大数据和业务分析或许并未实现无处不在，但它们正在朝着这个方向飞速发展。

据业务技术咨询公司Wikibon的信息，在过去数年间大数据总收入已呈指数级增长，且到2017年将达到500亿美元。Forbes引用了一份2015年的Capgemini全球研究报告，该研报预测未来三年在大数据投资上会有56%的增长。而Computer Science Corp.估计到2020年总的数据生产量会是2009年的44倍。

数据分析有数据协同工作的分析增长同样迅速。但分析的方法有很多种，其中描述性和预测性的品种是最大和最有用的。然而，描述性的方法要比预测性的方法更企业欢迎。

如今，90%的企业在使用某种形式的描述性分析，它包括的方法有挖掘历史数据和提取实时流的有用因素来对数据进行诠释。描述性数据分析采用这些方法，包括社交分析，生产量和分配指标，以及操作结果和变化过程之间的相互关系。

关注描述性分析

预测分析涉及到用大数据进行预测，远比BI分析产生的简单趋势更有效。它可以让企业制定复杂的假设分析场景，为未来性能创建精确模型，识别那些并不明显的相关性和执行更为彻底的根源分析。有了这些功能，企业就能预测客户行为，预测逻辑失败，预计采购模式中的变化并能做出更为准确的信贷/采购决策。

描述性数据分析被认为是非常简单的，因为可以用集成在大多数数据库中的标准聚合函数和基本高中数学知识来实现。相比之下，预测性分析需要很强的统计信息，大学级别的数学知识（线性回归等）和专业软件。大多数企业拥有内部资源来进行描述性分析，而预测性分析需要招募专家并且需要频繁购买新系统。

然而，描述性和预测性分析的差别并不像表面上看起来那么巨大。尽管问题不同，但收集两种方法所产生的结果数据的唯一目的就是回答问题。对于描述性数据来说，它解决的是“发生了什么”，而预测性数据则是“接下来会发生什么”。

一家扎实掌握了描述性分析的企业是很有希望拥有预测性分析的。原因很简单：例如，对众多单位或个人中某一个的行为或性能进行预测，这种预测通常是细粒度的，“这个人会买什么？”“该客户有信用风险么？”描述性数据分析创建了引导精确预测分析的规则和条件。不具备前者的情况下，你是无法拥有后者的。有了构建良好的描述性模型，预测性模型就变得非常容易了。

描述性模型需要大量数据并为那些数据使用精心制定的分类规则来将很多单位和个人组成有用的分组。描述性模型将数据压缩成要素，这些要素能识别人们或是过程的某些特性，而这些人和过程是由预测模型来进行评估的。

描述性分析通常是语境自由的，它与其他数据是没有关系的，而预测分析则是完全语境相关的。了解一名客户正在做的事情对准确评估该客户的潜在需求是极大的助力。有着相似属性和购物模式的客户，如果他们购物的语境改变，那他们对比起来也可能大相径庭。例如，青少年在离家去上大学的时候会买不同数量的衣服。当语境通过预测性分析归为要素，则结果便是非常完善的预测。

决策加倍

描述性数据分析是拥有预测性建模能力的第一步，这是一个企业转换组合。将这两种方法进行结合的结果取决于创建决策模型的能力。

决策模型包含所有要产生可操作决策的必要信息，而这些信息来自于描述性模型和预测的输出以及以往的决策。通过启用优化，提高了决策制定的准确性和效率，而这里的优化是根据分析的成功实现来调整流程和体制行为的能力。

该决策模型引出了下一个层次——预测性分析，这是一个用于从选项中选择有效行动的方法。关键在于分析的分支是不会孤立存在的；每个方法都为后来者提供原料并为流程添加新的复杂性和功能。

最终目标不仅仅是要像实现一个新流程或工具一样来看待分析，而是要在企业永恒成长和改变的道路上成为企业发展重要的步骤。