总论
近十年以来，所有的各政府单位和各国的企业，纷纷同入大笔的资金和人力来建设内部IT系统及数据库。虽然改善的过程中有很多挫折和失败，但这些努力使得今天大部份的公司和单位都开始有一个完整统一的内部数据平台，来说明公司的营运。例如在大型的企业中处理企业资源计划的ERP(EnterpriseResource Planning)系统和管理客户关系的CRM(CustomerRelation Management)系统等。它们有效的被运用来减少所有资源的重复和错误以支持公司在这个信息时代的管理营运变革。
但是，这只是开始的第一步。 企业虽拥有技术平台和数据系统，其中真正有价值的分析能力，在很多的单位中，却是付诸阕如。一直到了近几年，各大企业才开始重视如何有效的利用数据分析自身平台所累积的数据，来掌握对于业务的趋势发展和商业决定。 而相同的，关于如何在分析领域有所突破等相关讨论和著作也才开始出现在坊间，例如在畅销书排行榜中，蝉联数周的第一名，并且引发了极大的市场兴趣的著作Davenport和 Harris 的"Competing On Analytics"，本书描述多家公司在许多的关键商业决定中，开始利用数据分析做为策略决定或是行动的战略方针并获得成功。。 因为了这本书的推广， 对于很多的商业人士开始认识数据分析的威力。另外，在2007， James Taylor 发表了另外一本畅销书 "Smart (Enough) Systems"，详细的描述数据分析的原因和方法。其他相关的书籍包括了: "TheBlack Swans"，"Outliers"还有"Super Cruncher" 等…。
什么是"数据分析"? 数据分析有很多不同的概念和说法，对于将现有数据做事后的分析和报告，称之为"商务智慧" (Business Intelligence，简称BI)；如果这些分析报告中还包括一些统计和数学模型，我们就称之 "运营研究" (Operation Research)；还有目前最热门的名称是"数据挖掘" (Data Mining)，但是其中的区别并不够准确的。 尤其，和所谓的预测分析之间的差别，就更令人迷惑了。只能将其差异区分为，在很多状况下，所谓的分析是针对现有的资料做细化分类，离析其本质及内在联系之间的关系；但是预测分析，却是要求在掌握现有信息的基础上，依照一定的方法与规律对未来的事情进行测算，以预先判断事情发展的结果。
通常造成浑淆的原因，是在于数据挖掘通常是预测分析中的一个处理环节，而商务智慧的报告报告是预测分析的表现方式。 事实上整个分析，都必须在原来的数据管理和商务智能的基础上，不然数据的可靠度及展现的成果会容易令人质疑。
在传统联机分析处理(OLAP)的过程中，一个人可以通过对多种数据的整理、检验效果的确定和资料特性的掌握，订出最终的报告。但在这个过程中，数据分析的方法有无限多种类型，可以针对数据做整合、细分、横向或集合，来给出各种的报告。BI绝对是一种的分析，但BI无法做任何的预测。就算如此，对于分析中所使用的各种量化分析，如:统计、 数学计算、或是随机分析。我们将这些方法称为"高级分析"，但其仍旧不算是"预测分析"。
另外，各种数据的统计分析的报告和图表，其广大的用户通常无法了解到底统计中所谓的中间值、平均值、中值趋势、或标准偏差的区别，更不用说更高深的左/右扭曲的数据分布影响还有时间序列之类的计算。其实，在商务运作中， 只要对于数据有所统计分析的运算，都应该是比较困难了解的。但是其中所能发挥出来的潜在能力。都是非常关键。但是对于企业来说，需要不需要，或是如何将这个分析的能力内建在公司之内，是每一个企业所必需面对的。
高级分析
数据的高级分析，虽然是很关键，但是在组织内，并没有一定的部门来负责这个事情，通常所谓的高级分析是有几种方式存在; 个人努力，基础范本， 软件包
就个人的努力，通常是在组织内， 因为个人对于公司业务的了解，结合上本身具备的分析知识。 从而用数学的方式来模拟实际的业务流程，寻找隐含的原因和建立报告的方式，从而预测将来的商业情形。 固然这是一个很快速而有效的方式，但是这种的情形，只能说是可遇而不可求。
第二种在组织内有分析能力的方式就是使用很多所谓"标准"的分析模型。通常这些都是来自已经过时的数据分析方式， 但是因为其中所用的模型太过于复杂和晦涩。 所以大部分公司只是因循他人的引用这些模型，但是对于模型的本质实施上不是经过很清楚的了解， 更不用说能依据本身的特性而有所修正。 例如在金融业中，使用FICO评分来判断个人的信用评等， 甚至作为雇佣的标准之一， 或是作为银行对于贷款申请的决定因子，就是很好的例子。
第三种的分析能力，通常是将分析模型以现有的形式加上部分的修改，而放在在整个系统之中， 可能使用之前所说的两种方式和其他的系统模块组合。加上个人的努力，而形成一个分析预测的操作。 但是对于公司来说，这个是完全透明的。 例子如;货运的流程规划， 供应链的优化，或是客户喜好推荐的判断，都是这种 知其所以不知所然 的例子。
所以如果公司要把分析和预测能力，内建到公司的整体运作，甚至是战略规划中，必须要对于这个部分，有所了解之后，才能有效的运作。这个就是本篇所要谈及的要点。
分析种类
从功能面来说; 有三种不同的高级分析方式: 描述，预测和优化。
描述分析/数据挖掘
描述功能的分析，是以数据挖掘作为底层的依据。 而数据挖掘；就是使用数学和统计的技术来了解大量的数据其中所包含的意义和关系。 而其中的数据源，可能是来自大型的数据仓库或是其他的各种来源的数据。 当然另外一种是在线上直接使用不同的OLAP工具，在大量的数据中进行分析。这个也是一种的连接形式的数据挖掘。
在数据挖掘中，有很多的工具来说明几个变量之间的显着或是隐含的关系。 也逐渐发展出来很多的理论基础， 比如说关联法则， 相似等级，或是趋势分析。 但是我们要了解， 数据分析并不是万能的。 使用者必须要了解这些技巧的限制和不足之处，同时也要对于原始数据中的判断能力。 但是真正的重点在于要能结合商务的需求和数据分析的结果。 因为一个有效的分析模型，只是一个技术问题，没有现实的需求，是没有意义地。
当我们有了一个有效的分析工具，下一步很自然我们会问的问题是 ”我们能拿这个做什么？“
预测分析
如果我们预测，通常我们是指对于未来的事情有所假设。但是未来的定义，可以从下一刻到几年之后。其中的差别就很大。一个很好的例子就是关于天气预测。我们通常可以相对准确的预测将来几天的天气状况，但是对于对于未来几周的天气？ 这个可就不太有把握了。
在商务上的情形很类似。我们通常的问题都是 ”将会要发生什么“， 或是”将会造成什么结果“，比如说预测分析可以提醒/警告公司关于供货商可能会有出货的问题或是某一个客户可能信用等级会被调降。从而可以做出防范的措施。类似的情形在社会上，也很普遍的使用。选举之前的调查可以通过一小群经过统计抽样的人群，使用很复杂的统计模型，而能够相对准确的结果预测。
预测模型基本上是相对静态，也就是说，当模型一旦建立就不太改变。其中有两种不同的方式：一种模型可以从对于历史的数据做运作，从而提出可能的说明和建议。另外一种模型是实时的，预测模型成为整个运作系统的一部分，直接对于运营数据做出实时判断。毋庸赘言，对于模型的反应时间要求，实时的预测系统是高于非实时的系统。
同时对于数据分析结果的运用方式，基本上也是两种；一个是对于模型建立的时候，可能是对于数据的质量非常重视。因为数据的完整或是正确，直接影响到模型本身的质量。这个是通常数据挖掘或是商务智慧的核心。但是对于预测分析类型，可能更多是关心数据的表现，尤其是对于部分非常态的数据掌握的功能，是超过对于整体数据的完整性。因为预测分析的目的是能很有效的因果关联从而做出判读，而不是很准确的提出报告。