司能夠將數據下載到電子表格中並總結數據，但他們是否獲得了最佳的可利用洞察力？即使是最簡單的問題，也可以花幾天時間來獲取，拼接和整理數據。
今天，通過集成，交互式和可視化分析，您可以在幾秒鐘內獲得洞察力。對於潛在客戶來說，最大的問題是他們中有多少人轉變為新業務，推動轉換的因素是什麼？通過了解這一點，可以將重點放在可以帶來更高成功率的業務實踐上。
我們首先加載數據 JMP 。只需點擊幾下，就可以加載數以萬計的潛在客戶遭遇，包括收入，教育，年齡，軍事狀況等人口統計信息。您可以從上圖中看到，這些潛在客戶的整體約12.5％（藍色區域）已轉換為付費客戶。
現在回答手頭的問題：哪些因素決定了贏得新業務的成功？再次點擊（左下方的分割按鈕）和“aha”時刻。
該 JMP 上面的圖表顯示了一個特定因素（由於保密性，我無法透露，所以我們稱之為...... ），“Xn因子”導致了很多潛在客戶的轉換率非常高（在右邊藍色條中看到的約為90％），剩下的前景幾乎沒有成功的機會。
看到這一點，分析師們驚呆了。他們沒有找到這種見解，因為總體轉換率掩蓋了前景中由因子Xn確定的主要區別。請記住，這些分析師每天都在花費數據，而這些重要的洞察力以及其他要遵循的內容仍然存在。
這種見解產生了一堆問題。首先，似乎正在改變銷售代表指令。其次，為什麼其他客戶的轉換率如此低得令人難以置信？這導致了關於定價，包裝等與人口統計學相結合的問題，這些問題將通過設計實驗進行調查。
它為什麼有效
回顧上面的六個特徵，我們可以看到在這種情況下：
- IT建立了允許用戶自己獲取數據的系統：“自我配置數據”。
- 事實上，分析是高度可視化的。是的，提供了所有統計信息，但可以通過圖形和交互性訪問它。
- 沒有統計學博士學位。上面的分析涉及使用交叉驗證的遞歸分區。確實有點滿口，但這種複雜性（以及統計術語）並沒有妨礙業務分析師或工程師獲得盡可能多的可利用洞察數量和質量。他們可以專注於自己不受約束的主題。事實上，我的經驗是，該工具幾乎變得不可見，因為重點是主題。
- 與過去不同，當我開始這個遊戲時，沒有必要提交一個請求，指示IT程序員修改將在幾天后到達的報告。問答之間的失效時間消失了，依賴性也消失了。
- 分析和業務之間的舊分工已經消失。它們必須焊接在一起，才能有效地發現可利用的商業，工程和科學見解。
- 請注意，分析不僅僅是描述性的，就像過去那樣。這是推論，因為它導致分析師預測未來的結果並提出進一步的問題。
不僅分析師對這種洞察力印象深刻，而且他們也對它的衍生方式感到興奮。
建立自己的分析文化
如何將新的分析世界帶入您的組織並支持分析文化？
這就是IT的用武之地 - 顯然，它們可以發揮重要作用。IT不再需要擔心進行分析。最好留給分析師。相反，IT現在是分析的推動者。他們可以這樣做：
- 維護支持運營和分析需求的硬件和軟件基礎架構。
- 以分析友好的方式提供數據，以便可以自行配置數據。我們在該領域開展了大量工作，以確保分析數據要求不會影響運營。例如，在製藥，半導體，太陽能和其他行業中，必須收集無阻礙的實時數據以便追溯。對IT基礎架構的分析需求不會影響運營系統。
- 支持我們公司Predictum開發集成分析應用程序，進一步促進分析，存儲和傳輸知識和見解，並在運營，研究和合規領域獲得其他效率和成本節約。
- 保護所有系統。
保護系統是一項快速發展且日益嚴苛的IT責任 - 以至於我們發現IT人員通常很樂意免除分析的負擔或讓分析師能夠更好地支持自己的分析。他們的支持作用與其他活動和責任更加一致。例如，IT支持訂單/運輸/計費系統，但他們不會自行訂購，發貨或收費 - 那麼他們為什麼要進行業務，科學或工程分析？
隨著物聯網，新功能更強大的設備和互聯網不斷擴大的覆蓋範圍，我們可以預期未來數據的數量和質量將呈指數級增長。現在最好通過構建分析文化來應對所提供的機會。這涉及設計正確的數據架構，提供 JMP 並使業務分析師，科學家和工程師能夠通過分析來提升他們的主題專業知識。
編者註： 厭惡這篇博文最先出現在 Predictum博客 。謝謝韋恩萊文在這里分享它。
